一项苹果支持的新研究表明，用户行为数据（活动、睡眠、运动等）往往比心率或血氧等传统生物指标更能反映健康状况。为验证这一观点，研究人员开发了基于可穿戴设备行为数据的底层模型，其表现令人惊喜。以下是具体细节。
这篇题为《超越传感器数据：基于可穿戴设备行为数据的底层模型提升健康预测能力》的预印论文源自苹果心脏与运动研究（AHMS）。研究团队通过25亿小时的可穿戴数据训练出新模型，证明其性能可媲美（甚至超越）基于原始传感器数据的现有模型。
这款名为WBM（可穿戴行为模型）的创新模型与既往方案存在显著差异。此前健康类底层模型多依赖苹果手表的光电容积图（PPG）或心电图（ECG）等原始传感器数据，而WBM直接学习步数、步态稳定性、活动量、最大摄氧量等高阶行为指标——这些正是苹果手表持续产出的强项数据。
既然苹果手表已配备传感器，新模型意义何在？
研究团队给出了明确解释：
“智能手表等消费级可穿戴设备能提供跨健康领域的丰富信息(…)。健康监测的关键在于识别静态健康状态（如吸烟史、高血压病史、β受体阻滞剂使用情况）与动态健康状态（如睡眠质量、妊娠状态）。这类预测需要以人类行为时间尺度（天/周）为单位的数据，而非可穿戴设备采集的秒级原始传感器数据(…)。
虽然既往研究多聚焦原始传感器数据建模，但经过专业算法验证的高阶行为指标（体力活动、心肺适能、移动能力等）才是解决此类检测任务的理想数据类型。这些专家精选的指标不仅与生理健康状态直接相关，更能敏感反映个体行为模式。例如表征步态特征和活动量的移动指标，就是检测妊娠等健康状态变化的重要行为参数。”
简言之，原始传感器数据存在噪声干扰大、信息过载且与健康事件关联性弱等局限。WBM使用的行为指标虽源自传感器，但经过提纯处理以突显实际行为模式和健康趋势，具有稳定性强、易解读、适合长期健康建模等优势。
本质上，WBM是通过分析加工后的行为数据规律进行学习，而非直接处理原始信号。
技术细节
WBM基于AHMS研究中161,855名参与者的苹果设备数据训练。模型输入并非原始数据流，而是27种可解释行为指标，包括活动能量、步速、心率变异性、呼吸频率和睡眠时长等。
研究采用按周分段的数据处理方式，并创新性地选用Mamba-2架构——在该应用场景下表现优于GPT采用的Transformer基础架构。
在57项健康任务测试中，WBM在47项静态健康预测（如β受体阻滞剂使用判断）中的18项，以及除糖尿病检测外的所有动态任务（妊娠识别、睡眠质量评估、呼吸道感染判断等）均超越PPG基准模型。
更值得注意的是：WBM与PPG数据融合后产生最佳综合效果。混合模型在妊娠检测中准确率高达92%，在睡眠质量、感染、损伤及房颤等心血管相关任务中也持续领先。
研究表明，WBM并非要取代传感器数据，而是与之形成互补——前者捕捉长期行为信号，后者监测短期生理变化，二者协同能更早发现健康异常。
若您想深入了解苹果心脏与运动研究及其他相关项目，我们已为您准备好详细资料。
