一项新的苹果支持的研究表明，你的行为数据（如运动、睡眠、锻炼等）往往比传统生物指标如心率或血氧水平更能提供有效的健康信号。为了证明这一点，研究人员开发了一种基于可穿戴设备收集的行为数据训练的基础模型，其表现令人惊讶地优秀。以下是详细内容。
这篇题为《超越传感器数据：来自可穿戴设备的行为数据基础模型改善健康预测》的预印论文，是苹果心脏与运动研究（Apple Heart and Movement Study, AHMS）的成果之一。研究人员在超过25亿小时的可穿戴设备数据上训练了一种新的基础模型，结果表明，它能够匹配甚至超越基于低级传感器数据构建的现有模型。
他们将新模型命名为WBM（Wearable Behavior Model，可穿戴行为模型）。虽然此前与健康相关的基础模型主要依赖于原始传感器流数据，例如苹果手表的心率传感器（PPG，光电容积描记法）或心电图仪（ECG），但WBM则直接从高级行为指标中学习：步数、步态稳定性、活动能力、最大摄氧量（VO₂ max）等，这些数据苹果手表能够大量生成。
但如果苹果手表已有这些传感器，新模型的意义何在？
这是一个好问题，答案就在研究中：
“智能手表和健身追踪器等消费级可穿戴设备提供了涵盖多个健康领域的丰富信息（……）。健康监测的一个重要方面是检测静态健康状态——例如，某人是否有吸烟史、是否曾被诊断为高血压，或是否正在服用β受体阻滞剂。另一个关键问题是检测短暂的健康状态，例如某人睡眠质量如何，或者是否怀孕。这些预测所需数据的一个关键特性是，它们通常以人类行为的时间分辨率（例如天和周）进行，而不是以可穿戴设备收集原始传感器数据的低级时间尺度（例如秒）（……）。
虽然大多数过去的研究都集中在建模低级传感器数据（或其简单特征），但来自可穿戴设备的高级行为信息，如身体活动、心血管健康和活动能力指标，是解决这些检测任务的自然数据类型。与原始传感器不同，这些高级行为指标是通过经过仔细验证的算法从原始传感器数据中计算得出的。这些指标是专家特意选择的，旨在与生理相关的量和健康状态保持一致。重要的是，这些数据对个体的行为敏感，而不仅仅是受生理因素驱动。这些特性使行为数据特别适合此类健康检测任务。例如，描述步行步态和整体活动水平的活动能力指标可能是帮助检测如怀孕等变化健康状态的重要行为因素。”
换句话说，虽然苹果手表会收集原始传感器数据，但这些数据可能噪声大、信息过载，并且不一定与有意义的健康事件相关。
WBM使用的指标虽然基于传感器数据，但经过处理，突出了现实世界中的行为模式和与健康相关的趋势。它们更加稳定、易于解释，并且更适合建模长期健康趋势。实际上，WBM是从处理后的行为数据中学习，而不是直接依赖原始传感器信号。
一些技术细节
WBM是在来自AHMS的161,855名参与者的苹果手表和iPhone数据上训练的。该模型并未使用原始数据流，而是输入了27种人类可解释的行为指标，如活跃能量消耗、步行速度、心率变异性、呼吸频率和睡眠时长。
这些数据被分解为每周块，并通过基于Mamba-2的新架构进行处理，该架构在此类应用场景中表现优于传统的Transformer（GPT的基础架构）。
在评估57项与健康相关的任务时，WBM在47项静态健康预测任务中的18项（如判断某人是否服用β受体阻滞剂）中优于基于PPG的强大模型，在动态任务中（如检测怀孕、睡眠质量和呼吸道感染）除了糖尿病之外，其余任务均表现更优。糖尿病预测中，PPG模型表现更好。
更令人振奋的是：将WBM与PPG数据结合使用，整体准确性最高。这种混合模型在怀孕检测中实现了高达92%的准确率，并在睡眠质量、感染、伤害和心血管相关任务（如房颤检测）中均有显著提升。
最终，这项研究并不是试图用WBM取代传感器数据，而是对其进行补充。像WBM这样的模型可以捕捉长期的行为信号，而PPG则捕捉短期的生理变化。但结合使用时，它们能够更早地识别出重要的健康变化。
如果你想了解更多关于苹果心脏与运动研究及其他相关研究的信息，我们已经为你准备好了。
【全文结束】
