蘋果Apple Watch行為數據驅動新型AI模型 更精準預測健康狀態

landrover1211

一項最新科學研究指出，相較於單純的原始感測器數據，Apple Watch所蒐集的行為資訊，例如身體活動、心血管適能和移動能力等指標，對於判斷個人健康狀態可能更具參考價值。這項由蘋果公司贊助的研究，揭示了穿戴式裝置在健康預測領域的巨大潛力。

 

長期投入健康研究 從月經週期到馬拉松

根據外媒《appleinsider》報導，多年來蘋果一直與醫學研究人員合作，探討多樣化的健康議題，範圍涵蓋月經週期、聽力損失、睡眠追蹤等，也曾針對馬拉松跑者的訓練和心肺運動進行深入研究，這一切都屬於一項為期多年的「蘋果心臟與運動研究」（Apple Heart and Movement Study）的一部分，該研究大量運用了Apple Watch的數據。

突破傳統 行為數據成為更重要健康指標

「蘋果心臟與運動研究」是蘋果推動健康運動和增強心血管健康的廣泛計畫之一。如今，另一篇由蘋果贊助且依賴此研究數據的論文，進一步解釋了行為數據如何比透過硬體感測器獲得的傳統生物識別數據，更能作為一個重要的健康指標。

一項名為「超越感測器數據：來自穿戴式裝置的行為數據基礎模型改善健康預測」的研究指出，身體活動、心血管適能和移動能力指標對於檢測暫時性健康狀態（如懷孕）和靜態健康狀態（如吸菸習慣、高血壓或服用乙型阻斷劑）特別有用。原始感測器數據通常在較短時間尺度（秒）內收集，而暫時性健康狀態可能持續數月。

 

WBM基礎模型HealthKit數據優於傳統方法

研究人員以此為基礎，創建了一個名為WBM（穿戴式健康行為基礎模型，Wearable Health Behavior Foundation Model）的模型。該模型是使用來自「蘋果心臟與運動研究」的行為數據進行訓練，包含了16.2萬名參與者和超過150億小時的測量數據。

WBM並非直接處理原始的生物識別感測器數據，而是利用「透過經過驗證的方法，從底層感測器計算出的27個可解釋的HealthKit數量」。這些指標包括運動時間、站立時間、血氧、心率測量等。研究人員解釋：「與原始感測器數據建模相比，這些衍生指標是由專家根據其與有意義的生理健康狀態的對應關係而選擇的。」WBM利用從原始感測器數據中提取的模式來預測一個人的健康狀態，研究表明這比依賴感測器數據流的傳統檢測方法表現更優。

混合模型潛力大 WBM結合PPG預測

該研究論文指出，WBM在57項健康相關任務中進行了測試，在大多數情況下，其表現優於傳統的 PPG（光體積變化描記圖，photoplethysmograph）模型。具體而言，WBM在預測靜態健康狀態（如乙型阻斷劑使用）方面優於PPG，因為它能更可靠地檢測白天心率的降低。它在預測暫時性健康狀態（如懷孕）方面也優於PPG，儘管在預測糖尿病方面未能超越 PPG。研究表明：「在生理資訊充足的任務中，低階感測器數據的表現優於行為數據。」

這也是研究人員探索PPG+WBM混合模型的原因，該模型顯著提高了預測性能。WBM檢測從原始感測器數據中導出的行為模式，其中可能包含有關個人健康的重要資訊。而PPG則可以識別即時的生理變化。兩者相輔相成，尤其是在單純的生理資訊不足以判斷，且行為是有效預測因子時。

研究總結顯示，在大多數任務中，結合WBM和PPG模型的嵌入產生了最準確的模型，這種組合在所有考慮的模型中實現了最佳的年齡預測性能，明顯優於單獨使用任一模型。這種混合方法對於懷孕檢測特別有用，因為確定這種暫時性健康狀態需要兩種數據。總體而言，在研究人員測試的47項結果中，混合模型在其中42項中表現最佳。

報導指出，這項研究的實用意義在於，蘋果未來可能採用這種混合方法，在其現有的健康相關技術基礎上進行發展。換句話說，在現有的Apple Watch PPG或ECG（心電圖）感測器旁，導入類似WBM的模型。蘋果多年來對健康相關功能的關注始終如一，這意味著消費者可以期待未來有更多相關的改進。