苹果AI健康模型升级，识别准确率超92%

大家好，我们又见面了啊~本文《苹果AI模型再升级，健康识别准确率超92%》的内容中将会涉及到等等。如果你正在学习科技周边相关知识，欢迎关注我，以后会给大家带来更多科技周边相关文章，希望我们能一起进步！下面就开始本文的正式内容~

7 月 11 日消息，苹果联合美国心脏协会及哈佛医学院下属的布莱根妇女医院开展的一项新研究发现，用户的行为数据（如活动量、睡眠质量、运动情况等）或许比传统生理指标（如心率、血氧水平）更能反映健康状态。

为验证这一假设，研究人员利用超过 25 亿小时的可穿戴设备数据训练出一种新型底层模型——WBM（可穿戴行为模型），结果显示其性能明显优于现有方法。

研究表明，WBM 的表现可与甚至优于基于原始传感器数据的传统模型。不同于以往依赖光电容积描记（PPG）或心电图（ECG）等原始信号的健康监测模型，WBM 直接学习更高层次的行为参数，包括步数、步态稳定性、活动能力以及最大摄氧量（VO₂ max），这些数据由 Apple Watch 持续采集并处理生成。

通过将 WBM 与 PPG 数据结合使用，研究团队在多个健康检测任务中实现了更优预测效果。例如，在妊娠识别方面，混合模型准确率达到 92%；同时在睡眠质量评估、感染识别、损伤判断及心房颤动检测等心血管相关任务上也表现出持续提升。

虽然 WBM 所使用的指标源自传感器信息，但经过提炼后的数据更能体现真实行为模式和健康趋势，具备更高的稳定性、可解释性，以及长期建模适用性。

检索发现，该研究的预印本已于 6 月 30 日发布于 arxiv 平台，标题为《超越传感器数据：穿戴设备行为数据的底层模型提升健康预测能力》，出自苹果心脏与运动研究项目（AHMS）。

消费级可穿戴设备（如智能手表和健身追踪器）提供了涵盖多种健康领域的丰富信息……健康监测的核心在于识别静态健康状况（如吸烟史、高血压病史、β 受体阻滞剂使用情况）和动态健康状况（如睡眠质量、当前妊娠状态）。这类预测需要以人类行为的时间尺度（日 / 周）为基础，而非原始传感器数据所代表的秒级时间尺度。

尽管此前的研究大多集中在原始传感器数据的建模上，但可穿戴设备中的高阶行为数据（如体力活动、心血管健康状况、活动能力指标）才是更适合用于此类健康状态检测的天然数据类型。与原始传感器不同，这些高阶行为指标是通过严格验证的算法处理生成，并由专家挑选以匹配特定生理量和健康状态。更重要的是，这些数据反映的是个体的行为模式，而不仅仅是生理信号。行为数据在健康检测中展现出巨大潜力——例如，表征步态和整体活动水平的指标可能对识别妊娠等动态健康状态具有重要意义。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于科技周边的相关知识，也可关注golang学习网公众号。