近期，一项由苹果公司与美国心脏协会及哈佛医学院附属布莱根妇女医院携手进行的研究揭示了健康监测的新视角。研究表明，用户的日常行为数据，涵盖活动量、睡眠习惯及运动模式等，或许比传统生物指标如心率和血氧水平更能全面反映个体的健康状况。
为了验证这一观点，科研人员利用从穿戴设备上收集的超25亿小时数据，开发了一种名为WBM（穿戴设备行为模型）的新型底层模型。经过严格测试，WBM的表现超越了当前基于原始传感器数据的健康模型。
WBM的创新之处在于，它不再仅仅依赖于心率传感器（PPG）或心电图（ECG）等原始数据，而是直接学习并分析更高层次的行为指标，如步数、步态稳定性、活动能力和最大摄氧量（VO₂ max）等，这些数据由Apple Watch持续监测并记录。
研究团队进一步结合了WBM与PPG数据，取得了更为精准的健康预测结果。例如，在妊娠检测方面，混合模型的准确率高达92%，同时在睡眠质量、感染、损伤及心房颤动等心血管相关疾病的检测上也有了显著提升。
值得注意的是，WBM所使用的行为指标虽然源于穿戴设备传感器，但经过算法提炼后，能够更真实地反映个体的行为模式与健康趋势。相较于原始传感器数据，这些指标具有更高的稳定性、可解释性和长期建模适配性。
据悉，这项研究的预印论文已于6月底在arxiv平台上发布，题为《超越传感器数据：穿戴设备行为数据的底层模型在健康预测中的优势》，该研究隶属于苹果的心脏与运动研究项目（AHMS）。
消费级穿戴设备，如智能手表和健身追踪器，正成为健康监测领域的重要工具。它们不仅能够提供丰富的健康信息，还能帮助识别静态健康状态，如吸烟史、高血压病史和药物使用情况，以及动态健康状态，如睡眠质量和当前妊娠状态。这些预测基于人类行为的时间尺度（日或周），而非原始传感器数据的秒级记录。
尽管以往的研究多集中于原始传感器数据的建模，但穿戴设备所记录的高阶行为信息，如体力活动、心血管健康状况和活动能力指标，被证明在健康检测任务中更具潜力。这些数据通过严格验证的算法生成，由专家精心挑选，以匹配生理相关量与健康状态。更重要的是，它们反映了个体的行为模式，而非单纯的生理信号，从而在健康监测中展现出巨大价值。
