最新科学研究表明，来自Apple Watch的行为信息（如身体活动、心血管适能和移动指标）比原始传感器数据更能有效判断人体健康状态。
多年来，苹果公司与医学研究者合作开展了从月经周期到匹克球运动，从听力损失到睡眠追踪等各类研究。这家iPhone制造商还通过Apple Watch参与了为期多年的”心脏与运动研究”，调查马拉松运动员的训练和心肺锻炼情况。
这项研究是促进健康运动、改善心血管健康大型计划的一部分。最新发表的苹果资助研究报告基于”心脏与运动研究”数据，揭示了行为数据相比硬件传感器获取的传统生物特征数据往往能成为更重要的健康指标。
题为《超越传感器数据：可穿戴设备行为数据的基础模型提升健康预测》的研究指出，身体活动、心血管适能和移动指标特别有助于检测暂时性和持久性健康状态。
持久性健康状态包括吸烟状况、高血压或β受体阻滞剂使用等信息，而怀孕则属于暂时性状态。传感器数据通常在更小时间尺度（秒级）采集，而暂时性健康状态可能持续数月。
可穿戴健康行为基础模型（WBM）
基于这些发现，研究人员创建了WBM模型。该模型训练使用了”来自16.2万名参与者的150亿小时Apple心脏与运动研究行为数据”。
WBM不直接处理原始生物传感器数据，而是采用”通过验证方法从底层传感器计算的27项可解释HealthKit指标”，包括运动时长、站立时间、血氧、心率测量值等。
研究人员解释：”相比原始传感器数据建模，这些衍生指标由专家选定，因其能反映有意义的生理健康状态。”简言之，WBM利用原始传感器数据衍生的模式预测健康状态，研究显示其表现优于依赖传感器数据流的传统检测方法。
“该模型在睡眠预测等行为驱动任务中表现优异，与原始传感器数据表征结合时效果更佳。”论文指出WBM在57项健康相关测试中表现突出，多数情况下超越传统PPG（光电体积描记）模型。
具体而言，WBM在预测β受体阻滞剂使用等持久状态时优于PPG，能更可靠检测日间心率降低。预测怀孕等暂时状态时也表现更好，但在糖尿病预测上不及PPG。研究称：”当生理信息足够时，底层传感器数据优于行为数据。”
混合PPG+WBM模型的价值与应用场景
因此研究人员开发了PPG+WBM混合模型，显著提升预测性能。WBM检测源自原始传感器数据的行为模式，包含个体健康重要信息；PPG则识别即时生理变化。二者互补，但仅适用于生理信息不足且行为成为有效预测指标时。
研究显示：”在多数任务中，WBM与PPG模型嵌入组合产生最精确结果。该组合在所有模型中实现最佳年龄预测性能，明显优于单独使用任一模型。”
混合方法对怀孕检测特别有效，因判断这种暂时状态需要两类数据。总体而言，在研究人员测试的47项结果中有42项表现最佳。
就实际应用而言，苹果可采用此类混合方法来增强现有健康技术，即在现有Apple Watch的PPG或ECG（心电图）传感器基础上加入WBM类模型。该公司对健康功能的持续关注预示着未来将有更多改进。
