Новое исследование при поддержке Apple утверждает, что данные о поведении могут быть более информативными для здоровья, чем традиционные биометрические показатели Новое исследование, поддержанное Apple, доказывает, что данные о поведении человека зачастую могут быть более точным индикатором здоровья, чем традиционные биометрические измерения, такие как частота сердечных сокращений или уровень кислорода в крови.

Чтобы подтвердить это, исследователи разработали базовую модель, обученную на поведенческих данных с носимых устройств, и она показала удивительно высокую эффективность.

Вот подробности.

Модель WBM: поведение вместо сырых данных Препринт статьи «Beyond Sensor Data: Foundation Models of Behavioral Data from Wearables Improve Health Predictions» стал результатом Apple Heart and Movement Study.

Ученые обучили новую базовую модель на более чем 2,5 миллиардах часов данных с носимых устройств, доказав, что она может конкурировать с существующими моделями, построенными на низкоуровневых сенсорных данных.

Новую модель назвали WBM (Wearable Behavior Model).

В отличие от предыдущих моделей, ориентированных на здоровье и основанных на сырых сенсорных данных (например, показаниях датчика пульса Apple Watch или электрокардиографа), WBM обучается непосредственно на более высокоуровневых поведенческих метриках: количестве шагов, стабильности походки, мобильности, VO₂ max и других.

Все эти показатели Apple Watch собирает в изобилии.

Почему поведенческие данные лучше?

Хороший вопрос.

Ответ — в исследовании: > Хотя Apple Watch собирают сырые сенсорные данные, они могут быть зашумленными, избыточными и не всегда коррелируют со значимыми изменениями в здоровье.

Метрики, используемые WBM, основаны на этих сенсорных данных, но они обработаны так, чтобы выделять реальные поведенческие паттерны и значимые для здоровья тренды.

Они стабильнее, проще для интерпретации и лучше подходят для моделирования долгосрочных изменений здоровья.

Фактически, WBM учится на паттернах в обработанных поведенческих данных, а не напрямую на сырых сигналах с датчиков.

Как обучали WBM?

Модель обучали на данных Apple Watch и iPhone от 161 855 участников исследования AHMS.

Вместо сырых потоков данных модель получала 27 интерпретируемых поведенческих метрик, включая активную энергию, скорость ходьбы, вариабельность сердечного ритма, частоту дыхания и продолжительность сна.

Данные разбивались на недельные блоки и обрабатывались с помощью новой архитектуры на основе Mamba-2, которая показала себя лучше традиционных трансформеров для этой задачи.

Результаты: WBM превзошел модели на основе PPG При оценке на 57 задачах, связанных со здоровьем, WBM превзошел сильную модель на основе фотоплетизмографии (PPG) в 18 из 47 статических задач и во всех, кроме одной, динамических задачах.

Единственным исключением стал диабет, где PPG показала лучший результат.

Но самое интересное: комбинация WBM и PPG дала наивысшую точность.

Гибридная модель достигла 92% точности в определении беременности, а также показала стабильное улучшение в задачах, связанных с качеством сна, инфекциями, травмами и сердечно-сосудистыми заболеваниями (например, обнаружением фибрилляции предсердий).

Вывод: не замена, а дополнение Исследование не ставит целью заменить сенсорные данные моделью WBM, а скорее дополнить** их. WBM лучше фиксирует долгосрочные поведенческие изменения, а PPG — краткосрочные физиологические колебания.

Но вместе они эффективнее выявляют значимые изменения здоровья на ранних стадиях.