Apple Machine Learning Research
·
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
💡
原文英文，约200词，阅读约需1分钟。
📝
内容提要
可穿戴设备记录生理和行为信号，有助于改善健康预测。我们利用超过25亿小时的可穿戴数据，开发了行为信号基础模型，该模型在57个健康相关任务中表现优异，尤其在睡眠预测等行为驱动任务中，结合原始传感器数据后效果更佳。这表明基础模型设计需针对可穿戴设备，以推动新健康应用的发展。
🎯
关键要点
-
可穿戴设备记录生理和行为信号，有助于改善健康预测。
-
基础模型主要应用于低级传感器数据，但行为数据通常更具信息量。
-
我们利用超过25亿小时的可穿戴数据开发了行为信号基础模型。
-
该模型在57个健康相关任务中表现优异，尤其在个体分类和时间变化健康状态预测方面。
-
模型在行为驱动任务（如睡眠预测）中表现突出，结合原始传感器数据后效果更佳。
-
这些结果强调了基础模型设计需针对可穿戴设备，以推动新健康应用的发展。
❓
延伸问答
可穿戴设备如何改善健康预测？
可穿戴设备记录生理和行为信号，这些数据有助于提高健康预测的准确性。
行为信号基础模型的开发基于什么数据？
该模型基于超过25亿小时的可穿戴数据开发，涉及162K个个体。
该模型在健康相关任务中的表现如何？
模型在57个健康相关任务中表现优异，尤其在个体分类和时间变化健康状态预测方面。
行为驱动任务中，模型的表现如何？
模型在行为驱动任务如睡眠预测中表现突出，结合原始传感器数据后效果更佳。
基础模型设计需要考虑哪些因素？
基础模型设计需针对可穿戴设备，以推动新健康应用的发展。
行为数据相比传感器数据有什么优势？
行为数据通常更具信息量，因为它们与生理相关的时间尺度和数量更一致。
➡️
