详细内容或原文请订阅后点击阅览
超越传感器数据：可穿戴设备的行为数据的基础模型改善了健康预测
可穿戴设备记录可以改善健康预测的生理和行为信号。尽管基础模型越来越多地用于此类预测，但由于行为数据与生理相关的时间表和数量的一致性，尽管行为数据往往更具信息性，但它们主要应用于低级传感器数据。我们使用来自162K个人的2.5B小时可穿戴数据，系统地优化体系结构和该独特数据集的令牌化策略，开发了此类行为信号的基础模型。对57个健康相关的评估…
来源:Apple机器学习研究可穿戴设备记录可以改善健康预测的生理和行为信号。尽管基础模型越来越多地用于此类预测，但由于行为数据与生理相关的时间表和数量的一致性，尽管行为数据往往更具信息性，但它们主要应用于低级传感器数据。我们使用来自162K个人的2.5B小时可穿戴数据，系统地优化体系结构和该独特数据集的令牌化策略，开发了此类行为信号的基础模型。在57项与健康相关的任务中进行了评估，我们的模型显示了各种现实世界应用程序的良好性能，包括个人级分类和随时间变化的健康状况预测。该模型在行为驱动的任务（例如睡眠预测）中擅长，并与原始传感器数据的表示相结合时会进一步改进。这些结果强调了调整基础模型设计以可穿戴设备的重要性，并证明了实现新的健康应用的潜力。
- *同等贡献†在Apple•南加州大学完成的工作