Förändrade Apple bara hur vi använder smartur?

I en studie som publicerades i slutet av juni introducerade forskare en ny strategi för att analysera de data vi genererar varje dag genom våra enheter. Med hjälp av information från mer än 160 000 Apple Watch och iPhone -användare utbildade Apple en AI -modell på en massiv 2,5 miljarder timmar sensordata som samlats in från wearables.

Denna AI kallas den bärbara beteendemodellen, eller WBM för kort, och den fungerar lite annorlunda. Istället för att bara titta på siffror från sensorer, som hjärtfrekvens eller kroppstemperatur, fokuserar WBM på dagliga vanor, som hur mycket en person går, sover och rör sig runt. Dessa mönster kan avslöja mycket om din hälsa, om dig! Till exempel, subtila förändringar i hur någon går eller hur aktiva de är kan vara tidiga tecken på något som graviditet – signaler som kanske inte dyker upp tydligt i sensordata ensam.

WBM testades på 57 olika hälsoprognosuppgifter och levererade starka resultat. Det överträffade en topppresterande hjärtfrekvensbaserad modell (kallad PPG) i 18 av 47 långsiktiga hälsobedömningar, som att identifiera Beta Blocker-användning. Det ledde också vägen i nästan alla kortsiktiga, vecko-för-veckas hälsospårningsuppgifter, såsom att upptäcka graviditet, sömnförändringar eller andningsinfektioner. Den enda uppgiften där PPG -modellen gjorde bättre var att förutsäga diabetes.

Det som verkligen är intressant är vad som hände när båda modellerna användes tillsammans. Genom att kombinera beteendeinsikter från WBM med fysiologiska data från PPG nådde systemet ännu högre noggrannhet.

Jag kommer att använda graviditetsdetektering som ett exempel för att fördjupa lite djupare i studien. Baslinjemodellen, som använde bara medelvärden och enkel statistik, fick 0,804. WBM förbättrades med det med 0,864, och PPG -modellen kom in något högre vid 0,873. Men när båda modellerna kombinerades hoppade poängen till 0,921. Det är ett stort språng, och det visar hur blandning av beteendemässiga trender med sensordata allvarligt kan öka noggrannheten i verkliga hälsoförutsägelser.

Enligt forskarna är målet inte att ersätta sensordata med beteendemodellering utan att förena dem. Det är en smart kombination.

Varför det betyder något

De flesta smartwatches och fitness trackers, som Apple Watch, håller koll på saker som hjärtfrekvens, andning, blod syre och till och med handledstemperatur, allt i realtid. Det är branschstandarden. Men att ha tillgång till all information kan vara överväldigande om du inte riktigt vet vad du ska göra med det. Och upplevelsen är bara lika bra som funktionerna bakom den.

När det gäller att tolka data för att erbjuda funktioner som sjukdomsdetektering förlitar sig företag ofta på sensoravläsningar. Enligt Apples egen forskning kanske det inte berättar hela historien.

Den här nya metoden vänder det. Det kan träffa upp till 92% noggrannhet när det gäller att upptäcka tidiga hälsoproblem, vilket kan göra varningar mycket mer pålitliga. Det är en rörelse mot funktioner som ger dig en head-up på små förändringar i din hälsa-kanske redan innan du känner något.

Det som är fantastiskt är att det inte behöver några extra enheter, bara en Apple Watch och iPhone, som många människor redan använder. Och eftersom stora innovationer som detta vanligtvis hamnar hela branschen, finns det en god chans att fler användare kommer att dra nytta av det längs linjen.

Som sagt, det är fortfarande oklart om detta dubbla modellsystem kommer att byggas in i faktiska funktioner när som helst snart. Men studien gör en sak uppenbar: att kombinera beteendemönster med sensordata leder till bättre resultat. Det är trevligt att se ett företag fokusera på att få saker rätt, istället för att bara jaga den glänsande nya funktionen kommer med.

Slutligen tror jag att Apple kanske gör det lättare att lita på smartwatch -förutsägelser med den här typen av precision. Men även om det implementeras kommer bara tiden att visa sig. Vad tar du?

Via: 9to5Mac
Källa:
Apple Study (ARXIV)