یک مطالعه جدید که با حمایت اپل انجام شده، نشان می‌دهد داده‌های رفتاری شما (مانند حرکت، خواب، ورزش و غیره) می‌توانند گویاتر از معیارهای زیستی سنتی مانند ضربان قلب یا سطح اکسیژن خون باشند. برای اثبات این موضوع، پژوهشگران یک مدل پایه طراحی کردند که بر پایه داده‌های رفتاری گردآوری‌شده از دستگاه‌های پوشیدنی آموزش دیده است و نتایج قابل‌توجهی ارائه داده. در ادامه می‌بینیم که چطور مدل هوش مصنوعی جدید اپل واچ می‌تواند بیماری های پنهان را آشکار کند.
این مقاله پیش‌چاپ با عنوان «فراتر از داده‌های حسگری: مدل‌های پایه‌ی داده‌های رفتاری پوشیدنی‌ها پیش‌بینی سلامت را بهبود می‌دهند» حاصل مطالعه Apple Heart and Movement Study (AHMS) است. در این تحقیق، یک مدل پایه جدید با استفاده از بیش از 2.5 میلیارد ساعت داده از دستگاه‌های پوشیدنی آموزش داده شده و نشان داده می‌تواند هم‌سطح و حتی بهتر از مدل‌هایی عمل کند که بر مبنای داده‌های خام حسگر طراحی شده‌اند.
این مدل جدید را WBM می‌نامند که مخفف مدل رفتاری پوشیدنی (Wearable Behavior Model) است. برخلاف مدل‌های پیشین که بیشتر بر داده‌های خام حسگرهایی مانند حسگر ضربان قلب اپل واچ (PPG یا فتوپلتیسموگرافی) یا الکتروکاردیوگرام (ECG) تکیه داشتند، مدل WBM مستقیماً از شاخص‌های رفتاری سطح بالا مانند شمارش گام‌ها، پایداری گام‌برداری، تحرک، VO₂ max و دیگر موارد مشابه یاد می‌گیرد و تمام این داده‌ها توسط اپل واچ ثبت می‌شوند.
اما وقتی اپل واچ همین حسگرها را دارد، مدل جدید چه ضرورتی دارد؟
سؤال خوبی است. پاسخ این سؤال در متن مطالعه آمده: پوشیدنی‌های مصرفی مانند ساعت‌های هوشمند و ردیاب‌های تناسب‌اندام اطلاعاتی غنی در زمینه‌های مختلف سلامت ارائه می‌دهند (…). یکی از جنبه‌های مهم پایش سلامت، تشخیص وضعیت‌های ایستای سلامتی است، مانند سابقه مصرف سیگار، تشخیص قبلی فشار خون بالا یا مصرف بتابلوکر. مشکل مهم دیگر، تشخیص وضعیت‌های موقتی سلامت است، مثل کیفیت خواب یا وضعیت بارداری. نکته کلیدی این است که داده‌های موردنیاز برای چنین پیش‌بینی‌هایی معمولاً در بازه‌های زمانی مربوط به رفتار انسانی (مثلاً روزها یا هفته‌ها) به‌دست می‌آیند، نه در مقیاس‌های زمانی پایین‌تر (مثل ثانیه‌ها) که داده‌های خام حسگرها جمع‌آوری می‌شوند.
با اینکه بیشتر تحقیقات گذشته بر مدل‌سازی داده‌های خام حسگر یا ویژگی‌های ساده آن متمرکز بودند، اطلاعات رفتاری سطح بالا مثل فعالیت فیزیکی، تناسب اندام قلبی‌عروقی و معیارهای تحرک، نوع طبیعی و مناسب‌تری از داده هستند برای حل این نوع مسائل تشخیص. برخلاف داده‌های خام حسگر، این معیارهای رفتاری سطح بالا با الگوریتم‌هایی که از داده‌های خام استخراج و با دقت اعتبارسنجی شده‌اند، محاسبه می‌شوند. این معیارها به‌طور هدفمند و با نظر متخصصان انتخاب می‌شوند تا با شاخص‌های فیزیولوژیکی و وضعیت‌های سلامت هم‌راستا باشند. مهم‌تر از آن، این داده‌ها به رفتار فرد حساس هستند، نه صرفاً فیزیولوژی بدن. این ویژگی‌ها باعث می‌شوند داده‌های رفتاری برای تشخیص وضعیت‌های سلامت، بسیار نویدبخش باشند. برای نمونه، معیارهای تحرک که به توصیف نحوه‌ی راه رفتن و سطح کلی فعالیت فرد می‌پردازند، می‌توانند نقشی کلیدی در تشخیص تغییرات وضعیت سلامتی، مانند بارداری داشته باشند.
به بیان دیگر، هرچند اپل واچ داده‌های حسگر خام را جمع‌آوری می‌کند، این دیتا ممکن است پراکنده و همراه با نویز بوده و همسو با رخدادهای واقعی سلامت نباشند.
مدل WBM از همین داده‌های حسگر استفاده می‌کند، اما آنها را پالایش کرده تا الگوهای رفتاری واقعی و روندهای مرتبط با سلامت را برجسته نماید. این داده‌ها پایدارتر، قابل‌تفسیرتر و برای مدل‌سازی روندهای بلندمدت سلامتی مناسب‌تر هستند.
در عمل، مدل WBM از الگوهای موجود در داده‌های رفتاری پردازش‌شده یاد می‌گیرد، نه از سیگنال‌های خام حسگر.
بخش تخصصی ماجرا
مدل WBM با داده‌های اپل واچ و آیفون مربوط به 161855 شرکت‌کننده از AHMS آموزش داده شد. به‌جای داده‌های خام، مدل با 27 معیار رفتاری قابل‌فهم برای انسان تغذیه شد؛ از جمله انرژی فعال، سرعت راه‌رفتن، تنوع ضربان قلب، نرخ تنفس و مدت زمان خواب.
داده‌ها به بخش‌های هفتگی تقسیم شده و از طریق معماری جدیدی مبتنی بر Mamba-2 پردازش شدند؛ معماری که برای این کاربرد خاص از ترنسفورمرهای سنتی (مثل GPT) عملکرد بهتری دارد.
در ارزیابی انجام‌شده روی 57 وظیفه مرتبط با سلامت، مدل WBM در 18 مورد از 47 وظیفه ایستا (مانند مصرف بتابلوکر) عملکردی بهتر از مدل مبتنی بر PPG داشت و در همه وظایف دینامیک (مانند تشخیص بارداری، کیفیت خواب یا عفونت تنفسی) جز یک مورد، بهتر عمل کرد. تنها استثنا دیابت بود که در آن مدل مبتنی بر PPG بهتر ظاهر شد.
جالب‌تر آنکه ترکیب خروجی‌های هر دو مدل WBM و PPG بهترین نتیجه را به همراه داشت. مدل ترکیبی هوش مصنوعی اپل واچ در تشخیص بارداری به دقت چشمگیر 92 درصد رسید و در تشخیص کیفیت خواب، عفونت، جراحت و بیماریهای قلبی مانند فیبریلاسیون دهلیزی (Afib) نیز پیشرفت‌های قابل‌توجهی داشت.
در نهایت، این مطالعه قصد ندارد داده‌های حسگری را با مدل WBM جایگزین کند، بلکه هدف، تکمیل آن است. مدل‌هایی مانند WBM الگوهای رفتاری بلندمدت را ثبت می‌کنند، در حالی که PPG تغییرات فیزیولوژیکی کوتاه‌مدت را می‌گیرد. آنها در کنار هم عملکرد بسیار بهتری برای تشخیص زودهنگام تغییرات معنادار سلامت دارند.
توسط 
توسط 
دیدگاهتان را بنویسید