IT之家12月3日消息如何选择股票技巧，苹果的一项新研究揭示了该公司如何借助人工智能（AI）技术，进一步挖掘心血管健康方面的深层见解。
在watchOS26系统中，苹果为其AppleWatch引入了“高血压提醒”功能。据该公司解释：
AppleWatch的高血压提醒功能利用光学心率传感器的数据，分析用户血管对心跳的反应情况。该算法在后台被动运行，持续回顾30天内的数据，若检测到持续性的高血压迹象，便会向用户发出通知。
尽管这一功能远非医疗级诊断工具，苹果也明确表示：“高血压提醒无法检测所有高血压病例”，但公司预计，该功能在推出首年内有望提醒超过100万名尚未确诊的高血压患者。
值得注意的是，该功能并非基于瞬时测量，而是依托于长达30天的数据趋势分析。这意味着其算法关注的是长期变化趋势，而非提供实时血流动力学读数或估算具体的心血管参数。
而这正是这项新研究的切入点。需要首先明确一点：在这项研究中，AppleWatch从未被提及，文中也未对任何即将推出的产品或功能作出承诺。与苹果机器学习研究博客发布的大多数（甚至全部）论文一样，本研究聚焦于基础性科研及底层技术本身。
据IT之家了解，这篇题为《用于无创心血管参数监测的光电容积描记法混合建模》（HybridModelingofPhotoplethysmographyforNon-InvasiveMonitoringofCardiovascularParameters）的论文提出了一种“混合方法”，即“结合血流动力学仿真与未标注的临床数据，直接从PPG信号中估算心血管生物标志物”。
简言之，研究人员证明：仅凭一个简单的指端脉搏传感器（即光电容积描记仪，Photoplethysmograph，简称PPG）——这正是AppleWatch所采用的光学传感技术（尽管信号特征有所不同），即可估算出更深层次的心脏指标。
具体而言，苹果研究人员首先获取了一个大规模的、带有标签的模拟动脉压波形（ArterialPressureWaveforms,APW）数据集，以及另一个包含同步采集的真实世界APW与PPG信号的数据集。
随后，他们训练了一个生成式模型，使其学会将PPG信号映射到同时发生的APW上。通过这一过程，他们得以从PPG测量中以足够精度推断出APW数据。
接着，他们将这些推断出的APW输入第二个模型。该模型经过训练，可从APW中进一步推导出如每搏输出量（strokevolume）和心输出量（cardiacoutput）等心脏生物标志物。
第二模型的训练依赖于模拟的APW数据，并配以已知的心血管参数值（包括每搏输出量、心输出量等）。
最终，研究人员为每个PPG片段生成多个合理的APW波形，分别推断对应的心血管参数，并对结果取平均值，从而得出最终估计值及其不确定性度量。
在完成整个训练流程与模型构建后，研究团队选取了一个全新的数据集进行验证，该数据集包含128名接受非心脏手术患者的APW与PPG信号，并附有相应的心血管生物标志物标签。
将该数据输入模型后，结果显示：该方法能够准确追踪每搏输出量和心输出量的变化趋势，尽管尚无法精确预测其绝对数值。即便如此，其表现仍优于传统技术，表明借助AI辅助建模，可以从简单的光学传感器中提取出更具临床意义的心脏健康信息。
研究人员在论文中总结道：
“本研究采用一种混合建模方法，从体内PPG信号中推断心血管参数。相较于因标注数据有限而受限的纯数据驱动方法，我们的方法通过引入仿真数据，规避了侵入性且昂贵的标注需求，取得了颇具前景的结果。现有其他心血管混合建模方法，或是在神经网络结构中嵌入物理约束，或是将传统生理模型与数据驱动组件结合；而我们的方法则通过模拟贝叶斯推断（SBI）将物理知识融入模型。（……）我们的成果有助于阐明PPG信号在预测心脏生物标志物方面的信息潜力，且其应用范围可能超出本实验所涵盖的指标。尽管我们在监测时间趋势方面取得积极进展，但复杂生物标志物的绝对值预测仍具挑战性，这也是未来研究的关键方向。后续工作还可探索PPG到APW映射的其他生成式方法，或尝试不同的模型架构。此外，本研究中针对指端PPG所采用的学习策略，亦可拓展至其他模态，包括可穿戴PPG设备，从而为实现被动、长期的心脏生物标志物监测打开大门。”
虽然目前尚无法确定苹果是否会将这些技术整合进未来的AppleWatch产品中，但令人鼓舞的是，该公司研究人员正积极探索创新方法，力求从现有传感器中提取更具价值、甚至可能挽救生命的心血管健康数据。
该研究全文已发布于arXiv预印本平台如何选择股票技巧。
众和策略提示：文章来自网络，不代表本站观点。
