AI 与机器学习2025arxiv.org
超越传感器数据：可穿戴设备行为数据的基础模型
Beyond sensor data: Foundation models of behavioral data from wearables
进阶 · 约 60 分钟读完前置知识：可穿戴传感器基础、时间序列建模、基础模型概念
导读
这篇论文（Apple 出品）提出不只直接用原始传感器数据（PPG、加速度计）训练可穿戴基础模型，而是先从中提取 HRV、静息心率等「行为生物标志物」时间序列，再在这一更高抽象层上建模。作者报告在糖尿病（83%）、心衰（90%）、睡眠呼吸暂停（85%）等多种疾病检测上取得较高准确率。
HN 关注点：HN 读者既惊讶于 Apple 用可穿戴行为数据做疾病筛查的野心，也质疑其相对人口学基线提升有限、且不开源权重与数据。
HN 评论精选
这几条评论里：质疑 2 补充 1 亲历 1
亲历核心创新是从原始传感器数据上升到行为生物标志物层，并给出多种疾病的检测准确率。
我在 2018 年参与过最早的一批可穿戴基础模型。这篇 2025 年 Apple 论文的创新点在于把抽象层级抬高：不再训练原始传感器数据（PPG、加速度计），而是训练由这些数据推导出的行为生物标志物时间序列（如 HRV、静息心率等）。他们发现对多种疾病的检测准确率很高：糖尿病 83%、心衰 90%、睡眠呼吸暂停 85% 等。
brandonb查看英文原文
I worked on one of the first wearable foundation models in 2018. The innovation of this 2025 paper from Apple is moving up to a higher level of abstraction: instead of training on raw sensor data (PPG, accelerometer), it trains on a timeseries of behavioral biomarkers derived from that data (e.g., HRV, resting heart rate, and so on.). They find high accuracy in detecting many conditions: diabetes (83%), heart failure (90%), sleep apnea (85%), etc.
质疑缺少开放权重与数据，且二次开发会触及临床研究合规门槛。
我很喜欢这个方向，我在医疗科技领域开发，但最大的问题是既没有开放权重，也没有开放数据。你可以导出自己的 Apple XML 数据来处理，但如果你想做一个应用、向用户索取 Apple XML 数据，那基本就进入临床研究范畴了，要满足数据安全政策和去标识化要求。
vibecodermcswag查看英文原文
i love this because I build in medtech, but the big problem is no open weights, nor open data. you can export your own apple XML data for usage and processing, but if you want to create an application and request apple XML data from users, that likely crosses into clinical research territory with data security policy requirements and de-identification needs.
质疑在多数疾病上模型甚至不如人口学基线，提升幅度令人失望。
还有别人觉得绝大多数情况下的结果差得令人意外吗？那个能同时访问传感器数据和行为生物标志物的基础模型，在大约十个领域里其实还不如只用非特异性人口学数据的基线预测器。即使模型更好时，也只是略好一点。我本以为有这么丰富的数据会有戏剧性得多的提升。
LPisGood查看英文原文
Is anyone else surprised by how poorly performing the results are for the vast majority of cases? The foundation model which had access to sensor data and behavioral biomarkers actually _underperformed_ the baseline predictor that just uses nonspecific demographic data in almost 10 areas. In fact, even when the wearable foundation model was better, it was only marginally better. I was expecting much more dramatic improvements with such rich data available.
补充有读者手握多年个人健康数据，想寻求纵向分析的 Python/R 工具建议。
感谢分享，看起来很有前景……我有大约 3–3.5 年的 Apple Health + Fitness 数据（来自 Apple Watch），包括每日步行、锻炼、跑步、HIIT、体重/BMI 等，疫情期间开始认真记录。导出的 Fitness 数据约 3.5GB。我想做纵向分析，先为自己看看某些指标如何演变。有人做过类似的事吗？比如用 R 或 Python？很想动手试试，欢迎任何指点！
aanet查看英文原文
Thanks for posting this. This looks promising... I have about 3-3.5 years worth of Apple Health + Fitness data (via my Apple Watch) encompassing daily walks / workouts / runs / HIIT / weight + BMI / etc. I started collecting this religiously during pandemic. The exported Fitness data is ~3.5GB I'm looking to do some longitudinal analysis - for my own purposes first, to see how certain indicators have evolved. Has anyone done something similar? Perhaps in R, Python? Would love to do some tinkering. Any pointers appreciated! Thanks!!
历次讨论
- 2025Hacker News 讨论帖230 分 · 54 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选