Apple phát triển mô hình AI theo dõi sức khỏe người dùng với độ chính xác cao

8 giờ trướcBài gốc

Nghiên cứu có tên “Vượt ra ngoài dữ liệu cảm biến: Các mô hình nền tảng sử dụng dữ liệu hành vi từ thiết bị đeo tay giúp cải thiện khả năng dự đoán sức khỏe” là kết quả từ chương trình “Nghiên cứu về Tim mạch và Vận động của Apple” (Apple Heart and Movement Study - AHMS). Các nhà khoa học đã phát triển một mô hình nền tảng mới, được huấn luyện trên hơn 2,5 tỷ giờ dữ liệu từ thiết bị đeo tay. Kết quả cho thấy mô hình này không chỉ bắt kịp mà còn có thể vượt trội so với những mô hình dựa trên dữ liệu cảm biến thô truyền thống.

Mô hình mới có tên gọi WBM (viết tắt của Wearable Behavior Model - mô hình hành vi từ thiết bị đeo), được xây dựng dựa trên dữ liệu hành vi cấp cao mà người dùng tạo ra trong quá trình sử dụng Apple Watch. Khác với các phương pháp truyền thống vốn dựa vào tín hiệu cảm biến như nhịp tim hay điện tâm đồ, WBM học từ những chỉ số phản ánh hành vi thực tế như số bước đi mỗi ngày, độ ổn định khi di chuyển, khả năng vận động, chỉ số VO₂ max…

Cảm biến quang dưới mặt lưng Apple Watch giúp theo dõi nhịp tim và các chỉ số sức khỏe theo thời gian thực. (Ảnh: Apple).

Những dữ liệu này không chỉ đa dạng mà còn có tính ổn định cao, dễ phân tích và đặc biệt phù hợp để mô hình hóa các xu hướng sức khỏe trong thời gian dài. Đây cũng chính là yếu tố giúp WBM trở thành một công cụ tiềm năng trong việc phát hiện sớm các vấn đề sức khỏe và theo dõi tình trạng cơ thể một cách toàn diện hơn.

Một trong những điểm nổi bật của WBM là cách tiếp cận khác biệt trong việc xử lý dữ liệu. Thay vì sử dụng trực tiếp các dòng tín hiệu cảm biến thô, vốn có thể nhiễu và khó phân tích, mô hình này học từ các chỉ số đã được xử lý và tinh chỉnh.

Đây là những dữ liệu phản ánh rõ nét hơn các hành vi trong đời sống hằng ngày cũng như những thay đổi có liên quan đến sức khỏe. Chính nhờ nền tảng dữ liệu ổn định và dễ diễn giải này, WBM có khả năng phát hiện sớm các xu hướng bất thường mà các tín hiệu riêng lẻ thường không nhận ra.

Để phát triển mô hình, nhóm nghiên cứu đã sử dụng dữ liệu từ hơn 161.000 người tham gia, được thu thập thông qua Apple Watch và iPhone. Tổng cộng có 27 chỉ số hành vi được đưa vào hệ thống huấn luyện, bao gồm các yếu tố như mức năng lượng tiêu hao, tốc độ đi bộ, độ biến thiên nhịp tim, nhịp thở và thời lượng giấc ngủ.

Dữ liệu được chia theo từng tuần để phân tích, sau đó được xử lý bằng kiến trúc Mamba-2 - một nền tảng trí tuệ nhân tạo thế hệ mới, được đánh giá là hiệu quả hơn so với các mô hình học sâu truyền thống trong việc xử lý dữ liệu chuỗi thời gian.

Cách mô hình WBM xử lý dữ liệu hành vi người dùng theo thời gian với kiến trúc AI Mamba-2. (Ảnh: AHMS).

WBM đã được thử nghiệm trên 57 nhiệm vụ khác nhau liên quan đến sức khỏe, bao gồm cả các bài toán dự đoán tĩnh và dự đoán theo thời gian thực. Trong số 47 nhiệm vụ thuộc nhóm dự đoán tĩnh, mô hình cho thấy hiệu quả vượt trội ở 18 trường hợp.

Đáng chú ý hơn, đối với các nhiệm vụ dự đoán theo thời gian, vốn đòi hỏi khả năng nhận diện những thay đổi liên tục trong hành vi hoặc thể trạng người dùng, WBM chỉ kém hiệu quả trong một tình huống duy nhất. Đó là nhiệm vụ phát hiện bệnh tiểu đường, khi mô hình sử dụng dữ liệu cảm biến PPG (cảm biến quang đo thể tích máu) vẫn cho kết quả tốt hơn.

Hiệu quả dự đoán bệnh của các mô hình. (Ảnh: AMHS).

Điểm đáng chú ý là khi kết hợp cả hai nguồn dữ liệu, bao gồm hành vi và cảm biến, mô hình lai đã mang lại kết quả tốt nhất. Cụ thể, khả năng phát hiện thai kỳ đạt tới 92% độ chính xác, đồng thời mang lại kết quả ấn tượng ở các tác vụ khác như dự đoán chất lượng giấc ngủ, nguy cơ nhiễm trùng, chấn thương hay các vấn đề tim mạch như rung nhĩ.

Nghiên cứu cũng khẳng định rằng mục tiêu không phải là loại bỏ hoàn toàn vai trò của các cảm biến sinh học, mà là mở rộng cách tiếp cận bằng cách kết hợp thêm dữ liệu hành vi. Trong khi các cảm biến như PPG có khả năng phát hiện nhanh những thay đổi sinh lý diễn ra trong thời gian ngắn, mô hình như WBM lại phát huy hiệu quả trong việc nhận diện các xu hướng sức khỏe diễn biến theo chiều dài thời gian. Khi được sử dụng kết hợp, hai phương pháp này có thể bổ trợ lẫn nhau, tạo thành một hệ thống theo dõi sức khỏe toàn diện và tin cậy hơn cho người dùng.

Khánh Linh

Nguồn Xây Dựng : https://baoxaydung.vn/apple-phat-trien-mo-hinh-ai-theo-doi-suc-khoe-nguoi-dung-voi-do-chinh-xac-cao-192250711113037243.htm