🤖 machine learning

OpenMHC: Accelerating the Science of Wearable Foundation Models

本文介绍了 OpenMHC，这是一个包含来自近 12,000 名参与者的超过 6,000 万小时可穿戴健康数据的全面开放获取数据集，以及基础模型的开源实现和统一的基准测试，旨在使可穿戴健康人工智能的研究民主化并加速其发展。

原作者： Narayan Schuetz, Yuze Bai, Lianggang Pan, Edgar Eggert, Favour Nerrise, Juan Delgado-SanMartin, Max Rosenblattl, Milana Gurbanova, Mohammad Asadi, Anders Johnson, Paul Schmiedmayer, Dennis Wang, Allan

发布于 2026-07-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Narayan Schuetz, Yuze Bai, Lianggang Pan, Edgar Eggert, Favour Nerrise, Juan Delgado-SanMartin, Max Rosenblattl, Milana Gurbanova, Mohammad Asadi, Anders Johnson, Paul Schmiedmayer, Dennis Wang, Allan Lawrie, Daniel Seung Kim, Xin Liu, Akshay Paruchuri, Ehsan Adeli, Euan Ashley, Kelly W. Zhang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的智能手表是一个永不疲倦、从不睡觉的微型侦探。它在每一分钟里都向你的手机低声诉说着秘密：你走了多少步、心跳有多快、睡眠有多深，甚至你征服了多少层楼梯。多年来，科学家们一直想教会计算机倾听这些低语，从而更好地了解我们的健康。他们称这些超级聪明的计算机为“基础模型”（foundation models）。把它们想象成一位品尝过世界上所有菜肴的大厨；一旦他们掌握了各种风味，就能瞬间发明新食谱或识别出不好的食材。但问题在于：要成为一名大厨，你需要一个装满食材的巨大厨房。在健康数据的世界里，最大的厨房都被锁在了紧闭的大门后，由大型科技公司掌控，导致研究人员手里只有些微小且空荡荡的橱柜。没有足够的数据，这些 AI 大厨就无法学习人体运动和感受的完整故事。

正是在这里，来自斯坦福大学、伦敦帝国理工学院等机构的研究团队带着一把巨大的钥匙登场了。他们开启了“My Heart Counts”研究的大门，这是一项已经运行了十多年的数字健康实验。他们正在发布一个被称为 OpenMHC 的宝库。这不仅仅是一份小零食；它是来自近 12,000 人、超过 6,700 万小时 可穿戴数据的盛宴。它包含了从步数、心率到睡眠模式和运动日志的一切内容，数据收集自 iPhone 和 Apple Watch。除了这个庞大的数据集，他们还分享了用于测试它的“食谱”（代码）和“训练好的大厨”（AI 模型）。他们的目标是让世界各地的任何人都能尝试通过这些工具，创造出预测健康问题、填补缺失数据或预测我们身体行为的新方法。

关于食材的重要提示： 在你开始烹饪之前，需要知道这个厨房有一些特殊的特性。贡献数据的参与者主要来自美国，且群体向 30 多岁的白人男性倾斜。这意味着 AI 学习到的“风味”可能并不完全适合世界上的其他人。此外，由于这是一项数字研究，所有的健康信息（例如是否患有糖尿病或心情如何）都是由用户自我报告的。这为标签引入了一些“噪音”或不确定性，使得 AI 更难学习到完美的模式。最后，该 AI 旨在根据收集数据时的健康特征进行检测，而不是为了预测未来的医疗事件（如明年是否会发生心脏病发作）。

重磅揭晓：他们的发现

研究人员不仅仅是倾倒数据；他们建立了一个巨大的游乐场，以观察哪些 AI 模型实际上能够理解这些数据。他们设置了三个主要挑战：

预测： AI 能否仅通过观察你的手表数据，就猜出你的健康特征（如是否患有糖尿病或是否快乐）？
填补（补全缺失值）： 由于人们在洗澡或充电时会摘下手表，数据会出现空缺。AI 能否猜出那些缺失的分钟里发生了什么？
预测（预报）： AI 能否预测你未来 24 小时的活动情况？

以下是他们的发现：

1. “专业大厨”胜出，但“简单厨师”依然强劲
当他们测试不同的 AI 模型时，一个名为 LSM-2 的模型（一种专门针对可穿戴数据训练的基础模型）被证明是整体表现最好的大厨。它在预测健康结果和填补缺失数据方面表现得最为稳定。然而，研究人员发现了一个令人惊讶的事实：一个更简单、更传统的模型——XGBoost（一种非常有序、基于规则的计算器）紧随其后，表现非常接近。事实上，对于某些任务，这个简单的模型与那些花哨、复杂的 AI 一样出色。这表明，虽然大型 AI 功能强大，但我们不应假设“越复杂”就一定意味着“越好”。有时，一个经过良好调优的简单工具也能发挥奇效。

2. 大型语言模型（如聊天机器人）表现挣扎
团队还尝试使用大型语言模型（即那些写文章和与你聊天的模型）来解决这些健康难题。他们将数据作为文本或图表图像输入模型。结果如何？这些庞大的聊天机器人通常比专门的健康模型甚至简单的计算器表现得更差。看来，对于阅读心跳和步数这种特定的“语言”，专门的工具比通用型的工具要好得多。

3. 长期记忆大有裨益
在处理缺失数据（填补）时，那些能够观察用户数天历史记录的模型，比那些只看单日数据的模型表现要好得多。这就像是在猜测某人现在正在做什么：如果你只看他一分钟，你可能会猜错；但如果你知道他通常在下午 6 点去跑步，你就能做出更明智的判断。论文指出，利用用户的长期历史记录是让这些模型变得更聪明的关键。

4. 公平性至关重要
研究人员还检查了模型是否公平地对待每个人。他们发现，虽然那些高级 AI 模型很准确，但与简单的模型相比，它们在针对某些群体（如不同年龄组或性别）时有时会犯更大的错误。这是一个至回的提醒：在我们构建这些健康工具时，必须确保它们对每个人都公平，而不仅仅是对大多数人公平。

为什么这改变了游戏规则

在这篇论文发表之前，如果你想构建一个理解可穿戴健康数据的 AI，你会陷入困境。你拿不到数据，也看不到大公司是如何训练他们的模型的。这就像是在从未见过驾驶舱的情况下尝试学习驾驶飞机。

OpenMHC 通过提供驾驶舱、飞行手册和模拟训练器改变了这一点。通过发布跨越 13 年、涵盖 11,894 名参与者 的数据以及运行模型的代码，作者们使这一领域实现了民主化。他们并不声称已经解决了所有的健康谜团；事实上，他们承认对于某些疾病，由于自我报告数据的性质，AI 仍然难以超越简单的基准线。但他们为整个科学界提供了基础，让他们可以开始烹饪、实验，并有望发现保持健康的新方法。厨房现在已经向所有人开放，食材也已准备就绪，等待着任何人来使用。

技术摘要：OpenMHC：加速可穿戴设备基础模型的科学研究

问题陈述

尽管移动和可穿戴设备为持续、被动健康监测提供了前所未有的机遇，但可穿戴健康人工智能领域仍受限于缺乏开放、大规模的数据。领先的可穿戴设备基础模型通常是在不公开的专有数据集上训练的，且其模型权重和训练代码极少开源。现有的公开数据集规模较小，使用专门的研究级传感器，或者缺乏训练和评估基础模型所需的纵向深度与多样性。这种数据孤岛限制了研究的可复现性、更广泛的社区参与，以及在不同健康领域建立标准化基准进行模型比较的能力。

方法论

作者通过构建 OpenMHC (OpenMyHeartCounts) 来解决这些差距。这是一个全面的开放获取数据集和基准测试，源自斯坦福大学开展的大规模心血管健康研究——My Heart Counts (MHC) 研究。

1. OpenMHC 数据集

规模与范围： 该数据集包含来自 11,894 名参与者 的纵向记录，采集时间跨度达 13 年（2012–2025 年）。它包含 6,700 万小时 的分钟级可穿戴设备数据。
数据模态：
- 被动传感器数据： 包含 19 个传感器通道，分辨率为分钟级，包括步数、距离、爬楼高度、心率、活跃能量、睡眠（入睡/在床状态）以及 10 种运动类型。数据通过 iPhone 和 Apple Watch（及其他兼容设备）从 Apple HealthKit 获取。
- 关联变量： 包含 169 个自报及稀疏的 HealthKit 变量，涵盖人口统计学、医疗状况、生命体征、生物标志物、心理健康、睡眠和生活方式。
人口统计学： 参与者主要来自美国（约 90%），也有来自英国和香港的小规模群体。该队列涵盖 92 种不同的设备型号，部分用户拥有长达 10.7 年的数据历史，但由于典型的移动健康（mHealth）流失现象，中位参与时长较短。
预处理： 作者开发了一套严谨的流水线来构建每日分钟级矩阵（ $19 \times 1440$ ），处理设备异质性、缺失值（非佩戴时间）以及生理异常值。他们定义了特定的启发式算法用于非佩戴检测和缺失数据填补。

2. OpenMHC 基准测试

为了实现标准化评估，作者建立了一个包含三个赛道的统一基准测试：

赛道 1：预测任务： 涵盖五个领域（人口统计学、医疗状况、生命体征与生物标志物、心理健康、睡眠与生活方式）的 32 个监督任务。任务包括二分类、序数分类和回归。
赛道 2A：生成式（填补）： 评估重建缺失传感器数据的方法。这包括 单日填补（在 24 小时窗口内进行掩码）和 长上下文填补（利用长达 7 天的历史记录）。掩码策略模拟了现实世界的故障：结构性故障（随机噪声、时间切片、信号丢失）和语义性故障（睡眠间隙、运动间隙、强度失效）。
赛道 2B：生成式（预测）： 基于历史轨迹，对未来 24 小时的可穿戴数据进行逐小时分辨率的预测。

3. 评估框架

该基准测试采用 统一评估指标 来聚合不同异构任务的表现：

技能得分 (Skill Score, $S$ )： 衡量相对于固定参考模型（例如，预测任务中使用线性模型，填补任务中使用最后观测值携带法 LOCF，预测任务中使用季节性朴素模型 Seasonal Naive）的相对误差降低程度。
平均排名 (Average Rank)： 评估在不同任务中的一致性。
公平性技能得分 (Fairness Skill Score)： 评估在敏感人口统计学子群体（性别和年龄）之间的表现均衡性。

核心贡献

发布 OpenMHC： 这是迄今为止最大且最全面的开放获取可穿戴健康数据集，为在真实世界消费级数据上进行大规模预训练和评估基础模型提供了支持。
首个大规模公开基准测试： 一个标准化的评估套件，涵盖了反映现实世界可穿戴数据复杂性（缺失性、不规则采样、异质性）的预测、填补和预测任务。
开源实现： 作者提供了近期可穿戴基础模型的首个开源实现，特别是 Apple 的可穿戴健康行为模型 (WBM) 和 Google 的大型传感器模型 (LSM-2)，同时也提供了经典基线（XGBoost, MultiRocket, GRU-D）和时间序列基础模型（Chronos-2, Toto）。

结果

作者在 OpenMHC 基准测试上对多种模型进行了评估：

预测任务 (赛道 1)：
- LSM-2（Google 的掩码自编码器）取得了最佳的整体表现（平均排名 $R=2.20$ ，技能得分 $S=+15.1\%$ ），超越了其他基础模型和经典方法。
- XGBoost 是最接近的竞争对手（ $R=3.52$ , $S=+11.6\%$ ），在人口统计学领域表现尤为强劲，这表明经过良好调优的简单模型仍然具有极强的竞争力。
- WBM（Apple 的对比学习模型）在此设置下表现欠佳，这可能是由于其依赖于连续的每周片段，在面对现实世界中稀疏的佩戴情况时会减少可用数据。
- GRU-D 获得了最高的公平性得分，表明其在不同人口统计学子群体之间具有更好的表现均衡性。
- LLMs： 在零样本和少样本设置下评估的 Gemini 系列 LLM 通常表现不如线性基准模型，未能从文本或视觉表示中提取出足够的信号。
填补任务 (赛道 2A)：
- LSM-2-Sparse（7 天上下文）取得了最佳结果（ $S=+64.7\%$ ），显著优于统计基准模型和其他神经模型如 BRITS 和 DLinear。
- 结果表明，针对现实缺失模式（如 LSM-2）进行训练的模型，比针对随机掩码进行训练的模型，能更好地泛化到可穿戴数据中存在的结构化间隙。
预测任务 (赛道 2B)：
- Chronos-2（微调后）取得了最佳的整体表现（ $R=3.56$ , $S=+37.6\%$ ）。
- 然而，基础模型的公平性得分低于 DLinear，这表明准确性的提升并不一定能转化为不同人口统计学群体间的公平表现。

重要性与主张

本文声称 OpenMHC 通过提供必要的设施（数据、代码、基准测试）使可穿戴健康 AI 研究民主化。研究得出的关键见解包括：

预训练目标至关重要： 预训练目标的选取（例如，掩码重建 vs. 对比学习）显著影响下游性能，掩码重建似乎更适合具有稀疏性和不规则性的可穿戴数据。
简单性 vs. 复杂性： 强大且经过良好调优的简单模型（如 XGBoost）仍然可以与复杂的深度学习架构竞争，这对避免不必要的复杂性提出了警示。
纵向上下文： 利用延长的个人历史（例如 7 天窗口）为填补和预测提供了明显的收益，这指明了一个充满前景的研究方向。
数据获取是瓶颈： 该领域受限的并非算法约束，而是数据获取；OpenMHC 旨在消除这一障碍，以促进广泛的社区参与并加速进展。

作者明确指出了一些局限性，包括人口统计学偏差（主要是白人、男性、美国背景）以及结果是自报而非临床判定的事实，这意味着这些任务被界定为检测/特征化任务，而非前瞻性的临床事件预测。