因此該團隊著手創建了一種新的機器學習算法,結合傳統心率模型,以及對“對嘈雜和不確定的真實世界數據具有魯棒性(事物可以抵御外部應力和影響并維持原有狀態的自身性質)”的適應性系統,目標創建一個定制的心率模型,為某位用戶生成最準確的數據。
機器學習算法首先嵌入某位佩戴者的個人鍛煉歷史,然后進一步收集用戶在健身過程中的相關數據,并通過算法調整適應每個人身體對運動的獨特反應。
該團隊指出:“為了學習這種將鍛煉映射到生理參數的嵌入函數,我們使用了一個卷積神經網絡,輸入個人最近的鍛煉情況,包括心率、步頻、速度和海拔變化”。
團隊表示系統會預測佩戴者的健身數據,然后再將這些預測與運動時的實際心率進行比較,通過多次收集佩戴者鍛煉數據不斷優化,從而可以為佩戴者制定更貼合個人的健身方案。
該系統還關注一些可能并不明顯的指標。蘋果健康研究團隊指出,在過熱或過濕的環境中鍛煉會增加鍛煉時的心率,而這在嚴格控制的實驗室環境中并不總能反映出來。此外,它還會查看步頻、海拔變化和速度等運動數據,以準確預測運動強度。