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。
