《“生理大语言模型”：利用可穿戴设备和大语言模型提供个性化健康见解》2024年9月25日随着可穿戴健康监测设备如Fitbit、苹果智能手表和三星智能手表的普及，人们能够持续收集详细的生理数据，如心率、活动数据和睡眠情况。这些设备提高了我们对个人健康的认识，并提供了深入了解个人习惯及其对生理影响的途径。尽管获取健康数据变得容易，但用户往往难以理解这些数据，且将其转化为有意义的行动。为了解决这一问题，本文的研究人员开发了“生理大语言模型”，这是一个交互式系统，利用大语言模型通过结合可穿戴设备收集的生理数据和上下文信息，提供个性化的健康理解和探索。与市面上的健康系统不同，“生理大语言模型”提供了一个全面的统计分析组件，可以发现用户数据中的相关性和趋势，使用户能够用自然语言提问并接收到生成的个性化见解，并指导他们制定可操作的目标。本文首先指出，虽然可穿戴设备可以持续收集详细的生理数据（如心率、活动数据和睡眠阶段），但用户往往难以理解这些数据并将其转化为有意义的行动。现有的可穿戴设备应用程序通常提供有限的交互和通用的建议，缺乏个性化的见解。大语言模型（LLM）为解决这些挑战提供了潜在的解决方案，因为它能够进行无约束的自然语言问答，并将健康数据和行为与大量的健康文献联系起来，并具有语义理解上下文的能力。本文回顾了大语言模型在医疗保健领域的应用，包括疾病预测和知识提取。研究人员已经证明，经过微调的特定领域大语言模型在医疗问答数据集上取得了显著的成果。然而，现有的方法并没有让非医疗专业人员能够将知识与个人数据和健康目标联系起来。“生理大语言模型”的优势在于它不仅能够从个人的可穿戴健康数据中获得量身定制的见解，而且还允许用户通过对话直观地理解其数据的含义。“生理大语言模型”系统由三个主要组件组成：数据准备、见解生成和对话界面。数据准备阶段包括数据过滤和对齐，以及生成摘要、趋势和相关性。系统对可穿戴设备获得的生理数据进行过滤和时间对齐，处理不同传感器数据的不同采样率，并计算数据的平均值、最小值、最大值和趋势。为了提供可能的趋势描述，使用了宽松的阈值。此外，系统还生成了小时步数和心率图以及相关矩阵图。见解生成阶段利用大语言模型，输入用户的个人信息、数据的摘要和相关矩阵以及小时趋势图，生成至少10个见解。每个见解都需要提供推理、假设和解释，并使用具体的数据值和多个数据源。每个见解还会根据其对睡眠质量的影响程度进行评分。对话界面是一个基于文本的聊天机器人，允许用户以交互方式理解数据、讨论其含义并回答问题。该界面使用大语言模型，并通过提示语微调，使其专注于独特和个人的趋势和见解。系统提示包含角色定义、数据描述、沟通风格、任务说明、开场白和注意事项等关键组件。为对系统进行评估，本研究招募了24名Fitbit用户，随机分配到三个组：安慰剂组、对照组和干预组。参与者在与聊天机器人交互前后填写问卷，评估其对数据的理解、动机和目标的可行性。结果表明，在促进对健康数据的更深入、更个性化的理解以及支持朝着个人健康目标采取可行步骤方面，“生理大语言模型”优于单独使用Fitbit应用程序和通用的大语言模型聊天机器人。总之，“生理大语言模型”通过整合生理数据和情景信息，提供个性化的健康洞见，显著改善了用户对健康数据的理解和动机。“生理大语言模型”展示了如何将通用的大型语言模型转化为通过结合时间序列和个人数据来提供个性化服务的个人智能。该系统有潜力帮助人们更好地了解自己的身体状况和行为后果，从而实现积极的行为改变。如需要《“生理大语言模型”：利用可穿戴设备和大语言模型提供个性化健康见解》（英文，共9页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后发来email地址索取。★ 每日鲜鸡汤 ★Be with someone who is proud to have you. 与那些以拥有你为荣的的人在一起。早上好！
