手腕脉搏波形读出餐食信息：与餐食文字对齐后胜率0.69，卡路里摄入预测AUC提高11%
核心概要
苹果公司团队把腕部光电容积脉搏波（PPG，用绿光测皮下微血管血容量变化的信号）与餐食文字描述对齐，训练出营养PPG语言模型NPLM，检验被动采集的脉搏波形是否携带进食信息。在19,340名受试者的1,122,834条餐食描述上，近餐时段的PPG把餐食描述的对数似然推高到胜率0.69，而保留同一受试者与时段、只打乱餐食配对的对照为0.60，跨受试者打乱则落在0.50的随机水平。该信号在独立验证队列中不经再训练即可把餐后饱腹感预测的AUC从0.64提高到0.71，作者将其定位为对文字饮食记录的补充而非替代。
深度剖析
腕部PPG在餐食前后携带可被语言模型读出的餐食特异信息，而不只是受试者身份或一天中的时段。 此前PPG已被用于预测心血管、代谢与生物钟信息，但腕部被动采集的PPG是否包含进食后的生理响应尚未被检验。 在留出的餐食上，近餐PPG（餐时前后4小时内最接近的一段）的餐食描述胜率为0.69（95%置信区间0.67–0.70）；保留同一受试者、匹配一天中时段但打乱餐食配对的对照为0.60（0.57–0.63），跨受试者打乱为0.50（0.47–0.53），置信区间不重叠。
对齐后的表示能迁移到饮食相关任务，并在独立队列中无需再训练即可预测餐后饱腹感变化。 仅用文字描述的基线在同一批任务上表现更低，加入心率、心率变异性与时段协变量后仍低于多模态模型。 在Apple Heart & Movement Study中区分日摄入高于或低于个人均值的AUC为0.82（0.814–0.826），文字基线为0.74（0.732–0.748），加协变量的文字基线为0.76（0.749–0.764）；在140人、720餐的验证研究中，饱腹感预测AUC为0.71（0.64–0.78），文字基线0.64（0.57–0.71），配对差ΔAUC为+0.07（0.01–0.13，p=0.03）。
方法把一段PPG信号经线性适配器映射成两个伪词元，接到冻结的GPT-2语言模型前面，让模型在给定PPG时生成可能在该时段吃过的餐食描述。 PPG编码器与语言模型都保持冻结，只训练从256维PPG嵌入到语言模型词元空间的线性投影，因此对齐学到的只是两种模态之间的接口。 训练数据来自19,340名受试者的1,122,834条自报餐食描述，按受试者划分80/20训练与留出测试；验证研究数据完全留出用于外部测试，不做微调。
当餐食描述被删减或用大模型压缩成单个关键词时，PPG仍能补回部分信息。 文字越短，纯文字模型的AUC越低，而多模态模型在删去50%文字时仍超过完整文字的纯文字基线。 用Gemma 27b把描述压缩为单个代表性词后，NPLM的AUC为0.75（0.74–0.76），高于完整文字基线的0.74，配对ΔAUC为+0.010（0.001–0.019，p=0.03）。
启示与展望
结论建立在两个队列上：用于训练的Apple Heart & Movement Study由美国Apple Watch用户自报餐食，用于外部测试的验证研究是140人、720餐的受控餐厅午餐观察，饱腹感只在工作日午间评估。作者提出的下一步是开展针对体重管理、血糖控制等代谢终点的前瞻性研究，并把方法扩展到实验室生物标志物。
两个队列的餐食记录与食欲评分均为自报，作者预计受控测量会带来更强结果；餐时前后4小时的窗口较宽，可能混入未记录的进食、体力活动或应激；验证研究人群与训练队列在人口学上不同且未做匹配，限制了亚组推断；缺少随机或纵向干预数据，无法判断模型反馈能否改善结局。作者还指出，11%的AUC提升是二分类任务上的群体层面区分度增益，不应被解读为支持仅凭PPG做卡路里摄入的独立临床预测。