因此该团队着手创建了一种新的机器学习算法，结合传统心率模型，以及对“对嘈杂和不确定的真实世界数据具有鲁棒性(事物可以抵御外部应力和影响并维持原有状态的自身性质)”的适应性系统，目标创建一个定制的心率模型，为某位用户生成最准确的数据。
机器学习算法首先嵌入某位佩戴者的个人锻炼历史，然后进一步收集用户在健身过程中的相关数据，并通过算法调整适应每个人身体对运动的独特反应。
该团队指出：“为了学习这种将锻炼映射到生理参数的嵌入函数，我们使用了一个卷积神经网络，输入个人最近的锻炼情况，包括心率、步频、速度和海拔变化”。
团队表示系统会预测佩戴者的健身数据，然后再将这些预测与运动时的实际心率进行比较，通过多次收集佩戴者锻炼数据不断优化，从而可以为佩戴者制定更贴合个人的健身方案。
该系统还关注一些可能并不明显的指标。苹果健康研究团队指出，在过热或过湿的环境中锻炼会增加锻炼时的心率，而这在严格控制的实验室环境中并不总能反映出来。此外，它还会查看步频、海拔变化和速度等运动数据，以准确预测运动强度。
