SensorFM：面向可穿戴健康数据的通用智能与接口

谷歌研究院近日发布了 SensorFM，一个面向可穿戴健康数据的通用基础模型。该模型在超过一万亿分钟的多模态传感器数据上进行了预训练，这些数据来自五百万名同意参与健康研究的志愿者。SensorFM 通过自监督学习掌握了人类生理的通用表示，能够迁移至心血管、代谢、睡眠和心理健康等35项健康预测任务，同时支持高效的数据填充和标签高效适配。

为了构建预训练数据集，研究人员从2024年9月至2025年9月间收集了来自100多个国家、涵盖20多种Fitbit和Pixel Watch设备型号的去标识化数据。每位参与者贡献了数周的数据，总计超过20亿小时（即超过一万亿分钟）的分钟级信号。SensorFM 输入34个一分钟聚合特征，来自五种传感器模态：光电容积描记法、加速度计、皮肤电活动、皮肤温度和高度计。这些特征共同捕捉了24小时窗口内的心率、心率变异性、血氧饱和度、睡眠阶段、运动步数、皮肤电导和温度等信息。

SensorFM 采用缺失感知掩蔽的自监督学习方法，基于LSM-2架构和自适应继承掩蔽框架。这一设计至关重要，因为可穿戴设备数据通常存在大量缺失，如传感器断电、设备取下或省电模式等。传统方法要么插补缺失值引入偏差，要么丢弃不完整窗口。而AIM将真实缺失视作自然伪影，与人工掩蔽的标记同等对待，从而让模型天然具备处理缺失数据的能力。实验表明，SensorFM不仅容忍碎片化数据，还能有效利用它进行生成任务。

研究团队通过系统的缩放实验，将预训练数据量从约200万传感器小时扩展到20亿小时，模型参数从10万增加到1亿。结果显示，预训练损失随数据和容量增长呈规律性下降，且下游任务性能同步提升。最大模型SensorFM-B在35项任务中的33项上表现最佳，相比最小变体，重建损失降低31%，分类任务AUC平均提升9%，回归任务皮尔逊系数平均提升21%。值得注意，同时扩展数据和容量带来近乎线性的增益，且曲线未见饱和迹象。

为评估表示泛化性，团队在三个独立前瞻性研究的13985名参与者上测试了35项健康任务，涵盖心血管、代谢、心理健康、睡眠、人口统计和生活方式六大类别。使用冻结的SensorFM编码器仅训练线性分类头，结果在34项任务上超越基于工程特征的监督基线。加入人口统计特征（年龄、性别等）带来的提升随模型规模增大而减小，表明大模型在预训练中已隐含捕获生理相关特征。尤其对于抑郁症和焦虑症等难以测量的疾病，SensorFM能有效学习个体差异并提取跨人群的模式。标签效率实验显示，仅使用少量标注样本，模型即可快速超越基线。

为自动化预测头设计，研究团队构建了“智能体教室”：一组协作和竞争的LLM智能体迭代生成、测试和优化代码。该系统探索了超过30000个候选方案，智能体设计的头在16项分类和12项回归任务上优于简单线性探针，且解决方案质量随搜索单调提升，并随底层LLM能力增强而提高。

最终，团队将SensorFM集成至个人健康代理，比较了仅使用人口统计+每日指标、加入SensorFM预测、加入真实测量三种条件下的健康摘要生成。临床医生盲评显示，加入SensorFM预测在上下文、相关性、可证明性、个性化和潜在危害等维度均显著优于基线，且与使用真实测量无统计差异。这表明SensorFM的推断足以作为个人健康代理的可靠基础。

SensorFM标志着可穿戴健康研究从众多单一任务模型向通用生理表示的转变，为个性化医疗提供了强大工具。