SensorFM：面向可穿戴健康資料的通用智慧與介面

谷歌研究院近日釋出了 SensorFM，一個面向可穿戴健康資料的通用基礎模型。該模型在超過一萬億分鐘的多模態感測器資料上進行了預訓練，這些資料來自五百萬名同意參與健康研究的志願者。SensorFM 透過自監督學習掌握了人類生理的通用表示，能夠遷移至心血管、代謝、睡眠和心理健康等35項健康預測任務，同時支援高效的資料填充和標籤高效適配。

為了構建預訓練資料集，研究人員從2024年9月至2025年9月間收集了來自100多個國家、涵蓋20多種Fitbit和Pixel Watch裝置型號的去標識化資料。每位參與者貢獻了數週的資料，總計超過20億小時（即超過一萬億分鐘）的分鐘級訊號。SensorFM 輸入34個一分鐘聚合特徵，來自五種感測器模態：光電容積描記法、加速度計、皮膚電活動、皮膚溫度和高度計。這些特徵共同捕捉了24小時視窗內的心率、心率變異性、血氧飽和度、睡眠階段、運動步數、皮膚電導和溫度等資訊。

SensorFM 採用缺失感知掩蔽的自監督學習方法，基於LSM-2架構和自適應繼承掩蔽框架。這一設計至關重要，因為可穿戴裝置資料通常存在大量缺失，如感測器斷電、裝置取下或省電模式等。傳統方法要麼插補缺失值引入偏差，要麼丟棄不完整視窗。而AIM將真實缺失視作自然偽影，與人工掩蔽的標記同等對待，從而讓模型天然具備處理缺失資料的能力。實驗表明，SensorFM不僅容忍碎片化資料，還能有效利用它進行生成任務。

研究團隊透過系統的縮放實驗，將預訓練資料量從約200萬感測器小時擴充套件到20億小時，模型引數從10萬增加到1億。結果顯示，預訓練損失隨資料和容量增長呈規律性下降，且下游任務效能同步提升。最大模型SensorFM-B在35項任務中的33項上表現最佳，相比最小變體，重建損失降低31%，分類任務AUC平均提升9%，迴歸任務皮爾遜係數平均提升21%。值得注意，同時擴充套件資料和容量帶來近乎線性的增益，且曲線未見飽和跡象。

為評估表示泛化性，團隊在三個獨立前瞻性研究的13985名參與者上測試了35項健康任務，涵蓋心血管、代謝、心理健康、睡眠、人口統計和生活方式六大類別。使用凍結的SensorFM編碼器僅訓練線性分類頭，結果在34項任務上超越基於工程特徵的監督基線。加入人口統計特徵（年齡、性別等）帶來的提升隨模型規模增大而減小，表明大模型在預訓練中已隱含捕獲生理相關特徵。尤其對於憂鬱症和焦慮症等難以測量的疾病，SensorFM能有效學習個體差異並提取跨人群的模式。標籤效率實驗顯示，僅使用少量標註樣本，模型即可快速超越基線。

為自動化預測頭設計，研究團隊構建了“智慧體教室”：一組協作和競爭的LLM智慧體迭代生成、測試和最佳化程式碼。該系統探索了超過30000個候選方案，智慧體設計的頭在16項分類和12項迴歸任務上優於簡單線性探針，且解決方案質量隨搜尋單調提升，並隨底層LLM能力增強而提高。

最終，團隊將SensorFM整合至個人健康代理，比較了僅使用人口統計+每日指標、加入SensorFM預測、加入真實測量三種條件下的健康摘要生成。臨床醫生盲評顯示，加入SensorFM預測在上下文、相關性、可證明性、個性化和潛在危害等維度均顯著優於基線，且與使用真實測量無統計差異。這表明SensorFM的推斷足以作為個人健康代理的可靠基礎。

SensorFM標誌著可穿戴健康研究從眾多單一任務模型向通用生理表示的轉變，為個性化醫療提供了強大工具。