500 万人、1 万亿分钟可穿戴数据预训练

谷歌研究团队于7月9日宣布推出可穿戴健康基础模型SensorFM，该模型基于全球500万名参与者的可穿戴数据预训练，在35项健康任务中有34项优于传统特征工程监督基线。这一成果标志着人工智能在个性化健康监测领域迈出重要一步。

SensorFM模型的预训练数据来自2024年9月至2025年9月期间收集的超过20亿小时（超过1万亿分钟）信号，涵盖100多个国家和地区的参与者，使用20多种Fitbit和Pixel Watch机型。每人抽取数周数据，输入包含34个一分钟聚合特征，采集PPG、加速度计、电皮肤活动、皮肤温度和高程计五种传感器数据，对应心率、血氧饱和度、睡眠阶段、运动步数及体温等指标。

模型共有XXS、XS、S、B四种规模，最大版本SensorFM-B相比最小版本重建损失下降31%，分类任务平均AUC提升9%，回归任务平均Pearson相关系数提升21%。在35项判别式健康任务中，SensorFM-B在33项中获胜，线性探针在34项任务中优于特征工程基线，覆盖心血管、代谢风险、心理健康、睡眠、人口统计与生活方式六类。

研究团队还构建了一个由协作与竞争的大型语言模型智能体组成的“classroom”，迭代生成、测试和优化推理代码。该系统探索超过3万个候选方案，生成的预测头在16项分类任务和12项回归任务中优于线性探针，展现了自动化模型优化的潜力。

SensorFM的发布有望推动可穿戴设备在疾病风险预测、个性化健康管理等领域的应用。未来，该模型或可整合更多传感器数据，进一步提升健康监测的准确性和实用性。谷歌表示，将继续探索模型在临床场景中的部署，并关注数据隐私与伦理问题。

把任意网站变成干净 JSON

现成爬虫与 AI 智能体

试用 Apify