谷歌发布 SensorFM AI 模型：500 万人、1 万亿分钟可穿戴数据预训练 - 世界杯官网

谷歌的研究团队在 7 月 9 日发布博文，公布了名为 SensorFM 的可穿戴健康基础模型的问世。该模型在 35 项健康相关的测试任务中，有 34 项的表现超越了传统的特征工程监督基线。

SensorFM 模型是基于 500 万名全球参与者（已获得其数据使用授权）的可穿戴设备数据进行预训练的。这些数据的时间跨度为 2024 年 9 月至 2025 年 9 月，收集范围涵盖了 100 多个国家和地区，并包含了 20 余种不同型号的 Fitbit 和 Pixel Watch 设备。在对每位参与者提取数周的数据后，共计形成了超过 20 亿小时（相当于 1 万亿分钟）的信号数据。

模型的输入信息包括 34 种聚合了 1 分钟的数据特征。这些特征来源于 PPG（光电容积脉搏波）、加速度计、EDA（电皮肤活动）、皮肤温度以及高程计这五种传感器的测量结果。通过这些数据，模型能够追踪 24 小时内的心率、心率变异性、血氧饱和度、睡眠阶段、运动和步数、皮肤电导率以及体温等指标。

在模型规模方面，SensorFM 提供了 XXS、XS、S 和 B 四种不同大小的版本。相较于最小的 XXS 版本，最大的 SensorFM-B 模型在重建损失方面降低了 31%，在分类任务上的平均 AUC 提升了 9%，而在回归任务上的平均 Pearson 相关系数则提升了 21%。

在 35 项用于区分健康状况的任务中，SensorFM-B 版本在其中 33 项任务中取得了更好的结果。研究同时指出，通过线性探针方法对 SensorFM 进行评估，其在 35 项任务中的 34 项表现优于特征工程监督基线。这些任务的范围覆盖了心血管健康、代谢风险、心理健康、睡眠质量、人口统计信息以及生活方式等六大类。

此外，研究团队还构建了一个名为“classroom”的智能体系统。该系统由协作并竞争的 LLM（大型语言模型）智能体组成，能够迭代地生成、测试和优化推理代码。在实验过程中，该系统探索了超过 30,000 个潜在的解决方案。最终，由此生成的预测头部在 20 项分类任务中的 16 项以及 15 项回归任务中的 12 项上，均优于线性探针的表现。