Google Research представила SensorFM — фундаментальную модель для данных носимых датчиков

Google Research описала SensorFM — исследовательскую ИИ-модель для носимых устройств, обученную более чем на триллионе минут обезличенных сенсорных данных пяти миллионов участников. Модель строит универсальное представление физиологических сигналов и, по оценке авторов, переносится на 35 задач, связанных с сердечно-сосудистым и метаболическим здоровьем, сном, психическим состоянием, образом жизни и демографическими факторами.

Google Research 9 июля представила SensorFM — Large Sensor Foundation Model, базовую ИИ-модель для временных рядов с носимых датчиков. Подробности опубликованы также в препринте «Towards a General Intelligence and Interface for Wearable Health Data». В публикации речь идет об исследовательской работе, а не о запуске пользовательской функции Fitbit или Pixel Watch.

Для предварительного обучения использовались более триллиона минут обезличенных сигналов от пяти миллионов участников, согласившихся на использование данных в исследованиях здоровья и благополучия. Корпус собирался с сентября 2024 года по сентябрь 2025 года и охватывал более 100 стран, все 50 штатов США и свыше 20 моделей Fitbit и Pixel Watch.

SensorFM принимает 34 поминутных агрегированных признака из пяти типов датчиков: оптического датчика пульса, акселерометра, датчика электродермальной активности, температуры кожи и альтиметра. Из них формируются показатели вроде частоты сердечных сокращений и вариабельности сердечного ритма, насыщения крови кислородом, стадий сна, движений, шагов и температуры; обучение выполнялось как самоконтролируемая реконструкция с учетом реальных пропусков в данных.

Авторы проверяли модель на 35 задачах из трех независимых проспективных исследований с участием 13 985 человек. Представления SensorFM с простой линейной надстройкой превзошли базовый подход на инженерных признаках в 34 из 35 задач; крупнейшая версия SensorFM-B была лучшей в 33 из 35 задач и показала средний прирост 9% по площади под ROC-кривой для классификации и 21% по корреляции Пирсона для регрессионных задач.

В отдельной оценке SensorFM использовали как источник прогнозов для Personal Health Agent — прототипа персонального ИИ-агента Google для анализа данных о здоровье. Врачи вслепую оценивали сводки по 31 реальному профилю; всего было получено 1860 оценок. Сводки, основанные на прогнозах SensorFM, оказались лучше базового варианта по всем критериям и статистически не отличались от сводок, основанных на фактических клинических измерениях.

Практический смысл работы — попытка заменить набор узких моделей для отдельных показателей единой адаптируемой моделью для длинных рядов данных с носимых устройств. Google не сообщила о сроках внедрения SensorFM в пользовательские продукты или медицинские сервисы.