SensorFM：面向可穿戴健康数据的通用智能基础模型

AI

谷歌发布了SensorFM，这是一款专为可穿戴健康数据设计的传感器基础模型，基于500万人超过一万亿分钟的传感器数据进行预训练。通过同步扩展模型规模与数据量，SensorFM学习到了一种通用的人体生理表征，可迁移至35项健康预测任务，支持低标注量自适应与数据填充，并可作为个人健康智能体的感知基础。

目前全球可穿戴设备使用数量已达数十亿，这些设备能够持续追踪心率、运动状态、皮肤温度、血氧水平和睡眠质量。这种连续、纵向的生理与行为数据流，为预防性、个性化健康管理提供了极具潜力的原始素材。然而，将这些低层级信号转化为有意义的健康洞察仍然面临重重挑战。一方面，不同个体的基础生理状态、生活方式和健康状况差异巨大，某一个体身上的风险信号在另一个人身上可能毫无意义；另一方面，训练模型所需的标注数据——经确认的诊断结果、实验室检验数据、经过验证的问卷——获取成本高、周期长，且几乎无法回溯性采集。正因如此，大多数可穿戴健康模型只能针对单一结果构建，依赖定制化的监督学习流程，难以在广泛的健康领域实现泛化。

SensorFM的研究论文《面向可穿戴健康数据的通用智能与接口》提出了一种全新思路。SensorFM是一款大型传感器基础模型，直接从人群规模的无标注可穿戴数据中进行学习。该模型基于来自500万名已授权参与者的超过一万亿分钟多模态传感器信号进行预训练，学习到一种单一、可复用的人体感知生理表征，可跨心血管、代谢、睡眠、心理健康以及生活方式和人口统计学等多个领域进行迁移。据研究团队所知，这是迄今为止用于训练模型的规模最大、多样性最高的可穿戴数据集。

预训练数据集的构建

研究团队从500万名已授权将数据用于健康与健康管理研究的用户中采样了去标识化数据，数据采集时间跨度为2024年9月至2025年9月。数据集覆盖100多个国家、美国全部50个州，以及20余款Fitbit和Pixel Watch设备型号。每位用户提供了数周的数据，总计超过20亿小时，即逾一万亿分钟的分钟级信号。

SensorFM摄入34个一分钟聚合特征，这些特征来自五种传感器模态：光体积描记法（PPG）、加速度计、皮肤电活动（EDA）、皮肤温度和高度计。这些模态共同捕获心率与心率变异性、血氧饱和度、睡眠阶段、运动与步数、皮肤导电率，以及完整24小时窗口内的温度变化。

缺失感知掩码重建预训练

SensorFM并不依赖标注数据，而是通过自监督重建进行学习，采用LSM-2方法及其自适应与继承掩码（AIM）框架。这是一个关键的设计选择。由于传感器电源周期、设备离腕、省电模式、传感器开关等多种因素，可穿戴设备的数据普遍存在缺失和碎片化问题。传统自监督方法假设输入数据完整连续，要么对缺失片段进行插补（可能引入偏差），要么直接丢弃不完整窗口（造成数据浪费）。AIM则另辟蹊径：将真实世界的数据缺失视为自然特征，直接从不完整记录中学习，将真实缺失片段产生的Token与人工掩码的Token一视同仁，纳入重建目标。这使得模型从构建之初便具备缺失感知能力。SensorFM不仅能容忍碎片化数据，更能将其转化为有效的学习信号。

扩展定律

对于任何基础模型而言，核心问题之一是规模扩大能否带来能力提升。研究团队开展了系统性扩展实验，在预训练数据量（从约200万到20亿传感器小时）和模型规模（从10万到1亿参数）两个维度上各跨越四个数量级。

结果呈现出清晰且令人振奋的规律：随着数据量和模型容量的增长，预训练损失稳步下降，且这种收益能够迁移至下游健康任务。最大规模模型SensorFM-B在完整500万人语料库上训练后，重建损失比最小变体降低31%，在分类任务上平均AUC提升9%，在回归任务上Pearson相关系数平均提升21%。

同步扩展数据与模型容量时收益最为显著，近线性增益持续出现，且无饱和迹象。在所有模型变体中，SensorFM-B在35项任务中的33项上取得最佳表现。

跨35项健康任务的线性探测评估

为测试所学表征的泛化能力，研究团队在35项判别性健康任务上对SensorFM进行了评估，这些任务来自三项经机构审查委员会批准的独立前瞻性研究，共涉及13,985名参与者，覆盖心血管健康、代谢风险、心理健康、睡眠、人口统计学和生活方式六大类别。

为直接检验嵌入表征的质量，研究团队冻结SensorFM编码器，仅在其上训练轻量级线性分类头，并与基于工程特征训练的监督基线进行比较。实验结果表明，SensorFM的冻结嵌入在多项健康任务上均超越了监督基线。

大语言模型智能体课堂

通用嵌入的实用价值取决于自适应所需的工作量。为简化这一过程，研究团队构建了一个智能体"课堂"：由多个协同与竞争的大语言模型智能体组成，能够迭代生成、测试和优化可执行代码，为SensorFM嵌入构建预测头。实验过程中，该系统共探索了超过30,000个候选方案。

智能体设计的预测头在20项分类任务中的16项和15项回归任务中的12项上超越了简单线性探测。两项显著规律浮现：解决方案质量随搜索迭代单调提升，且与底层大语言模型的能力正相关——更强大的模型（如更新版本的Gemini）产生更优解，而智能体间的协作则有助于能力较弱的模型缩小差距。

作为个人健康智能体的感知基础

最后，研究团队探究了SensorFM作为端到端工具的实用价值——将其用作AI健康教练的感知锚点，使智能体能够基于用户自身的生理数据提供建议。研究团队将SensorFM集成至个人健康智能体，并针对31名真实参与者的档案，对比了三种生成健康摘要的方式。

一组对条件设置不知情的临床医生从情境相关性、相关度、可解释性、个性化程度和潜在危害五个维度对摘要进行评分，历经40余小时专家评估，共产生1,860项评分。结果颇为显著：在所有评分维度上，加入SensorFM预测后的回应均显著优于基线；而以SensorFM预测为基础与以真实测量值为基础的回应之间，在统计上无显著差异——这意味着模型推断的效果几乎与真实标签相当。

总结

SensorFM标志着可穿戴健康研究范式的转变：从针对单一结果构建众多定制模型，转向构建一种可灵活、高效、大规模自适应的单一通用人体生理表征。通过从超过一万亿分钟的无标注传感器数据中学习，SensorFM实现了跨心血管、代谢、睡眠和心理健康领域的泛化，支持低标注量自适应与日常指标的鲁棒估计，可由智能体课堂自动特化，并能将个人健康智能体与用户自身的生理信号深度结合。

感谢来自谷歌研究院、谷歌DeepMind及学术界的共同作者和合作伙伴对本研究的贡献。

Q&A

Q1：SensorFM是什么？它能做什么？

A：SensorFM是谷歌发布的一款大型传感器基础模型，基于500万人超过一万亿分钟的可穿戴传感器数据预训练而成。它能够学习通用的人体生理表征，支持心血管、代谢、睡眠、心理健康等35项健康预测任务，还可以为个人健康智能体提供感知基础，让AI健康建议更贴合用户自身的生理数据。

Q2：SensorFM是如何处理可穿戴设备数据缺失问题的？

A：SensorFM采用自适应与继承掩码（AIM）框架进行自监督学习。传统方法遇到数据缺失时要么插补要么丢弃，而AIM将真实的数据缺失片段与人工掩码Token一视同仁，直接从不完整记录中学习。这使得SensorFM天然具备缺失感知能力，不仅能容忍碎片化数据，还能将其转化为有效的训练信号。

Q3：SensorFM在个人健康智能体中的表现如何？

A：研究团队将SensorFM集成至个人健康智能体后，由临床医生从情境相关性、相关度、可解释性、个性化和潜在危害五个维度进行评分。结果显示，加入SensorFM预测后的健康摘要在所有维度上均显著优于未使用该模型的基线，且其效果与使用真实测量值相比在统计上无显著差异，说明模型推断几乎可以替代真实标签。