谷歌SensorFM：将可穿戴设备数据转化为通用健康智能层

当前可穿戴设备的健康功能多为单任务模型：一个模型检测睡眠分期，另一个评估心血管风险，再一个分析压力水平。这种零散架构不仅开发成本高，而且难以共享数据中的共通模式。谷歌研究团队提出的SensorFM试图以统一的基础模型改变这一局面，通过海量无标签数据学习可重用的生理与行为表征。

该模型使用了来自100多个国家、超过20种Fitbit和Pixel Watch型号的数据，总计超过1万亿分钟、涉及500万用户。据研究人员称，这是目前为止用于此类模型训练的最大、最多样化的可穿戴数据集。

SensorFM处理34种特征，源自5类传感器信号：光电容积脉搏波（PPG）、加速度、皮肤电导、皮肤温度和气压高度。训练采用自监督方式，通过自适应与继承掩码（AIM）技术重构被故意遮盖的数据片段，从而使模型学会处理真实缺失值和人为遮蔽值。

研究人员测试了从约10万到1亿参数的4个模型变体，训练数据规模从5000人到500万人。结果显示，随着模型参数和数据量同步增长，重构误差最多降低31%，且在大多数下游预测任务上表现更佳。这表明SensorFM遵循典型的规模定律。

在3个独立研究、共13985名参与者的数据上（模型预训练未见），SensorFM在35项预测任务中于34项超越使用手工可穿戴特征的有监督基线。这些任务覆盖心血管和代谢健康、心理健康、睡眠、人口统计和生活方式。

然而，这些评估中的健康标记多基于自我报告、用药记录或问卷，而非临床金标准。研究人群也未完全代表一般人群。此外，模型仅处理分钟级聚合数据，可能丢失短时精细模式。因此，尽管性能数据亮眼，但距离临床应用仍有验证鸿沟。

为了检验SensorFM的实际效用，研究人员将其集成进一个个人健康智能体（基于Gemini）。4名临床医生花费超过40小时，对31名真实参与者的93份健康摘要进行了1860次评分。结果显示，包含SensorFM预测的摘要版本在上下文、个性化、可论证性、相关性和安全性5个维度上均显著优于基线版本，且与使用真实已知健康数据的版本无统计学差异。

但需注意，该评估仅为静态单次响应，未涉及多轮对话或追问。且SensorFM预测不能替代临床测量或诊断，这一点在研究中也明确强调。

SensorFM目前仍为研究模型，谷歌未公布将其整合到Fitbit、Pixel Watch或健康教练的具体计划。主要限制包括：仅基于Fitbit和Pixel Watch数据，是否适用于其他可穿戴设备未知；分钟级聚合可能丢失细粒度信息；健康标记的自我报告偏差；静态评估场景。

尽管存在上述限制，SensorFM展示了大规模自监督学习在可穿戴健康领域的巨大潜力。它可能成为更智能、更个性化的健康智能体的技术基础，尤其适用于难以测量、个体差异大的特质（如抑郁和焦虑症状）。未来，随着更多样化的设备和临床验证，这种通用表征模型有望推动数字健康从碎片化走向统一。