谷歌研究团队近日宣布推出一款名为SensorFM的可穿戴健康基础模型，该模型在35项健康评估任务中展现出显著优势，其中34项任务的表现优于传统特征工程监督基线。这一突破性成果源于对全球500万名授权参与者可穿戴设备数据的深度分析，数据采集覆盖100多个国家和地区，涉及20余种Fitbit和Pixel Watch机型。
研究团队通过提取每位参与者数周的传感器数据，构建了超过20亿小时的信号数据库。模型输入整合了34个1分钟聚合特征，涵盖光电容积脉搏波（PPG）、加速度计、电皮肤活动（EDA）、皮肤温度和高程计五类传感器数据。这些数据能够精准捕捉24小时内的心率变异性、血氧饱和度、睡眠阶段、运动步数、皮肤电导及体温等关键健康指标。
SensorFM提供四种规模版本（XXS至B型），其中最大规模模型SensorFM-B在性能上实现质的飞跃。相较于最小版本，其重建损失降低31%，分类任务平均AUC值提升9%，回归任务平均Pearson相关系数提高21%。在35项判别式健康任务中，该模型在33项任务中取得最优表现，任务类型覆盖心血管健康、代谢风险评估、心理健康监测、睡眠质量分析、人口统计特征及生活方式六大领域。
研究团队还创新性地构建了由协作与竞争型大语言模型（LLM）智能体组成的"classroom"系统。该系统通过迭代生成、测试和优化推理代码，在实验中探索超过3万个候选方案。最终生成的预测头在20项分类任务中有16项超越线性探针表现，在15项回归任务中有12项取得更优结果。这种自动化模型优化机制为健康监测领域开辟了新的技术路径。
