--- title: "SensorFM – 谷歌推出面向可穿戴健康数据的通用基础模型" url: "https://paooo.com/aigc-news/29132/" author: "Prompt 语宙研究院" published_at: "2026-07-10T14:02:49+08:00" updated_at: "2026-07-10T14:02:49+08:00" categories: "AIGC 资讯" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # SensorFM – 谷歌推出面向可穿戴健康数据的通用基础模型 > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/29132/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-10 ## SensorFM是什么 SensorFM 是 Google Research 推出的面向可穿戴健康数据的大型传感器基础模型，基于 500 万参与者、超 1 万亿分钟无标签多模态传感器数据预训练，学习通用生理表征，可迁移至心血管、代谢、睡眠、心理健康等 35 个健康预测任务，支持数据填充、标签高效适应，作为个人健康代理的 grounding 工具。 ## SensorFM的主要功能 - **通用生理表征学习**：从 PPG、加速度计、EDA、皮肤温度、高度计五种传感器模态中，提取 34 个一分钟级聚合特征，学习跨个体、跨设备的通用生理表示。 - **多域健康预测**：覆盖心血管、代谢、睡眠、心理健康、生活方式、人口统计六大类共 35 个下游判别任务。 - **缺失数据填充**：用生成式预训练能力，对传感器数据中的缺失片段进行时间插值与外推，如 60 分钟数据缺失时仍可保持 99.7% 的日步数预测精度。 - **标签高效适应**：仅需少量标注样本即可快速适配新任务，在数据稀缺场景下超越全监督基线。 - **Agentic 预测头设计**：部署多 LLM Agent 协作竞争，自动搜索并生成最优下游预测头代码，探索超 3 万个候选方案。 - **个人健康代理集成**：将下游预测器作为工具嵌入个人健康代理，提升 LLM 健康回答的上下文感知、个性化与安全性。 ## SensorFM的技术原理 - **自监督重建预训练**：SensorFM 采用基于 LSM-2 的掩码自编码器框架，通过最小化掩码区域的重建均方误差，从万亿分钟无标签数据中学习生理信号的内在结构，无需依赖昂贵的健康标注。 - **Adaptive and Inherited Masking（AIM）**：将真实设备缺失与人工掩码视为等价，直接从不完整记录中学习，使模型天生具备缺失感知能力，避免传统插补带来的偏差或数据丢弃造成的浪费。 - **数据与模型联合扩展**：系统验证从 100K 到 100M 参数、从 200 万到 20 亿传感器小时的扩展规律，发现两者同步扩展时，预训练损失与下游性能呈近线性提升且未出现饱和，最大模型 SensorFM-B 在 33/35 任务上取得最优。 - **线性探测评估**：冻结 SensorFM 编码器，仅在其上训练轻量级线性头，直接探测嵌入质量。结果显示在 34/35 任务上超越人工特征工程的全监督基线，且随着模型规模增大，对人口统计特征的依赖逐渐降低，说明大模型已隐式学到生理相关特质。 - **LLM Agent 自动优化**：构建”课堂”式多智能体系统，让多个 LLM Agent 迭代生成、测试、优化预测头代码，最终方案在 16/20 个分类任务和 12/15 个回归任务上超越简单线性探测，且 Agent 能力越强，搜索到的方案越优。 ## 如何使用SensorFM SensorFM 目前处于技术预览阶段，可作为学术研究参考，尚无法直接体验或部署。 ## SensorFM的核心优势 - **规模领先**：基于 500 万人、1 万亿分钟数据预训练，是目前最大最多样的可穿戴数据集。 - **通用性强**：单一表征同时覆盖六大健康领域 35 个任务，无需为每个终点单独构建流水线。 - **缺失感知**：AIM 机制将数据缺失转化为学习信号，非噪声或负担。 - **标签高效**：少量标注即可超越全监督基线，解决医疗领域标注稀缺痛点。 - **自动化适配**：LLM Agent 自动设计预测头，降低下游任务开发门槛。 - **临床验证**：通过 1860 名临床医生的评分验证，集成到个人健康代理后的回答在相关性、安全性上显著提升。 ## SensorFM的项目地址 - **项目官网**：https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/ - **arXiv技术论文**：https://arxiv.org/pdf/2605.22759 ## SensorFM的应用场景 - **心血管健康监测**：基于 PPG 和心率变异性特征，持续评估心律异常、血压趋势等心血管风险，实现早期预警。 - **代谢风险筛查**：通过睡眠、活动量、皮肤温度等信号组合，推断糖尿病、肥胖等代谢相关风险指标。 - **睡眠障碍分析**：利用多模态传感器融合，精准识别睡眠阶段、呼吸中断模式，辅助睡眠呼吸暂停等障碍筛查。 - **心理健康追踪**：从心率变异性、皮肤电活动、活动模式中提取抑郁、焦虑等心理状态的微弱信号，支持长期情绪监测。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)