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，有34项表现优于传统特征工程监督基线。这一成果基于对全球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，时间跨度从2024年9月至2025年9月。通过抽取每人数周的传感器信号，研究团队积累了超过20亿小时的原始数据。
SensorFM的输入体系整合了五大类传感器数据，包括光电容积脉搏波（PPG）、加速度计、电皮肤活动（EDA）、皮肤温度和高程计。系统每分钟聚合34个核心特征，能够实时追踪24小时内的多项生理指标，如心率变异性、血氧饱和度、睡眠阶段分布、运动强度及步数、皮肤电导反应和体温波动等。这种多模态数据融合方式显著提升了健康监测的全面性和精准度。
该模型提供四种规模版本，从超小型XXS到大型B型。实验数据显示，最大规模的SensorFM-B在重建损失指标上较最小版本降低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，SensorFM-B在33项任务中取得最优表现，任务类型涵盖心血管健康、代谢风险评估、心理健康监测、睡眠质量分析、人口统计学特征预测及生活方式评估六大领域。
研究团队特别开发了基于大语言模型（LLM）的协作式代码生成系统，通过构建智能体"课堂"实现推理算法的自动化优化。该系统在实验中探索了超过3万个候选方案，最终生成的预测模型在20项分类任务中有16项超越线性探针基线，在15项回归任务中有12项表现更优。这种自动化优化机制显著缩短了模型迭代周期，同时保持了算法的可解释性。
线性探针分析结果显示，该技术在35项任务中有34项优于传统特征工程方法，特别是在心理健康和睡眠阶段识别等复杂任务中展现出明显优势。研究团队指出，这种基于大规模预训练的健康模型，为开发个性化健康管理工具提供了新的技术路径，未来有望在慢性病预警、运动康复指导等领域实现应用突破。
