SensorFM – 谷歌推出面向可穿戴健康数据的通用基础模型

1. SensorFM是什么

SensorFM是Google Research推出的大型传感器基础模型，专门面向可穿戴健康数据。该模型基于500万参与者、超过1万亿分钟的无标签多模态传感器数据进行预训练，学习通用的生理表征，能够迁移至心血管、代谢、睡眠、心理健康等六大类共35个健康预测任务。它具备缺失数据填充和标签高效适应能力，可作为个人健康代理的底层基础工具，提升健康回答的上下文感知和安全性。

技术定位与领域： SensorFM属于自监督基础模型领域，专注于可穿戴传感器数据的通用表征学习。与传统的任务特定模型不同，它通过大规模预训练学习跨个体、跨设备的生理信号内在结构，能够覆盖心血管、代谢、睡眠、心理健康、生活方式、人口统计六大健康领域，定位为可穿戴健康数据的通用智能接口。其核心创新在于将掩码自编码器框架与自适应继承掩码（AIM）结合，使模型天生具备缺失感知能力，无需依赖昂贵的健康标注即可从原始传感器信号中提取通用特征。

研发背景： 由Google Research团队开发，基于多年在可穿戴设备（如Fitbit、Pixel Watch）的数据积累和机器学习研究。研发动机源于医疗健康领域标注数据稀缺、传感器数据多模态且存在缺失等挑战，旨在构建一个能统一处理多种传感器模态、具备缺失感知和标签高效迁移能力的基础模型，降低下游健康应用开发门槛。团队此前在健康AI领域已有深厚积累，SensorFM是其基础模型战略在可穿戴方向的重要布局。

核心价值： SensorFM解决了可穿戴健康数据领域的两大痛点：一是不同健康任务需要单独构建特征工程和模型，导致重复开发和维护成本高昂；二是传感器数据常存在缺失且标注成本高昂，传统方法需单独插补或丢弃数据。通过自监督预训练和自适应掩码机制，模型能直接从原始传感器信号中学习通用表征，在35个任务上仅需少量标注即可超越全监督基线，同时天生具备缺失数据填充能力，极大提升了开发效率和模型泛化性。此外，其LLM Agent自动设计预测头的机制进一步降低了下游任务适配门槛。

技术特点： 核心技术包括基于LSM-2的掩码自编码器框架、自适应继承掩码（AIM）机制，以及数据与模型联合扩展策略。LSM-2采用Transformer架构，专注于学习时间序列中的长程依赖和生理信号内在结构。AIM将真实设备数据缺失与人工掩码视为等价，使模型直接从非完整序列中学习，避免传统插补带来的偏差或数据丢弃造成的浪费。联合扩展实验系统验证了从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，且随着模型规模增大，对人口统计特征的依赖逐渐降低，表明模型隐式学到了与生理健康直接相关的特质。

2. 主要功能

• 通用生理表征学习： 从PPG（光电容积描记）、加速度计、EDA（皮肤电活动）、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（包括均值、方差、频域能量等），学习跨个体、跨设备的通用生理表示。该表征可冻结后直接用于多种下游任务，无需重新训练编码器，大幅降低计算成本，且在不同设备间具有良好迁移性。

• 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。单一模型即可处理心率异常检测、糖尿病风险预测、睡眠阶段分类、抑郁倾向评估、活动类型识别等多种健康预测，显著降低系统复杂度，避免为每个终点单独构建流水线。

• 缺失数据填充： 利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。在60分钟数据缺失的极端场景下，仍可保持99.7%的日步数预测精度，有效解决现实穿戴数据普遍不完整的问题。该能力源于AIM机制将缺失视为学习信号，而非噪声。

• 标签高效适应： 仅需少量标注样本即可快速适配新任务。在线性探测评估中，冻结SensorFM编码器，仅训练轻量级线性头，在34/35任务上超越人工特征工程的全监督基线。在数据稀缺的医疗场景，这一特性极具价值，可大幅降低数据标注成本。

• 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。系统构建“课堂”式多智能体环境，让多个LLM Agent迭代生成、测试、优化预测头架构，探索超过3万个候选方案。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。

• 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。经1860名临床医生验证，集成后的回答在相关性、安全性和上下文感知上显著提升，使AI健康助手能够基于真实传感器数据而非仅凭文本知识进行推理。

3. 如何使用

SensorFM目前处于技术预览阶段，模型权重和代码尚未公开，但基于论文描述，可以勾勒出理论使用流程。

1. 环境要求： 模型训练基于TPU集群，推理可在单张NVIDIA A100（80GB）或同等算力GPU上运行。需安装JAX或TensorFlow框架（推荐JAX以匹配原始训练环境），以及NumPy、SciPy、Pandas等数据处理库。操作系统建议Linux（Ubuntu 20.04+），内存至少32GB。

2. 数据准备： 输入为多模态传感器时间序列，包括PPG（通常≥25Hz）、加速度计（≥50Hz）、EDA、皮肤温度、高度计。数据需按一分钟窗口聚合为34个特征，包括时域统计（均值、标准差、中位数等）和频域特征（功率谱密度等）。聚合后的数据需进行Z-score归一化，并标记缺失位置。SensorFM原生支持缺失值输入，无需单独插补，但需提供掩码矩阵。

3. 模型加载（待开放）： 待官方发布预训练权重后，可通过提供的API加载SensorFM编码器。假设使用类似from sensorfm import load_model的方式加载预训练模型，并通过model.encoder获取冻结的编码器。参数规模从100K到100M可选，建议根据任务复杂度和资源选择。

4. 下游任务适配： 在线性探测模式中，在冻结编码器上训练线性分类器（如逻辑回归）或回归器（如线性回归）。若需更优性能，可参考论文中的“课堂”式多智能体系统：使用LLM Agent（如Gemini）自动生成预测头代码，通过交叉验证评估并迭代优化。系统会输出最优的预测头架构和权重。

5. 预测与评估： 对提取的特征进行健康预测，评估指标包括AUC（分类）、MAE/RMSE（回归）等。模型支持缺失数据自动填充，无需单独预处理。注意：当前阶段建议以论文复现和学术研究为主，实际部署需等待官方发布更多工具。

注意事项： 由于模型依赖Google基础设施（如TPU、Google Cloud），对非Google设备数据的兼容性尚未验证。建议在Google Cloud环境中部署以获得最佳性能。数据隐私方面，需确保传感器数据符合当地健康数据法规（如HIPAA、GDPR），建议在安全环境中处理。

4. 优缺点分析

5. 同类工具对比

选型建议： 对于学术研究机构，若需要可复现的基准模型，DeepHeart等开源项目更易上手，但任务覆盖有限且数据规模小；若追求大规模通用表征和最新方法论，SensorFM在数据规模和任务广度上优势明显，但需等待开源，可先参考其论文技术细节。对于商业可穿戴设备厂商，华为TruSeen和Apple HealthKit已深度集成于各自生态，可直接使用，但缺乏跨平台通用性和任务扩展性。SensorFM作为基础模型，未来若开放API或提供轻量化版本（如蒸馏模型），可能成为第三方健康应用的智能引擎，尤其适合需要多任务预测的健康管理平台。

对于需要处理多种健康预测任务的综合性健康管理平台（如远程医疗、慢病管理），SensorFM的通用表征和标签高效特性极具吸引力，可大幅减少模型开发投入，从数月缩短至数周。但需注意隐私合规和计算成本，建议在云端部署并采用联邦学习增强隐私。在数据稀缺的医疗场景（如罕见病、特定人群），SensorFM的少量标注优势尤为突出，建议关注其开源进展，并提前准备符合其格式的传感器数据。

6. 编辑点评

SensorFM在技术创新上展现了Google在可穿戴健康AI领域的深厚积累与前瞻视野。其核心亮点在于：一是数据规模空前，500万人、1万亿分钟的数据量级远超任何公开同类研究，为模型泛化性提供了坚实基础，且通过联合扩展实验验证了性能随规模近线性提升的规律，具有重要的工程指导意义；二是自监督预训练与自适应继承掩码（AIM）的巧妙结合，使模型天生具备缺失感知能力，解决了现实可穿戴数据普遍不完整的核心痛点，这一设计思路值得其他时间序列基础模型借鉴；三是LLM Agent自动设计预测头的机制，将模型适配自动化提升到新高度，体现了基础模型与Agent技术融合的趋势，未来可能推广到更多领域。

从实用价值看，SensorFM在35个任务上的优异表现，尤其是线性探测在34/35任务上超越全监督基线，证明了其表征的通用性和质量。临床医生验证也增强了其可信度，表明其在辅助医疗决策中的潜力。然而，目前未开源的状态严重限制了其实际应用，社区无法复现、验证或二次开发，这与Google近年来推动开放研究的趋势形成反差。此外，模型对计算资源的高要求也提高了部署门槛，可能阻碍其在中小型企业和资源受限场景的落地。

适用人群主要包括：健康AI研究者（可参考其方法论和扩展规律）、可穿戴设备厂商（评估其作为核心算法的潜力，提前布局数据格式）、临床数据分析师（探索其在真实医疗数据上的迁移效果，如电子健康记录与传感器数据结合）、以及健康管理平台开发者（等待开源后集成）。未来发展潜力巨大，若Google将其开源或通过Google Cloud API提供，很可能成为可穿戴健康领域的基础模型标准，类似NLP领域的BERT或CV领域的ResNet。其数据与模型联合扩展的规律也为后续更大规模模型指明了方向。

推荐指数：★★★★☆（4.5/5星） 扣除0.5星主要因为未开源和计算资源要求较高。但其技术创新性、数据规模和临床验证价值值得高度关注，是2025年最具影响力的可穿戴健康AI研究成果之一。

7. 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（如房颤）、血压趋势等心血管风险。SensorFM可实时处理传感器流，输出风险评分，实现早期预警。在评估中，模型在房颤检测任务上AUC超过0.95，且能自动填充因运动导致的信号缺失，减少误报。

• 代谢风险筛查： 通过睡眠时长与质量、活动量（步数、强度）、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。模型可整合多日数据，给出长期趋势分析，如胰岛素抵抗指数预测。在标签稀缺时，仅需数十例标注即可达到传统模型数百例的效果。

• 睡眠障碍分析： 利用多模态传感器融合，精准识别睡眠阶段（浅睡、深睡、REM）、呼吸中断模式。SensorFM能自动填充因佩戴松动导致的数据缺失，提供整夜睡眠质量报告，辅助睡眠呼吸暂停等障碍筛查。在公开数据集上，睡眠阶段分类准确率超过90%。

• 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。模型可长期监测情绪波动，为心理健康干预提供数据支持。在初步验证中，模型能够从两周的传感器数据中预测抑郁倾向，准确率与临床问卷相当。

• 个性化健康代理： 将SensorFM作为底层感知工具嵌入LLM驱动的健康代理。当用户询问“我今天的活动量是否足够”时，代理不仅参考文本知识，还能实时调用传感器分析结果，给出基于实际数据的个性化建议，提升回答的上下文感知和安全性。

8. 常见问题FAQ

Q：SensorFM是否开源？
A：目前SensorFM处于技术预览阶段，模型权重和代码尚未公开。Google仅发布了技术论文和官方博客文章，社区无法直接下载或使用。未来是否开源有待官方宣布，建议关注Google Research的更新。

Q：运行SensorFM需要什么硬件？
A：训练基于TPU集群（v4或更高），推理建议使用NVIDIA A100（80GB）或同等算力GPU。模型参数规模有多个版本，最大100M参数，消费级显卡（如RTX 3090 24GB）可能可以运行小版本但速度较慢。具体需求需待官方发布后确认，预计至少需要16GB显存。

Q：SensorFM支持哪些传感器数据？
A：支持PPG（光电容积描记，通常来自光学心率传感器）、加速度计、EDA（皮肤电活动，用于压力检测）、皮肤温度、高度计五种模态。数据需按一分钟窗口聚合为34个特征，包括时域和频域统计量。其他模态（如陀螺仪、麦克风）暂不支持。

Q：与Apple Health或华为健康相比，SensorFM有何不同？
A：Apple Health和华为健康是面向特定设备的健康算法平台，各任务（如心率、睡眠）模型独立开发，缺乏通用性。SensorFM是通用基础模型，单一表征可迁移到35个任务，且具备缺失感知和标签高效特性，泛化性更强。但前者已深度集成于设备生态，可直接使用，而SensorFM尚需部署和适配。

Q：能否用于实时健康监测？
A：模型设计支持时间序列处理，但当前版本推理延迟未公开。考虑到模型规模（100M参数），实时监测（如逐秒推理）可能需要优化或轻量化版本。目前更适合离线分析（如每日健康报告）或准实时应用（如每5分钟评估一次）。未来可能通过知识蒸馏或量化实现端侧部署。

Q：数据隐私如何保障？
A：Google在训练中使用了匿名化数据，但具体隐私保护措施（如差分隐私、联邦学习）未详细公开。部署时需遵循当地健康数据法规（如HIPAA、GDPR），建议在安全环境中使用，并考虑采用联邦学习或本地推理以避免数据传输。Google的博客文章提到模型可作为个人健康代理的grounding工具，暗示可能支持本地部署，但细节未公布。

Q：如何参与SensorFM的研究或合作？
A：目前官方未开放合作渠道。研究社区可通过arXiv论文（2605.22759）了解技术细节，并尝试复现部分方法（如AIM机制）。若Google后续开放API或研究访问，可能会在Google Research博客或AI开发者社区公布。

9. 项目地址

• 项目官网：https://research.google/blog/sensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data/
• 技术论文：https://arxiv.org/pdf/2605.22759