SensorFM от Google: базовая модель для универсального анализа состояния здоровья

Google Research представила SensorFM — революционную базовую модель, предназначенную для преобразования разрозненных данных с носимых датчиков в единый уровень интеллектуального анализа здоровья. Используя массивные наборы данных, эта модель выходит за рамки узкоспециализированного отслеживания показателей, обеспечивая комплексное понимание физиологии и поведения человека.

Выход за рамки разрозненных метрик носимых устройств

Современные носимые технологии обычно полагаются на «изолированный» подход: один алгоритм определяет фазы сна, другой оценивает сердечно-сосудистые риски, а третий отслеживает уровень стресса. Такая фрагментированная архитектура неэффективна и не позволяет сформировать целостное представление о здоровье пользователя.

SensorFM призвана заменить эти разрозненные модели единым фундаментом ИИ. Она разработана для обработки непрерывных, зачастую прерывистых или неполных данных с датчиков для ответов на широкий спектр вопросов, касающихся здоровья. Этот переход позволяет создавать персонализированных ИИ-ассистентов по вопросам здоровья, обладающих глубоким контекстуальным пониманием физиологического состояния пользователя.

Масштаб и интеграция мультимодальных данных

Масштаб предварительного обучения SensorFM беспрецедентен для сферы носимых устройств. Исследователи Google использовали более триллиона минут мультимодальных данных с датчиков, собранных у пяти миллионов пользователей Fitbit и Pixel Watch в более чем 100 странах. Этот набор данных представляет собой крупнейшую и наиболее разнообразную коллекцию данных с носимых устройств, когда-либо использовавшуюся для обучения модели такого типа.

Модель обрабатывает 34 различных признака, полученных от пяти основных типов датчиков:

• Optical Heart Rate Monitoring (PPG): отслеживание частоты сердечных сокращений и вариабельности сердечного ритма.
• Acceleration: мониторинг физической активности и движений.
• Skin Conductance: измерение физиологических реакций (электрической проводимости кожи).
• Skin Temperature: отслеживание температурных изменений.
• Barometric Altitude: определение изменений высоты над уровнем моря.

Чтобы справиться с присущим носимым устройствам «шумом» в данных, SensorFM использует метод под названием «Adaptive and Inherited Masking» (AIM — адаптивное и унаследованное маскирование). Это позволяет модели отличать действительно отсутствующие точки данных от тех, что были искусственно скрыты в процессе обучения, что дает ей возможность реконструировать и интерпретировать неполные потоки данных.

Превосходная производительность в 35 задачах по мониторингу здоровья

В ходе строгих испытаний по 35 различным задачам прогнозирования — охватывающим психическое здоровье, сердечно-сосудистую систему, метаболические маркеры и сон — SensorFM продемонстрировала поразительную универсальность. При тестировании на отдельном наборе данных почти 14 000 участников простые специализированные модели, построенные на основе представлений SensorFM, превзошли традиционные базовые модели обучения с учителем в 34 из 35 категорий.

Кроме того, модель оказалась крайне «эффективной в плане разметки» (label-efficient). Поскольку она уже изучила фундаментальные закономерности человеческой физиологии во время предварительного обучения, ей требуется значительно меньше размеченных примеров для адаптации к новым специфическим задачам. Эта способность особенно важна для мониторинга сложных, индивидуальных признаков, таких как тревожность или депрессия.

Двигатель следующего поколения ИИ-ассистентов по вопросам здоровья

Пожалуй, самым значимым применением SensorFM является её интеграция с большими языковыми моделями (LLM), такими как Gemini. В экспериментальных условиях SensorFM предоставляла физиологический контекст ИИ-ассистенту по вопросам здоровья, который затем генерировал отчеты о состоянии здоровья для проверки врачами.

Результаты были впечатляющими: отчеты, дополненные прогнозами SensorFM, получили значительно более высокие оценки по пяти критическим параметрам: контексту, персонализации, обоснованности, релевантности и безопасности. Примечательно, что эффективность ИИ при использовании прогнозов SensorFM была статистически сопоставима с использованием реальных клинических данных, что позволяет предположить, что базовые модели вскоре смогут обеспечивать высокоточный контекст для персонализированного цифрового коучинга по вопросам здоровья.

Основные выводы

• Единый интеллект: SensorFM заменяет разрозненные узкоспециализированные алгоритмы мониторинга здоровья единой базовой моделью, способной решать 35 различных задач, связанных со здоровьем и поведением.
• Непревзойденный масштаб: Модель прошла предварительное обучение на триллионе минут мультимодальных данных пяти миллионов пользователей, что делает этот набор данных крупнейшим в своем роде.
• Улучшенный контекст ИИ: Передавая физиологические данные в LLM, SensorFM позволяет создавать высокоперсонализированные и клинически значимые отчеты о здоровье и цифровых ассистентов.