IT之家 7 月 11 日消息,谷歌研究团队于 7 月 9 日发布博文,宣布推出可穿戴健康基础模型 SensorFM,在 35 项健康任务中有34 项优于特征工程监督基线。研究还称,线性探针在 35 项任务…
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。
(来源:小熊科技)免责声明:本文内容来源于第三方或整理自互联网,本站仅提供展示,不拥有所有权,不代表本站观点立场,也不构成任何其他建议,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容, 请及时联系我们进行处理。
