Google Researchは2026年7月9日(現地時間)、ウェアラブルヘルスデータに特化した汎用基盤モデル「SensorFM」を発表した。このモデルは、500万人の参加者から集積された1兆分以上のセンサーデータを事前学習し、人間の生理機能を汎用的に表現する。SensorFMは35種類の健康予測タスクに転移可能で、ラベル効率の高い適応と欠損データの自動補完をサポートする。
SensorFMは、心拍数、動き、皮膚温度、血中酸素レベル、睡眠など、ウェアラブルデバイスからの膨大な低レベル信号を意味のある洞察に変換する課題に対応するために開発された。個人間の生理機能、ライフスタイル、健康状態の多様性に加え、診断結果や検査結果といったラベルデータ収集にかかる高コストと時間の制約が、従来のモデル開発における主な課題だった。
SensorFMは、2024年9月から2025年9月にかけて、健康とウェルネス研究へのデータ使用に同意した500万人の匿名化されたデータに基づいて構築された。このデータセットは、100カ国以上、米国の全50州、20種類以上のFitbitおよびPixel Watchデバイスモデルから収集されたもので、合計20億時間以上、すなわち1兆分以上の1分分解能信号を含む。モデルはphotoplethysmography (PPG)、accelerometry、electrodermal activity (EDA)、skin temperature、altimetryの5つのセンサーモダリティから導出された34種類の1分間集計特徴量を取り込む。
SensorFMはラベルデータに依存せず、自己教師あり再構成学習を通じて学習を進める。ウェアラブルデバイスで頻繁に発生する欠損データを自然なアーティファクトとして扱い、不完全な記録から直接学習するAdaptive and Inherited Masking (AIM)フレームワークを採用している。
モデルサイズと事前学習データ量の両方を拡大するスケーリング実験では、データ量と容量の増加に伴い事前学習損失が予測可能に減少し、下流の健康タスクにもその恩恵が波及することが示された。最大のモデルであるSensorFM-Bは、再構成損失の削減、および下流の分類タスクと回帰タスクにおける性能向上を達成し、多くのタスクで最も優れた結果を示した。
SensorFMの学習済み表現の汎用性を検証するため、心血管健康、代謝リスク、精神衛生、睡眠、人口統計、ライフスタイルを含む6つのカテゴリにわたる35の識別健康タスクで評価を実施した。その結果、SensorFMエンコーダーを凍結した線形プローブが、多くのタスクにおいて、特徴量エンジニアリングされた教師ありベースラインを上回る広範な汎化性能を示すことが確認された。モデルがスケールアップするにつれて、人口統計学的特徴の追加による性能向上が縮小し、モデルが事前学習中に生理学的に関連する特性を暗黙的に捕捉している可能性が示唆された。さらに、うつ病や不安などの測定困難な症状に対して特に価値を発揮し、少量のラベル付きデータでも既存のベースラインを上回るラベル効率を実証した。
SensorFMの登場は、ウェアラブルヘルスデータの活用を巡る競争環境に新たな局面をもたらす可能性がある。AppleのHealthKitやSamsung Health Stackなど、主要テクノロジー企業はウェアラブルデバイスを通じたヘルスケアデータ収集と分析に注力している。SensorFMのような大規模な多角的センサーデータに基づく汎用基盤モデルの出現は、ヘルスケア分野のサービス開発者や研究者に対し、データ活用フレームワークの進化と、それに伴う新たなソリューション開発への対応を促すと見られる。特に、限られたラベルデータから高い精度を引き出すSensorFMの特性は、既存の臨床研究や個別の健康管理サービスにおいて、より効率的でパーソナライズされたアプローチを可能にする可能性がある。
参考: Google Research Blog (アーカイブ) — 2026年7月9日 18:56 (JST)
原文ハイライト"SensorFM: Towards a General Intelligence and Interface for Wearable Health Data"