Google обучила медицинский ИИ на триллионе минут данных с Fitbit и Pixel Watch — VogueTech

Что нового

Google Research представила SensorFM — крупную ИИ‑модель для работы с данными носимых устройств. Главная особенность — масштаб и тип данных, на которых её обучили:

5 млн пользователей, согласившихся на использование своих данных для исследований здоровья и благополучия.
Период сбора: сентябрь 2024 — сентябрь 2025.
Более 2 млрд часов записей — это свыше триллиона минут сигналов с разрешением в одну минуту.
Данные из 100+ стран и всех 50 штатов США.
20+ моделей устройств: Fitbit и Pixel Watch.
Окно анализа — 24 часа с поминутной детализацией.

SensorFM работает не с сырыми сигналами, а с 34 агрегированными признаками за каждую минуту, собранными из пяти типов сенсоров:

фотоплетизмография (PPG);
акселерометрия;
электродермальная активность (EDA);
температура кожи;
альтиметрия.

Из этих сигналов модель извлекает информацию о:

частоте сердечных сокращений и вариабельности пульса;
насыщении крови кислородом;
стадиях сна;
движении и количестве шагов;
проводимости кожи;
температуре в течение суток.

SensorFM не просто «терпит» пропуски в данных, а использует их как часть обучения. Это важно для реальных носимых устройств, где часы регулярно снимают с руки, разряжаются или уходят в энергосбережение.

Как это работает

Формат данных

SensorFM получает на вход временной ряд из 34 поминутных признаков за сутки. Каждый признак — агрегированное значение из одного из пяти сенсоров.

Примеры того, что попадает в эти 34 признака:

усреднённый пульс за минуту;
вариабельность сердечного ритма;
шаги и интенсивность движения по акселерометру;
уровень SpO₂;
изменения электропроводности кожи;
температура кожи и изменение высоты.

Обучение без разметки

Google не размечала вручную триллион минут данных. SensorFM учится в самообучающемся режиме — через задачу реконструкции сигнала.

Модель берёт часть временного ряда, «затирает» некоторые фрагменты и пытается восстановить исходные значения. Этот подход основан на методе LSM‑2 и его фреймворке Adaptive and Inherited Masking (AIM).

Ключевое решение — как SensorFM обращается с пропусками:

обычные методы хотят непрерывный сигнал и либо достраивают пробелы, либо выбрасывают неполные окна;
оба подхода искажают реальную картину, особенно при повседневном ношении гаджета;
AIM не заполняет пропуски искусственно и не выкидывает такие фрагменты.

Модель принимает пропуски как естественную часть данных:

реальные «дыры» в записи превращаются в специальные токены;
к ним добавляют искусственно замаскированные токены для задачи реконструкции;
SensorFM учится одинаково обрабатывать оба типа маскировки.

В итоге представление данных изначально учитывает фрагментированность записей. SensorFM не только не ломается на дырках в данных, а использует их для обучения генеративной части модели.

Что это значит для вас

Если вы разработчик в digital‑health или фитнесе

SensorFM — это шаг к более «понимающим» моделям поверх носимых устройств:

можно строить оценку состояния в течение суток, даже если пользователь часто снимает часы;
проще делать модели раннего обнаружения отклонений в пульсе, сне, активности;
появляются более надёжные фичи для персонализированных рекомендаций по нагрузкам, сну, восстановлению.

SensorFM особенно полезна там, где много «грязных» данных:

фитнес‑приложения с нерегулярным ношением трекера;
исследования сна в реальной жизни, а не в лаборатории;
долгосрочный мониторинг хронических состояний, где человек не носит часы 24/7.

Где использовать модель пока рано:

клиническая диагностика и постановка медицинских диагнозов без врача;
принятие критически важных решений только по данным носимых устройств.

SensorFM училась на огромном массиве данных, но Google говорит о исследовательском и wellness‑контексте, а не о полноценной замене медицинских приборов.

Если вы пользователь Fitbit или Pixel Watch

Прямого доступа к SensorFM у вас нет. Вы не можете «включить» её в настройках.

Но такие модели обычно со временем попадают:

в улучшенные метрики сна и восстановления;
более точные оценки стресса и нагрузки;
новые режимы умного уведомления о необычном пульсе или активности.

Если вы живёте в России, стоит учитывать:

официальная поддержка сервисов Google и покупка устройств затруднены;
часть функций может работать только при доступе к серверам Google.

С высокой вероятностью для полноценного использования будущих сервисов на базе SensorFM понадобится аккаунт Google и стабильный доступ к зарубежной инфраструктуре. В ряде сценариев без VPN обойтись будет сложно.

Для исследователей и дата‑сайентистов в здравоохранении

SensorFM — хороший ориентир по нескольким направлениям:

как строить крупные самообучающиеся модели на физиологических данных;
как не вычищать до идеала пропуски, а использовать их в обучении;
как проектировать признаки на уровне минут, а не сырые сигналы.

Если вы работаете с собственными данными носимых устройств, логика AIM может быть полезна даже без доступа к SensorFM:

не обязательно агрессивно заполнять все пробелы;
можно использовать маскирование и реконструкцию как основную задачу предобучения.

Место на рынке

Google не сравнивает SensorFM с конкретными моделями других компаний. Зато понятен её сегмент:

это foundation‑модель не для текста или изображений, а для сенсорных данных носимых устройств;
она обучена на масштабе, который для большинства игроков рынка пока недостижим — триллион минут.

По типу задач SensorFM ближе к крупным моделям для медицинских сигналов (ЭКГ, PPG и т.п.), но с важным отличием:

она работает с агрегированными минутными признаками и сразу несколькими сенсорами;
она изначально рассчитана на повседневные носимые устройства, а не на клиническое оборудование.

Прямых цифр по скорости, стоимости инференса или сравнению с другими ИИ‑системами Google не даёт. Но по масштабу данных и ориентации на пропуски SensorFM сейчас выглядит как один из самых крупных и агрессивных экспериментов в области ИИ для носимых устройств.

Кому это особенно полезно

Продуктовым командам в фитнесе и wellness‑приложениях — как ориентир, как можно использовать «грязные» данные трекеров.
Исследователям в цифровой медицине — как пример архитектуры и подхода к обучению на многомодальных сенсорах.
Энтузиастам носимых гаджетов — как понимание, куда движутся умные часы: от простого подсчёта шагов к сложной интерпретации физиологии.

Тем, кто ищет готовый API или облачный сервис на базе SensorFM, пока придётся ждать: Google рассказывает о модели и её принципах, но не даёт публичных параметров по доступу, цене или ограничениях использования.