Google Research、ウェアラブル健康データ基盤モデル「SensorFM」を公開──500万人分の生体データで学習
1兆分を超える生体信号を学習し、心血管や代謝など35の健康予測タスクで汎用的な表現を獲得した初の大規模センサー基盤モデル。
リリース: 2026-06-24 · 読了 5 分記事の要約
1. 核心（What）
- 500万人、1兆分（20億時間）のウェアラブルセンサーデータを学習に使用した大規模センサー基盤モデル「SensorFM」を発表。
- PPG、加速度、EDA、皮膚温、高度計の5つのモダリティから得られる34の1分単位集約特徴量を入力として処理。
- 35の健康予測タスク（心血管、代謝、睡眠、メンタルヘルス等）において、既存の教師あり学習ベースラインを上回る精度を達成。
- LLMエージェントが予測ヘッドを自動設計する「classroom」システムにより、3万件以上の候補から最適なモデル構成を探索。
2. 影響（Why）
- 専門特化型モデルからの脱却: 従来のウェアラブル健康モデルは特定の疾病予測に閉じた個別設計が主流だったが、SensorFMは汎用的な生体表現を学習するため、新規の健康指標を予測する際の実装コストを大幅に削減できる。
- 国内ヘルスケア事業者への影響: 国内の[中規模ヘルスケアSaaS事業者]が提供する健康管理アプリにおいて、本モデルをバックエンドに組み込むことで、ユーザー個別の生理データに基づいた高精度な健康コーチング機能の早期実装が可能となる。
3. 根拠・詳細（How）
- 欠損データへの耐性（AIM）: Adaptive and Inherited Masking (AIM) フレームワークを採用。センサーの脱着や省電力モードによる欠損をノイズではなくデータの一部として扱い、不完全な時系列データから直接学習する設計。
- スケーリング則の検証: 200万から20億センサー時間、100Kから100Mパラメータの範囲で実験を実施。最大規模のSensorFM-Bは、最小モデル比で再構築損失を31%削減し、分類タスクのAUCで平均9%の性能向上を確認。
4. 展望・課題（Next）
- AIヘルスコーチへの統合: 個人健康エージェント（Personal Health Agent）のグラウンディングツールとして活用。臨床医による評価で、実測値に基づく回答と同等の信頼性を獲得。