تقدم أبحاث Google جهاز SensorFM: نموذج مؤسسة صحية يمكن ارتداؤه تم تدريبه مسبقًا على تريليون دقيقة من بيانات الاستشعار

تُبنى معظم النماذج الصحية القابلة للارتداء بنتيجة واحدة في كل مرة. ينهار هذا النهج عند خمسة وثلاثين نقطة نهاية. التسميات باهظة الثمن والتعليق التوضيحي بأثر رجعي غير ممكن.

قدمت أبحاث جوجل سينسورفم, نموذج أساسي للصحة القابلة للارتداء تم تدريبه مسبقًا على أكثر من تريليون دقيقة من بيانات أجهزة الاستشعار من 5 ملايين شخص.

ما هو جهاز الاستشعارFM؟

يعد SensorFM نموذجًا أساسيًا للاستشعار الكبير لتعلم تمثيل السلاسل الزمنية القابلة للارتداء. إنه يستوعب 34 ميزة مجمعة مدتها دقيقة واحدة مستمدة من خمسة أجهزة استشعار: PPG، ومقياس التسارع، وEDA، ودرجة حرارة الجلد، ومقياس الارتفاع. يتم تنظيم هذه الميزات في سبع فئات، على مدار 24 ساعة.

العمود الفقري عبارة عن جهاز تشفير ViT-1D تم تدريبه على هدف التشفير التلقائي المقنع وحجم التصحيح [20, 1]. استخدم التدريب المسبق 5,000,000 مشاركًا معتمدًا، تم أخذ عينات منهم في الفترة ما بين سبتمبر 2024 وسبتمبر 2025. وتمتد هذه المجموعة إلى أكثر من 100 دولة، وجميع الولايات الأمريكية الخمسين، وأكثر من 20 طرازًا من Fitbit وPixel Watch. يبلغ إجماليها أكثر من ملياري ساعة، أو أكثر من تريليون دقيقة.

توجد أربعة متغيرات، كل منها مقترن بحجم بيانات متناسب.

يستخدم التقييم بيانات منفصلة. وهو يغطي 13,985 موضوعًا عبر ثلاث دراسات محتملة معتمدة من IRB. وهي الصحة الأيضية والقلبية والجهاز التنفسي (العدد = 1,655)، والنوم (العدد = 6,377)، والصحة العقلية (العدد = 5,953). تغطي المهام الـ 35 القلب والأوعية الدموية (6)، والتمثيل الغذائي (8)، والصحة العقلية (8)، والنوم (3)، والتركيبة السكانية (4)، ونمط الحياة (6).

قضية التحجيم

مع هذا الإعداد، السؤال الأول هو ما إذا كان الحجم يشتري أي شيء قابل للقياس. قام فريق البحث بمسح أربعة أحجام للنماذج مقابل أربعة أحجام للبيانات.

يعمل جهاز SensorFM-B الموجود في مجموعة 5M على تقليل فقدان التحقق من إعادة الإعمار بنسبة 31% مقارنةً بـ SensorFM-XXS. تنخفض الخسارة التوليدية بنسبة 28٪ في المتوسط. في اتجاه مجرى النهر، يكسب ΔAUC = 0.09 على التصنيف و Δr = 0.21 على الانحدار. عبر المتغيرات، يفوز B بـ 33 من 35 مهمة، ويحتل XXS المرتبة الأخيرة في 33 من 35.

حالة الفشل مفيدة بنفس القدر. تم تدريب جهاز SensorFM-B على 5 آلاف موضوع فقط، مما أدى إلى فقدان التحقق من الصحة بمقدار 1.082. وهذا أسوأ من كل متغير أصغر في نفس الحجم. تم إيقاف التدريب المسبق مبكرًا بسبب فرط ملاءمة النموذج.

وبالتالي، تفترض جميع النتائج الرئيسية أن حجم البيانات يتم قياسه بشكل متناسب مع السعة. على طول هذا القطر المشترك، يتحرك متوسط ​​ROC AUC بمقدار .664، .681، .710، .752. متوسط ​​تحركات بيرسون r .386، .435، .536، .612. ويبين الشكل أعلاه أن الاتجاه لم يشبع.

الهدف: التعامل مع البيانات المفقودة كإشارة

القياس وحده لا يفسر هذه الأرقام. تتجزأ التدفقات الحقيقية أثناء الشحن وفترات عدم المعصم وأوضاع توفير الطاقة. الطرق التقليدية إما تحسب الفجوات، أو تضخيم التحيز، أو تسقط النوافذ، وتتخلص من البيانات.

بدلاً من ذلك، يستخدم SensorFM تقنية الإخفاء التكيفي والموروثة (AIM)، التي قدمها Xu et al. في LSM-2. والقناع المطبق هو اتحاد قناع الافتقاد الموروث والقناع الاصطناعي. يتم حساب الخسارة فقط على البقع المقنعة بشكل مصطنع والتي لها حقيقة أساسية. يؤدي إخفاء الرمز المميز على مرحلتين، باستخدام إخفاء الرمز المميز وإخفاء الانتباه، إلى الحفاظ على كفاءة هذا الإجراء.

ونظرًا لأن وحدة فك التشفير تتعلم كيفية إعادة بناء الملاحظات المخففة، فإن الاحتساب والتنبؤ يأتيان مجانًا.

إعادة بناء MSE على مجموعة الاختبار المحتجزة، أقل هو الأفضل.

مقابل أفضل خط أساس، يعمل جهاز SensorFM على تحسين التضمين العشوائي بنسبة 74.8%. تحسن إسناد إشارة الاستشعار بنسبة 83.7%.

التدريب العملي: التكيف مع التضمينات

إن تحويل هذا التمثيل إلى تنبؤات هو أمر واضح ومباشر. يبقى التشفير مجمدا. يتم تجميع التضمينات لكل شخص، باستخدام المتوسط ​​والانحراف المعياري عبر الأيام. يتم تقليل تلك إلى 50 مكونًا رئيسيًا. ثم يتدرب الرأس الخطي تحت التحقق المتبادل المستقل عن الشخص بخمسة أضعاف.

import numpy as np
from sklearn.decomposition import PCA
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import roc_auc_score

def person_level(emb, pid):
    """Collapse day-level embeddings into one vector per participant."""
    people = np.unique(pid)
    feats = []
    for p in people:
        e = emb[pid == p]                    # (n_days, d)
        feats.append(np.concatenate([e.mean(axis=0), e.std(axis=0)]))
    return np.nan_to_num(np.stack(feats)), people   # pandas std() is NaN at 1 day

X, people = person_level(emb, pid)           # emb: frozen SensorFM embeddings
y = labels[people]                           # one label per participant

aucs = []
for tr, te in StratifiedKFold(5, shuffle=True, random_state=0).split(X, y):
    pca = PCA(n_components=50).fit(X[tr])    # PCA-50, fit on the train fold only
    clf = LogisticRegression(max_iter=400)   # paper: AdamW, lr 5e-3, wd 1e-4, 400 steps
    clf.fit(pca.transform(X[tr]), y[tr])
    p = clf.predict_proba(pca.transform(X[te]))[:, 1]
    aucs.append(roc_auc_score(y[te], p))
print(np.mean(aucs))

يتفوق هذا المسبار الخطي على خط الأساس المصمم هندسيًا تحت الإشراف في 34 مهمة من أصل 35. تتبع النتائج المختارة.

الصف الأخير ليس متطرفا. يتم حساب درجات ASCVD وFramingham من الميزات الديموغرافية. وبالتالي فإن النماذج الديموغرافية فقط تفوز بالبناء. أفاد فريق البحث أن SensorFM هو الأفضل في 31 مهمة من أصل 35، وليس جميعها.

هناك تحذيران يجلسان في نفس الجداول. لا تزال التركيبة السكانية تساعد شركة SensorFM في 22 مهمة من أصل 30، على الرغم من أن الرفع يتقلص مع الحجم. في الأنظمة ذات التصنيف المنخفض للغاية، تظل الأسبقية الديموغرافية وحدها قوية.

الفصل الدراسي الوكيل

حتى المسبار الخطي يحتاج إلى ضبط لكل مهمة. ولأتمتة ذلك، قام فريق البحث بإدارة “فصل دراسي” يضم خمسة وكلاء طلاب ماجستير في القانون. تومض هذه الامتداد Gemini-2.5 من خلال معاينة Gemini-3.1 pro. يقوم الوكلاء بإنشاء رؤوس Python وتنفيذها وتسجيلها وتحسينها على مدى 20 دورة، باستخدام عمليات التضمين غير المختصرة.

في المجمل، أجروا 30.516 تجربة. تغلبت الرؤوس التي تم العثور عليها بواسطة العميل على المسبار الخطي في 16 من 20 مهمة تصنيف، تم قياسها بواسطة F1. كما قاموا برفع ارتباط بيرسون في 12 من 15 مهمة انحدار. تتبع جودة الحل مؤشر ذكاء التحليل الاصطناعي.

الحلول الفائزة متحفظة. قامت جميعها تقريبًا بتخفيض مساحة التضمين إلى 50-100 بُعدًا. فاق عدد النماذج الخطية عدد النماذج غير الخطية، وظهرت المجموعات في أقل من الربع.

تأريض وكيل الصحة الشخصية

تختبر التجربة النهائية SensorFM كأداة، وليس كمدخل معياري. قام برنامج Gemini 3 Flash بإنشاء ملخصات صحية لـ 31 ملفًا شخصيًا للمشاركين الحقيقيين. تلقت كل حالة معلومات ديموغرافية ومقاييس يومية مصممة للميزات. ثم أضافت الشروط تنبؤات SensorFM أو أهداف الحقيقة الأرضية أو لا شيء.

وفقًا للورقة البحثية، أنتج أربعة أطباء معتمدين من مجلس الإدارة، غير مدركين للحالة، 1860 تقييمًا عبر خمسة أبعاد عنوان. تتفوق إضافة تنبؤات SensorFM على خط الأساس بشكل عام (W = 10110، p <0.001)، وعلى كل بُعد. وكانت تنبؤاتها لا يمكن تمييزها إحصائيا عن الحقيقة الأرضية (ع = 0.396).

حالات الاستخدام

• الفحص والتقسيم الطبقي للمخاطر: جهاز تشفير مجمد بالإضافة إلى رأس خطي واحد يشير إلى المرشحين للعمل المعملي التأكيدي. تتناول الورقة هذا بالفحص وليس التشخيص.
• إصلاح الملخصات اليومية: مع إلغاء 60 دقيقة متجاورة، يحتفظ جهاز SensorFM بعدد الخطوات بنسبة 99.7% ودقة النوم العميق بنسبة 99.9%.
• دراسات نادرة التسمية: قم بفحص التضمينات المجمدة بدلاً من التدريب الشامل. قارن مع خط الأساس الديموغرافي فقط أولاً.
• التدريب على الأرض: يحظر موجه الوكيل إصدار قيم الانحدار الأولية أو العلامات المنطقية. يتم تفسير التوقعات نوعيا بدلا من ذلك.

المستكشف التفاعلي