Google, 1조 분 데이터 기반 헬스 파운데이션 모델 SensorFM 공개

Google Research와 DeepMind 등이 참여한 이번 연구는 라벨이 없는 방대한 웨어러블 센서 데이터로부터 인간의 생리적 특성을 학습하는 SensorFM을 제안합니다.

주요 특징 및 성과:

• 대규모 데이터셋: 500만 명의 참가자로부터 수집한 1조 분(20억 시간) 이상의 멀티모달 센서 신호를 사용하여 학습되었습니다.
• 자기지도 학습(Self-Supervised Learning): 특정 질환을 타겟팅하는 기존 방식과 달리, 데이터의 일부를 가리고 복원하는 MAE(Masked Autoencoder) 계열의 구조를 사용하여 라벨 없이도 범용적인 표현을 학습합니다.
• 높은 범용성: 심혈관, 대사, 수면, 정신 건강 등 다양한 건강 지표에 대해 뛰어난 전이 학습(Transfer Learning) 성능을 보입니다.
• 자동화된 적응: LLM 에이전트가 예측 헤드 코드를 자동으로 탐색하는 'Classroom' 방식을 도입하여, 새로운 과제에 모델을 맞추는 수작업 엔지니어링 부담을 줄였습니다.

이 모델은 개인 건강 에이전트(Personal Health Agent)의 핵심 도구로 활용될 수 있으며, 임상 평가를 통해 기존 방식보다 뛰어난 성능을 입증했습니다.