Fortschritte in der Analyse tragbarer Gesundheitsdaten: Googles SensorFM als neues Fundamentmodell

Revolution in der Wearable-Datenauswertung: Googles SensorFM transformiert Rohdaten in intelligente Gesundheitsinformationen

Die kontinuierliche Erfassung physiologischer Daten durch Wearables hat in den letzten Jahren erheblich zugenommen. Traditionell basierten die meisten Gesundheitsanwendungen in diesem Bereich auf spezialisierten Algorithmen, die für einzelne Aufgaben wie die Schlafanalyse oder die Herzfrequenzüberwachung entwickelt wurden. Google Research hat nun mit der Einführung von SensorFM, einem innovativen Fundamentmodell, einen Paradigmenwechsel eingeleitet, der darauf abzielt, diese fragmentierten Ansätze durch eine integrierte, KI-gestützte Lösung zu ersetzen. Dieses Modell verspricht, unstrukturierte Sensordaten in eine kohärente und umfassende Gesundheitsintelligenzschicht zu überführen.

Die Herausforderung der Wearable-Daten

Wearables wie Smartwatches und Fitness-Tracker generieren täglich immense Mengen an Daten. Diese Daten sind oft "unordentlich" – sie können Lücken aufweisen, Rauschen enthalten und stammen aus verschiedenen Sensortypen. Bisherige Ansätze erforderten für jede spezifische Gesundheitsmetrik, sei es die Erkennung von Schlafphasen, die Messung kardiovaskulärer Belastung oder die Analyse metabolischer Marker, separate, oft aufwendig trainierte Modelle. Dies führte zu einer ineffizienten Entwicklung und einem hohen Bedarf an teuren, beschrifteten Datensätzen.

SensorFM: Ein Fundamentmodell für physiologische und Verhaltensmuster

Google Research hat SensorFM entwickelt, um eine allgemeine Repräsentation menschlicher Physiologie und Verhaltensmuster aus diesen Wearable-Sensordaten zu lernen. Das Modell wurde mit einem beispiellosen Datensatz trainiert: über eine Billion Minuten multimodaler Sensordaten von fünf Millionen Fitbit- und Pixel Watch-Nutzern aus über 100 Ländern und mit mehr als 20 verschiedenen Gerätemodellen. Diese immense Datenbasis stellt laut den Forschenden den größten und diversesten Datensatz dar, der jemals für das Training eines solchen Modells verwendet wurde.

SensorFM verarbeitet 34 Merkmale aus fünf Sensortypen:

• Optische Herzfrequenzmessung (Photoplethysmographie, PPG)
• Beschleunigung
• Hautleitfähigkeit
• Hauttemperatur
• Barometrische Höhe

Zu den extrahierten Merkmalen gehören Herzfrequenz, Herzfrequenzvariabilität, Blutsauerstoffsättigung, Schlafphasen und Bewegungsdaten. Das Training erfolgte selbstüberwacht durch die Rekonstruktion absichtlich maskierter Datensegmente, eine Technik namens "Adaptive and Inherited Masking" (AIM). Diese Methode ermöglicht es SensorFM, sowohl tatsächlich fehlende Werte als auch künstlich versteckte Datenlücken zu erkennen und zu verarbeiten, wodurch das Modell robust gegenüber unvollständigen Daten wird.

Skalierung und Leistung: Einblicke in die Modellentwicklung

Die Forschungsergebnisse zeigen, dass die Leistung von SensorFM systematisch mit der Größe des Modells und dem Umfang der Trainingsdaten zunimmt. Getestet wurden vier Modellvarianten mit einer Parameteranzahl von etwa 100.000 bis 100 Millionen und Trainingsdatensätzen von 5.000 bis fünf Millionen Personen. Die größte Modellkonfiguration zeigte auf dem umfangreichsten Trainingsdatensatz eine um 31 Prozent geringere Rekonstruktionsfehlerquote im Vergleich zum kleinsten Modell und erzielte bei den meisten nachgelagerten Vorhersageaufgaben die besten Ergebnisse.

Überlegenheit in Gesundheits- und Verhaltensaufgaben

Um die Leistungsfähigkeit von SensorFM zu validieren, wurde das Modell an Daten aus drei unabhängigen Studien mit insgesamt 13.985 Teilnehmenden getestet, die SensorFM zuvor nicht gesehen hatte. Das Modell wurde auf 35 Vorhersageaufgaben evaluiert, die Bereiche wie kardiovaskuläre und metabolische Gesundheit, psychische Gesundheit, Schlaf, Demografie und Lebensstil abdeckten.

Selbst einfache, auf SensorFMs gelernten Repräsentationen basierende, aufgabenspezifische Modelle übertrafen überwachte Baselines mit handgefertigten Wearable-Merkmalen in 34 von 35 Aufgaben. Das skalierte Vortraining machte SensorFM zudem effizienter in Bezug auf den Bedarf an beschrifteten Daten. Das Modell konnte sich mit vergleichsweise wenigen beschrifteten Beispielen an neue Aufgaben anpassen, und mit zunehmender Größe wurde es unabhängiger von zusätzlichen demografischen Informationen. Dies könnte insbesondere für schwer messbare Merkmale wie Symptome von Depressionen und Angstzuständen von Vorteil sein, die stark zwischen Individuen variieren.

Zur Anpassung der gelernten Repräsentationen von SensorFM an neue Aufgaben wurde ein "Klassenzimmer" von konkurrierenden und kollaborierenden LLM-Agenten eingerichtet. Diese Agenten generierten, testeten und verfeinerten wiederholt Code für nachgelagerte Vorhersagemodelle, wobei über 30.000 Experimente durchgeführt wurden. Die so gefundenen Modelle übertrafen einfache lineare Modelle, die auf denselben SensorFM-Repräsentationen basierten, in 28 von 35 Vorhersageaufgaben.

SensorFM in der Anwendung: Verbesserung von Gesundheits-Agenten

Ein weiterer wichtiger Aspekt der Forschung war die Integration von SensorFM in einen persönlichen Gesundheits-Agenten. Es wurden drei Varianten verglichen: Eine erhielt zusätzlich zu demografischen Informationen und täglichen Zusammenfassungen von Wearable-Daten (wie Aktivität, Schlaf, Blutsauerstoff und Hauttemperatur) SensorFM-Vorhersagen für verschiedene Gesundheitsmarker. Eine zweite Variante erhielt die tatsächlich bekannten Werte dieser Marker, und die dritte diente als Baseline ohne diese zusätzlichen Informationen.

Vier Kliniker bewerteten 93 Gesundheitszusammenfassungen für 31 reale Teilnehmerprofile. Die Auswertung umfasste über 40 Stunden Arbeit und führte zu 1.860 Einzelbewertungen. Das Ergebnis zeigte, dass Zusammenfassungen, die durch SensorFM-Vorhersagen ergänzt wurden, in allen fünf gemessenen Dimensionen – Kontext, Personalisierung, Begründbarkeit, Relevanz und Sicherheit – signifikant höhere Bewertungen erhielten als die Baseline. Es gab keinen statistisch signifikanten Unterschied zwischen Zusammenfassungen, die SensorFM-Vorhersagen verwendeten, und solchen, die tatsächliche bekannte Gesundheitsdaten nutzten. Es ist jedoch zu betonen, dass SensorFM klinische Messungen oder Diagnosen nicht ersetzen kann.

Grenzen und Ausblick

Die Forscher weisen auf mehrere Limitationen hin. SensorFM wurde ausschließlich mit Daten von Fitbit- und Pixel Watch-Geräten trainiert und getestet. Die Übertragbarkeit der Ergebnisse auf andere Wearables bleibt eine offene Frage. Das Modell arbeitet zudem nicht mit hochauflösenden Rohsignalen, sondern mit minütlich aggregierten Daten, was den Verlust sehr kurzer oder feingranularer Muster bedeuten kann.

Viele der untersuchten Gesundheitsmarker basieren auf Selbstauskünften, Medikamentenaufzeichnungen oder Fragebögen und nicht auf klinisch bestätigten Befunden. Die Studienpopulation repräsentiert zudem nicht vollständig die Allgemeinbevölkerung. Der Gesundheits-Agent wurde lediglich in einem statischen Setup mit einzelnen Antworten evaluiert und nicht in längeren Konversationen mit Folgefragen.

SensorFM ist derzeit ein reines Forschungsprojekt. Obwohl Google bereits einen auf Gemini basierenden Google Health Coach anbietet, der personalisierte Tipps zu Fitness, Schlaf und anderen Gesundheitsthemen liefert, gibt es noch keine konkreten Pläne zur Integration von SensorFM in Fitbit, Pixel Watch oder den bestehenden KI-Coach. Das Potenzial, unstrukturierte Wearable-Daten in eine tiefgreifende und umfassende Gesundheitsintelligenz zu überführen, ist jedoch erheblich und könnte zukünftige Entwicklungen im Bereich der personalisierten Gesundheitspflege maßgeblich beeinflussen.

Bibliographie:

Google Research. (2026, 9. Juli). SensorFM: Towards a general intelligence and interface for wearable health data. research.google.com. Bezmalinović, T. (2026, 13. Juli). Google’s SensorFM turns messy wearable sensor data into a general-purpose health intelligence layer. the-decoder.com. Narayanswamy, G., Xu, M. A., Heydari, A. A., Abdel-Ghaffar, S., Guerard, M., Vaillancourt, K., Zhang, Z., Garrison, J., Albuquerque, L., Spathis, D., Yu, H., Palangi, H., Xu, X., & Barrett, D. G. T. (2026). Towards a General Intelligence and Interface for Wearable Health Data. arXiv.org. Majic Predin, J. (2026, 10. Juli). Google’s SensorFM Reveals Where AI Takes Wearable Health. Forbes. Shipfeed. (2026, 13. Juli). Google’s SensorFM turns messy wearable sensor data into a general-purpose health intelligence layer. shipfeed.fyi. Healthcare.digital. (2026, 13. Juli). Demystifying Google SensorFM: A Paradigm Shift in Wearable Foundational AI and Human Physiological Modelling. healthcare.digital. Sutter, M. (2026, 10. Juli). Google Research Introduces SensorFM: A Wearable Health Foundation Model Pretrained on One Trillion Minutes of Sensor Data. MarkTechPost. Wells, R. L. (2026, 10. Juli). Wearable AI Now Rivals Lab Tests: Google’s SensorFM Trained on 1 Trillion Minutes. TechTimes. Let’s Data Science. (2026, 10. Juli). Google Presents SensorFM for Wearable Health Data. letsdatascience.com. Wallace, G. (2026, 10. Juli). Google Research Releases SensorFM: A Wearable Foundation for Health Model Trained using One Trillion minutes of Sensor Data. AI-trends.today.