面向可穿戴健康資料的通用智能基礎模型與個人健康代理

針對可穿戴設備數據高異質性、高質量標註稀缺及個體基線差異大的痛點，本研究提出了一種基於超大規模無標籤數據預訓練的可穿戴健康基礎模型。該模型在一億名參與者、超過一萬億分鐘的傳感器信號上進行訓練，通過聯合擴展模型容量與數據量，在涵蓋心血管、代謝、睡眠等35項健康預測任務中實現了系統性性能提升。此外，團隊部署了LLM智能體集群自動搜索下游預測頭結構，進一步提升了預測性能，並構建了具備上下文感知與安全性的個人健康代理，經1860名臨床醫生評估驗證了其臨床相關性。