面向可穿戴健康數據的通用智能基礎模型與個人健康代理

本文針對可穿戴設備數據轉化難、高質量標註稀缺及個體差異大等痛點，提出了一種基於萬億分鐘無標籤傳感器數據預訓練的可穿戴健康基礎模型。該模型在500萬參與者的大規模隊列上訓練，通過聯合擴展模型容量與數據量，在35項涵蓋心血管、代謝、睡眠及心理健康等任務中實現了系統性性能提升。研究進一步發現，該大規模表征支持標籤高效的小樣本學習與生成式指標估算，並部署LLM智能體自動搜索下游預測頭結構，顯著增強預測能力。最終構建的個人健康代理經1860名臨床醫生評估，展現出更高的相關性、上下文感知力與安全性，為可穿戴健康數據的深度挖掘與個性化應用提供了全新範式。