Google: SensorFM — Foundation-Modell auf einer Billion Minuten Wearable-Daten gewinnt 34 von 35 Gesundheitsaufgaben
SensorFM ist Googles Foundation-Modell für Gesundheitsdaten von Wearables, trainiert auf über einer Billion Minuten Signaldaten von Fitbit- und Pixel-Watch-Geräten von 5 Millionen Nutzern aus über 100 Ländern. Das Modell übertrifft spezialisierte Ansätze bei 34 von 35 Aufgaben: +9 % AUC bei Klassifikation und +21 % Korrelation bei Regression.
Dieser Artikel wurde mithilfe von künstlicher Intelligenz aus Primärquellen erstellt.
Am 9. Juli 2026 stellte Google Research SensorFM vor, ein Foundation-Modell für Gesundheitsdaten von Wearables. Ein Foundation-Modell ist ein Netz, das auf einem riesigen nicht annotierten Korpus trainiert wird und anschließend auf Dutzende von Aufgaben angepasst werden kann — ein Ansatz, der die Sprachverarbeitung revolutionierte und den SensorFM erstmals in diesem Ausmaß auf Sensorsignale anwendet.
Eine beispiellose Datenskala
SensorFM wurde auf mehr als einer Billion (10¹²) Minuten Sensordaten von Fitbit- und Pixel-Watch-Geräten trainiert: Herzfrequenz, Herzfrequenzvariabilität, Schritte, Schlaf und Hauttemperatur. Die Daten stammen von rund 5 Millionen Nutzern aus mehr als 100 Ländern, erhoben zwischen September 2024 und September 2025. Zum Vergleich: Bisherige akademische Modelle für Wearable-Daten wurden typischerweise auf Tausenden von Nutzern trainiert — SensorFM nutzt drei Größenordnungen mehr.
Wie lernt das Modell aus unvollständigen Signalen?
Die Schlüsselinnovation ist adaptives Masking: Wearables haben regelmäßig Datenlücken (abgelegtes Gerät, leerer Akku), daher lernt das Modell beim Training, absichtlich maskierte Segmente zu rekonstruieren. Damit werden unvollständige Echtdaten zum Trainingssignal statt zum Problem. Google trainierte Varianten von 100.000 bis 100 Millionen Parametern — klein im Vergleich zu Sprachmodellen, ausreichend für Sensormuster.
Ergebnisse gegenüber spezialisierten Ansätzen
Über 35 Gesundheitsaufgaben hinweg — von der Apnoe-Erkennung bis zur Fitnessbewertung — übertrifft SensorFM spezialisierte Baseline-Ansätze bei 34 davon. Konkret: +9 % AUC bei Klassifikationsaufgaben und +21 % Pearson-Korrelation bei Regressionsaufgaben; Kliniker konnten die Vorhersagen des Modells im Blindtest nicht von echten Messungen unterscheiden.
Bedeutung für die Gesundheits-KI
SensorFM ebnet den Weg für KI-Assistenten, die Biometrie kontinuierlich interpretieren — ohne Labortests. Die Ankündigung erscheint am selben Tag, an dem Microsoft Aurora 1.5 für Wetter vorstellte: Das Foundation-Paradigma weitet sich sichtlich über Text hinaus auf physikalische und biologische Signale aus.
Häufig gestellte Fragen
- Was ist SensorFM?
- SensorFM ist Googles Foundation-Modell, das auf Sensordaten von Wearables (Herzfrequenz, Schritte, Schlaf) trainiert wurde und ein einzelnes Modell für Dutzende von Gesundheitsaufgaben nutzbar macht, statt für jede Aufgabe ein eigenes Modell zu benötigen.
- Auf welchen Daten wurde SensorFM trainiert?
- Auf über einer Billion Minuten Daten von Fitbit- und Pixel-Watch-Geräten von rund 5 Millionen Nutzern aus mehr als 100 Ländern, erhoben von September 2024 bis September 2025.
- Wie genau ist SensorFM?
- Es gewinnt bei 34 von 35 bewerteten Aufgaben: +9 % AUC bei Klassifikation und +21 % Pearson-Korrelation bei Regression; Kliniker konnten seine Vorhersagen im Blindtest nicht von echten Messungen unterscheiden.
Quellen
Verwandte Nachrichten
Meta: Muse Spark 1.1 bringt multimodales Reasoning mit einer Million Token Kontext und Sub-Agenten-Koordination über Model API
Microsoft: Open-Source-Modell Aurora 1.5 übertrifft ECMWF-Ensemble bei 88,9 % der Variablen — neuer Standard in der KI-Wettervorhersage
OpenAI: GPT-5.6 in drei Varianten — Sol, Terra und Luna mit Multi-Agent-Orchestrierung und sofortiger GitHub-Copilot-Integration