The latest research from Google · 09.07.2026 ·Исследования и наука

Google представила SensorFM: универсальную модель для анализа данных с носимых устройств

Исследователи Google разработали SensorFM — специализированную модель, способную интерпретировать разнообразные сигналы с носимых устройств, включая данные пульса, активности и сна. Система использует генеративный подход для анализа временных рядов, что позволяет ИИ эффективно извлекать медицинские инсайты из «сырых» показаний датчиков, обеспечивая более точный мониторинг состояния здоровья пользователей в режиме реального времени.

В основе SensorFM лежит архитектура, обученная на обширных наборах данных с различных сенсоров, что делает её универсальным инструментом для носимой электроники. В отличие от традиционных алгоритмов, заточенных под конкретные задачи, эта модель способна адаптироваться к разным типам сигналов и пользовательским паттернам. Это открывает путь к созданию интеллектуальных интерфейсов, которые не просто фиксируют показатели, а предоставляют контекстуальную интерпретацию здоровья.

Разработка направлена на преодоление фрагментации данных, характерной для современных фитнес-трекеров и медицинских гаджетов. Благодаря способности модели к обобщению, она может эффективно работать даже с зашумленными или неполными данными, что критически важно для повседневного мониторинга. Технология потенциально упрощает интеграцию сложных биометрических метрик в приложения для превентивной медицины и персонального сопровождения здоровья.

Ключевые факты

SensorFM разработана для обработки мультимодальных данных с носимых устройств, включая показатели сердечного ритма и двигательной активности.
Модель использует методы генеративного обучения для анализа временных рядов, что повышает точность интерпретации биометрических сигналов.
Система ориентирована на создание универсального интерфейса, способного переводить сложные данные датчиков в понятные пользователю рекомендации.
Исследование сфокусировано на решении проблемы нехватки размеченных данных в области носимой электроники через обучение на больших неструктурированных массивах.

Источник: The latest research from Google

Обсудить с ИИ

Похожие материалы

MarkTechPost · Машинное обучение Google представила TabFM: фундаментальную модель для работы с табличными данными Google Research анонсировала TabFM — новую фундаментальную модель, предназначенную для обработки табличных данных. Система использует механизм гибридного внимания для выполнения задач классификации и регрессии в режиме zero-shot. Модель способна делать предсказания за один проход, исключая необходимость в дообучении под конкретные наборы данных, настройке гиперпараметров или сложной подготовке признаков. arXiv · Исследования и наука Исследование: ИИ-агенты для анализа данных с носимых устройств Исследователи представили новый подход к обработке данных с носимых устройств с помощью ИИ-агентов. В статье, опубликованной на arXiv, описывается система WEQA (Wearable hEalth Question Answering), которая использует адаптивное агентное рассуждение для работы с высокоразмерными и непрерывными данными, поступающими от носимых датчиков. The latest research from Google · Машинное обучение Google представила TabFM: foundation-модель для работы с табличными данными Google Research анонсировала TabFM — новую foundation-модель, предназначенную для анализа табличных данных в режиме zero-shot. Архитектура модели основана на трансформерах и обучена на огромных массивах таблиц, что позволяет ей эффективно выполнять задачи классификации и регрессии без необходимости дообучения на конкретных наборах данных, превосходя традиционные методы градиентного бустинга в ряде сценариев. Hacker News · Модели и релизы Представлена MFM: новая фундаментальная модель для анализа движения Исследователи представили MFM (Motion Foundation Model) — специализированную нейросетевую архитектуру, основанную на методе PINN (Physics-Informed Neural Networks). Модель предназначена для моделирования и анализа динамических процессов, объединяя возможности глубокого обучения с физическими законами. Релиз включает веса модели и документацию, позволяя использовать её для задач прогнозирования траекторий и анализа сложных движений в различных средах. Hacker News · ИИ в бизнесе ИИ-алгоритм для выявления риска внезапной сердечной смерти Исследователи из Калифорнийского университета в Беркли разработали модель машинного обучения, способную выявлять скрытые признаки риска внезапной сердечной смерти. Анализируя данные ЭКГ, система обнаруживает аномалии, которые остаются незамеченными при стандартной клинической диагностике. Это решение открывает новые возможности для превентивной кардиологии и автоматизации анализа медицинских показателей пациентов в режиме реального времени. Hacker News · Исследования и наука Глубокое обучение выявило новый ЭКГ-биомаркер внезапной сердечной смерти Исследователи применили методы глубокого обучения для анализа данных электрокардиограмм, что позволило обнаружить новый биомаркер, предсказывающий риск внезапной сердечной смерти. Модель анализирует тонкие паттерны в электрической активности сердца, которые остаются незаметными для традиционных методов диагностики, открывая новые возможности для раннего выявления пациентов из групп высокого риска и превентивной терапии сердечно-сосудистых заболеваний. arXiv · Машинное обучение Проблема доменной адаптации в системах распознавания активности человека Исследователи проанализировали проблему сдвига распределения данных в системах распознавания активности человека (HAR). Основная сложность при внедрении таких моделей в реальные условия заключается в гетерогенности датчиков и вариативности контекста. Авторы работы предлагают методы повышения устойчивости алгоритмов к изменениям доменов, что критически важно для надежной работы носимых устройств и систем мониторинга в неконтролируемой среде. Hacker News · Машинное обучение Google представила TabFM: фундаментальную модель для табличных данных Google Research выпустила TabFM — первую фундаментальную модель, способную работать с табличными данными в режиме zero-shot. Архитектура модели основана на трансформерах и позволяет выполнять задачи классификации и регрессии без необходимости предварительного обучения на конкретном наборе данных. Это решение значительно упрощает обработку структурированной информации, автоматизируя построение предиктивных моделей для широкого спектра бизнес-задач. Hacker News · Исследования и наука ИИ обнаружил новый маркер риска внезапной сердечной смерти на ЭКГ Исследователи применили методы машинного обучения для анализа данных ЭКГ и выявили ранее неизвестный биомаркер, предсказывающий риск внезапной сердечной смерти. Алгоритм проанализировал тысячи записей сердечного ритма, обнаружив скрытые закономерности, которые не фиксируются при стандартной клинической интерпретации. Это открытие может существенно повысить точность ранней диагностики опасных сердечно-сосудистых патологий и персонализировать профилактическое лечение пациентов. arXiv · Исследования и наука EchoSonar-R: мультимодальная модель для анализа эхокардиографии Исследователи представили EchoSonar-R — специализированную модель для анализа эхокардиографических данных, объединяющую классификацию сердечных патологий с автоматической генерацией клинических отчетов. В отличие от предыдущих систем, ориентированных только на классификацию, архитектура EchoSonar-R использует мультиракурсный подход, синтезируя визуальные доказательства из различных проекций сердца для повышения точности диагностики и формирования структурированных медицинских заключений.

← Все материалы