迈向可穿戴健康数据的通用智能与接口

尽管无处不在的可穿戴传感器捕获了丰富的行为与生理信息，但将这些信号有效转化为个性化健康洞察仍然充满挑战。具体而言，由于表型的高度多样性以及个体基线健康、生理与生活方式因素的差异，将低层传感器数据转换为能够刻画更高层状态的表征十分困难。此外，收集带健康结局标注的可穿戴数据既费力又昂贵，回溯性标注在实际中也几乎不可行，导致高质量标注数据稀缺。为克服这些局限，我们提出一个可穿戴健康基础模型，其在一项涵盖五百万参与者的大型队列的超过一万亿分钟无标注传感器信号上进行了预训练。我们在涵盖心血管、代谢、睡眠与心理健康以及生活方式选择和人口统计学因素的35项多样化健康预测任务上评估，证明模型容量与预训练数据量的联合扩展能带来系统性的性能提升。我们发现这种人群规模的表征解锁了标签高效的少样本学习，以及用于稳健每日指标估计的生成能力。为进一步利用这一习得的表征，我们部署了一组LLM代理自主搜索基于模型嵌入构建的下游预测头空间，展示了随LLM模型容量增大而增强的广泛性能提升。最后，我们展示了将这些下游预测器集成到个人健康代理（Personal Health Agent）中如何支持更相关、更具情境感知且更安全的模型响应，并通过一个临床医生队列的1,860项评分对此进行了验证。