5백만 명 wearable 데이터로 만든 SensorFM, 건강 AI의 새 기준점

웨어러블 건강 AI의 병목은 더 이상 센서 부족이 아니라, 흩어진 신호를 일반화 가능한 표현으로 바꾸는 문제다. Google Research가 공개한 SensorFM은 5백만 명의 동의 기반 데이터에서 1조 분이 넘는 센서 신호를 학습해 이 문제에 정면으로 들어간다.

학습 데이터는 2024년 9월부터 2025년 9월까지 수집된 de-identified Fitbit 및 Pixel Watch 데이터다. 범위도 크다. 100개국 이상, 미국 50개 주, 20종 이상의 기기에서 나온 2십억 시간 이상의 minute-resolution 신호가 포함됐다. 모델은 PPG, accelerometry, EDA, skin temperature, altimetry에서 나온 34개 1분 단위 특징을 받아 심박, HRV, 혈중 산소, 수면 단계, 움직임, 피부전도, 온도 변화를 하루 단위 맥락으로 읽는다.

중요한 설계는 결측치를 버리지 않는다는 점이다. 실제 wearable 데이터는 충전, 착용 해제, 절전 모드, 센서 전환 때문에 끊긴다. SensorFM은 Adaptive and Inherited Masking 방식으로 원래 비어 있던 구간과 학습용으로 가린 구간을 함께 다루며, 불완전한 기록을 학습 대상에서 제외하지 않는다.

성능 신호도 뚜렷하다. 가장 큰 SensorFM-B는 가장 작은 variant보다 reconstruction loss를 31% 낮췄고, downstream 분류 과제에서는 평균 9% AUC 향상, 회귀 과제에서는 평균 21% Pearson coefficient 향상을 보였다. 3개 독립 prospective study의 13,985명 데이터를 쓴 35개 과제 평가에서는 frozen embedding 위 linear probe만 붙였는데도 34개 과제에서 feature-engineered supervised baseline을 앞섰다.

Google은 여기에 LLM agent가 예측 head를 자동으로 설계하는 “classroom” 실험도 붙였다. 30,000개 넘는 후보 솔루션을 탐색한 결과, agent가 만든 head는 20개 분류 과제 중 16개, 15개 회귀 과제 중 12개에서 단순 linear probe를 넘어섰다. 개인 건강 agent가 실제 의료 판단을 대체한다는 뜻은 아니다. 다만 웨어러블 데이터가 질환별 작은 모델의 재료가 아니라, 범용 생리 표현의 기반 데이터가 될 수 있다는 신호는 충분히 강하다.