Google Research hat ein neues Foundation Model vorgestellt, das speziell für die Analyse von Wearable-Gesundheitsdaten entwickelt wurde: SensorFM. Das Modell wurde auf über einer Billion Minuten Sensordaten von fünf Millionen Menschen vortrainiert und soll künftig als universelle Schnittstelle für Smartwatches und Fitness-Tracker fungieren. Damit adressiert Google ein zentrales Problem der mobilen Gesundheitsüberwachung – die Umwandlung von Rohdaten in medizinisch verwertbare Erkenntnisse.
Kurz & knapp
- SensorFM wurde auf Daten von fünf Millionen Personen aus über 100 Ländern trainiert – erfasst zwischen September 2024 und September 2025
- Das Modell verarbeitet 34 verschiedene Sensor-Features von fünf Modalitäten: Herzfrequenz, Blutsauerstoff, Schlafphasen, Bewegung und Hauttemperatur
- Transfers auf 35 verschiedene Gesundheits-Vorhersage-Aufgaben möglich – ohne dass für jede einzelne Labels benötigt werden
- Nutzt selbstüberwachtes Lernen statt klassischer Supervised-Learning-Ansätze, um mit fragmentierten Wearable-Daten umzugehen
Das Problem: Fragmente statt Kontinuität
Milliarden Wearable-Geräte sammeln täglich Daten zu Herzfrequenz, Bewegung, Hauttemperatur und Blutsauerstoff. Doch aus diesen Rohdaten medizinische Erkenntnisse zu gewinnen, ist bislang schwierig. Der Grund: Menschliche Physiologie variiert massiv von Person zu Person. Ein Herzfrequenz-Muster, das bei einer Person ein Risikosignal darstellt, kann bei einer anderen völlig normal sein. Hinzu kommt: Trainings-Labels – also ärztlich bestätigte Diagnosen oder validierte Messungen – sind teuer, zeitaufwändig und oft unmöglich nachträglich zu beschaffen.
Bisherige Wearable-Modelle wurden daher meist isoliert für ein einzelnes Gesundheitsziel entwickelt. SensorFM verfolgt einen anderen Weg.
Selbstüberwachtes Lernen statt Labels
Statt auf manuell gekennzeichnete Daten zu setzen, nutzt SensorFM selbstüberwachtes Lernen – das Modell rekonstruiert fehlende oder fragmentierte Sensorsignale aus vorhandenen Daten. Dies ist entscheidend, weil Wearables in der Praxis ständig Datenlücken aufweisen: Geräte werden abgelegt, Sensoren verlieren Kontakt, oder Nutzer tragen die Uhr nicht durchgehend.
Google nutzte für SensorFM den LSM-2-Ansatz mit dem Adaptive and Inherited Masking (AIM)-Framework. Das Modell verarbeitet 34 aggregierte Ein-Minuten-Features von fünf Sensor-Typen:
| Sensor-Typ | Erfasste Signale |
|---|---|
| Photoplethysmographie (PPG) | Herzfrequenz, Herzfrequenzvariabilität |
| Beschleunigungsmesser | Bewegung, Schritte |
| Elektrodermale Aktivität (EDA) | Hautleitfähigkeit |
| Thermometer | Hauttemperatur |
| Höhenmesser | Höhenveränderungen |
Das Ergebnis: Ein einzelnes, wiederverwendbares Modell, das über 35 verschiedene Gesundheits-Vorhersage-Aufgaben hinweg funktioniert – von Herz-Kreislauf über Stoffwechsel bis zu Schlaf und psychischer Gesundheit.
Skalierung als Schlüssel
Die Datenbasis ist beeindruckend: Google trainierte SensorFM auf über zwei Milliarden Stunden – also mehr als einer Billion Minuten – Sensordaten. Die Daten stammen von konsentierten Teilnehmern aus über 100 Ländern, allen 50 US-Bundesstaaten und über 20 verschiedenen Fitbit- und Pixel-Watch-Modellen. Dies ist nach Angaben von Google das größte und vielfältigste Wearable-Dataset, das je für ein Modell verwendet wurde.
Die Forscher Xin Liu und Daniel McDuff von Google Research betonen damit ein Prinzip, das in der KI-Entwicklung zentral geworden ist: Co-Scaling von Modellgröße und Datenmenge führt zu besseren Generalisierungen.
Was das für deutsche Unternehmen bedeutet
Für Medizintechnik-Firmen, Versicherungen und Gesundheits-Apps in Deutschland könnte SensorFM ein Spielwechsel sein. Ein universelles Modell für Wearable-Daten senkt die Hürde für personalisierte Gesundheitsprognosen erheblich – bislang war jede neue Anwendung ein separates Entwicklungsprojekt. Offen bleibt allerdings, wie Google das Modell verfügbar machen wird und welche Datenschutz-Anforderungen gelten. Für europäische Unternehmen dürfte die DSGVO und der kommende EU AI Act zentral sein.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
