[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"nr-de-google-sensorfm-wearable-health-foundation-model":3},{"slug":4,"title":5,"dek":6,"date":7,"time":8,"publishedAt":9,"updated":10,"updatedAt":10,"dateFmt":11,"updatedFmt":10,"kind":12,"tier":13,"author":14,"authorName":15,"topics":16,"tracker":10,"trackerLabel":10,"headlineStat":22,"image":23,"ogImage":24,"imageAlt":5,"csv":10,"minutes":25,"words":26,"html":27},"google-sensorfm-wearable-health-foundation-model","Google stellt SensorFM vor – Foundation Model für Wearable-Gesundheitsdaten","Google Research hat ein großes Sprachmodell für Wearable-Sensoren trainiert. SensorFM lernt aus einer Billion Minuten Gesundheitsdaten von fünf Millionen Menschen und soll personalisierte Medizin ermöglichen.","2026-07-10","08:23","2026-07-10T08:23:00+02:00","","10. Juli 2026","news","standard","ideal-syka","Ideal Syka",[17,18,19,20,21],"Foundation Models","Wearable Technology","Health Tech","Machine Learning","Personalisierte Medizin","1 Billion Minuten Trainingsdaten von 5 Millionen Menschen","\u002Fnewsroom\u002Fimg\u002Fgoogle-sensorfm-wearable-health-foundation-model.webp","\u002Fog-nr\u002Fgoogle-sensorfm-wearable-health-foundation-model.de.png",3,538,"\u003Cp>Google Research hat ein neues Foundation Model vorgestellt, das speziell für die Analyse von Wearable-Gesundheitsdaten entwickelt wurde: \u003Cstrong>SensorFM\u003C\u002Fstrong>. 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.\u003C\u002Fp>\n\u003Ch2>Kurz & knapp\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>SensorFM\u003C\u002Fstrong> wurde auf Daten von \u003Cstrong>fünf Millionen Personen\u003C\u002Fstrong> aus über \u003Cstrong>100 Ländern\u003C\u002Fstrong> trainiert – erfasst zwischen September 2024 und September 2025\u003C\u002Fli>\n\u003Cli>Das Modell verarbeitet \u003Cstrong>34 verschiedene Sensor-Features\u003C\u002Fstrong> von fünf Modalitäten: Herzfrequenz, Blutsauerstoff, Schlafphasen, Bewegung und Hauttemperatur\u003C\u002Fli>\n\u003Cli>Transfers auf \u003Cstrong>35 verschiedene Gesundheits-Vorhersage-Aufgaben\u003C\u002Fstrong> möglich – ohne dass für jede einzelne Labels benötigt werden\u003C\u002Fli>\n\u003Cli>Nutzt \u003Cstrong>selbstüberwachtes Lernen\u003C\u002Fstrong> statt klassischer Supervised-Learning-Ansätze, um mit fragmentierten Wearable-Daten umzugehen\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Das Problem: Fragmente statt Kontinuität\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>Bisherige Wearable-Modelle wurden daher meist isoliert für ein einzelnes Gesundheitsziel entwickelt. SensorFM verfolgt einen anderen Weg.\u003C\u002Fp>\n\u003Ch2>Selbstüberwachtes Lernen statt Labels\u003C\u002Fh2>\n\u003Cp>Statt auf manuell gekennzeichnete Daten zu setzen, nutzt SensorFM \u003Cstrong>selbstüberwachtes Lernen\u003C\u002Fstrong> – 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.\u003C\u002Fp>\n\u003Cp>Google nutzte für SensorFM den \u003Cstrong>LSM-2-Ansatz\u003C\u002Fstrong> mit dem \u003Cstrong>Adaptive and Inherited Masking (AIM)\u003C\u002Fstrong>-Framework. Das Modell verarbeitet 34 aggregierte Ein-Minuten-Features von fünf Sensor-Typen:\u003C\u002Fp>\n\u003Cdiv class=\"tbl-scroll\">\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Sensor-Typ\u003C\u002Fth>\n\u003Cth>Erfasste Signale\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd>Photoplethysmographie (PPG)\u003C\u002Ftd>\n\u003Ctd>Herzfrequenz, Herzfrequenzvariabilität\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Beschleunigungsmesser\u003C\u002Ftd>\n\u003Ctd>Bewegung, Schritte\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Elektrodermale Aktivität (EDA)\u003C\u002Ftd>\n\u003Ctd>Hautleitfähigkeit\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Thermometer\u003C\u002Ftd>\n\u003Ctd>Hauttemperatur\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Höhenmesser\u003C\u002Ftd>\n\u003Ctd>Höhenveränderungen\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Das Ergebnis: Ein einzelnes, wiederverwendbares Modell, das über \u003Cstrong>35 verschiedene Gesundheits-Vorhersage-Aufgaben\u003C\u002Fstrong> hinweg funktioniert – von Herz-Kreislauf über Stoffwechsel bis zu Schlaf und psychischer Gesundheit.\u003C\u002Fp>\n\u003Ch2>Skalierung als Schlüssel\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>Die Forscher Xin Liu und Daniel McDuff von Google Research betonen damit ein Prinzip, das in der KI-Entwicklung zentral geworden ist: \u003Cstrong>Co-Scaling\u003C\u002Fstrong> von Modellgröße und Datenmenge führt zu besseren Generalisierungen.\u003C\u002Fp>\n\u003Ch2>Was das für deutsche Unternehmen bedeutet\u003C\u002Fh2>\n\u003Cp>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.\u003C\u002Fp>\n\u003Ch2>Quellen\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"https:\u002F\u002Fresearch.google\u002Fblog\u002Fsensorfm-towards-a-general-intelligence-and-interface-for-wearable-health-data\u002F\">Google Research\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cem>Redaktionell verantwortet von \u003Ca href=\"\u002Fautor\u002Fideal-syka\">Ideal Syka\u003C\u002Fa>. Quellen und Arbeitsweise: \u003Ca href=\"\u002Fredaktion\">Redaktion & Methode\u003C\u002Fa>. Hinweise und Korrekturen: \u003Ca href=\"mailto:ai@i6eal.de\">ai@i6eal.de\u003C\u002Fa>.\u003C\u002Fem>\u003C\u002Fp>\n",1783672057717]