구글 리서치(Google Research)와 구글 딥마인드 연구팀은 웨어러블 기기 데이터를 학습하는 건강 AI 기반 모델 'SensorFM'을 개발했다. 해당 연구 논문은 2026년 5월 28일 아카이브(arXiv)에 게재되었다. SensorFM은 핏비트(Fitbit)와 픽셀 워치 등에서 수집된 500만 명의 데이터와 1조 분이 넘는 센서 신호를 사전 학습했다. 심박수, 혈중 산소, 피부 온도, 가속도 등 멀티모달 신호를 활용해 심혈관, 대사, 정신 건강, 수면 등 6개 분야 총 35가지 건강 지표를 예측한다.

이 모델은 기기 방전이나 노이즈로 인한 데이터 결손을 고려하여 자기지도학습으로 훈련되었다. 평가 결과, 35개 판별 과제 중 34개에서 수동 특징 추출을 거친 기존 지도학습 모델을 상회하는 성능을 보였다. 특히 센서 신호 누락에 강해 1시간 데이터 결손 환경에서도 걸음 수 예측 99.7%, 깊은 수면 추정 99.9%, 가벼운 운동 추적 99.2%의 정밀도를 유지했다.

연구팀은 하위 과제의 예측 헤드 설계에 LLM 에이전트를 활용하는 '클래스룸' 방식의 탐색 기법도 도입했다. 3만 건 이상의 실험 결과, 에이전트가 설계한 예측 헤드는 단순 선형 헤드보다 분류 과제 20개 중 16개, 회귀 과제 15개 중 12개에서 성능이 향상되었다. 또한 개인 건강 에이전트 적용 테스트에서는 Gemini 3 Flash의 건강 요약 생성 시 SensorFM의 예측값을 포함했을 때, 임상 의사의 평가가 일일 지표만 사용한 경우보다 유의미하게 높게 나타났다.

SensorFM은 임상 진단을 대체하기보다 위험 평가와 장기 모니터링을 주 목적으로 한다. 연구팀은 핏비트 등 특정 기기 사용자 데이터에 국한되어 인구 대표성이 부족하고, 1분 단위로 집계된 데이터로 인한 정보 손실 가능성을 한계점으로 꼽았다. 향후 전자 의무 기록이나 표준 생리 측정값과의 대조를 통한 임상적 검증이 추가로 필요하다.

구글 리서치(Google Research)와 구글 딥마인드 연구팀은 웨어러블 기기 데이터를 학습하는 건강 AI 기반 모델 'SensorFM'을 개발했다. 해당 연구 논문은 2026년 5월 28일 아카이브(arXiv)에 게재되었다. SensorFM은 핏비트(Fitbit)와 픽셀 워치 등에서 수집된 500만 명의 데이터와 1조 분이 넘는 센서 신호를 사전 학습했다. 심박수, 혈중 산소, 피부 온도, 가속도 등 멀티모달 신호를 활용해 심혈관, 대사, 정신 건강, 수면 등 6개 분야 총 35가지 건강 지표를 예측한다.

이 모델은 기기 방전이나 노이즈로 인한 데이터 결손을 고려하여 자기지도학습으로 훈련되었다. 평가 결과, 35개 판별 과제 중 34개에서 수동 특징 추출을 거친 기존 지도학습 모델을 상회하는 성능을 보였다. 특히 센서 신호 누락에 강해 1시간 데이터 결손 환경에서도 걸음 수 예측 99.7%, 깊은 수면 추정 99.9%, 가벼운 운동 추적 99.2%의 정밀도를 유지했다.

연구팀은 하위 과제의 예측 헤드 설계에 LLM 에이전트를 활용하는 '클래스룸' 방식의 탐색 기법도 도입했다. 3만 건 이상의 실험 결과, 에이전트가 설계한 예측 헤드는 단순 선형 헤드보다 분류 과제 20개 중 16개, 회귀 과제 15개 중 12개에서 성능이 향상되었다. 또한 개인 건강 에이전트 적용 테스트에서는 Gemini 3 Flash의 건강 요약 생성 시 SensorFM의 예측값을 포함했을 때, 임상 의사의 평가가 일일 지표만 사용한 경우보다 유의미하게 높게 나타났다.

SensorFM은 임상 진단을 대체하기보다 위험 평가와 장기 모니터링을 주 목적으로 한다. 연구팀은 핏비트 등 특정 기기 사용자 데이터에 국한되어 인구 대표성이 부족하고, 1분 단위로 집계된 데이터로 인한 정보 손실 가능성을 한계점으로 꼽았다. 향후 전자 의무 기록이나 표준 생리 측정값과의 대조를 통한 임상적 검증이 추가로 필요하다.