BlogGoogle ResearchSensorFMウェアラブルヘルスケアAI

SensorFMとは？自分の健康データで「個人版」は作れるのか

Google Researchが発表したウェアラブル向け基盤モデルSensorFMを、開発者の視点から解説します。現在利用できるのか、自分の健康データで個人版を作れるのか、実現可能な構成と注意点を整理します。

著者
岡崎 太
CTO / AIアーキテクト
公開日
読了時間
8分で読めます
Share

Google Researchが、ウェアラブル端末のデータを理解する基盤モデル「SensorFM」を発表しました。

約500万人から集めた1兆分以上のセンサーデータを学習し、心血管、代謝、睡眠、メンタルヘルスなど、35種類の予測課題に応用できるといいます。

ここで気になるのが、次の2点です。

  • SensorFMを、自分たちのサービスから利用できるのか
  • 自分のスマートウォッチのデータで、似たAIを作れるのか

先に結論を言うと、SensorFMそのものは、まだ一般の開発者が利用できる状態ではありません。一方で、論文の考え方を参考にして、「いつもの自分」を学ぶ小さな個人専用モデルを作ることは可能です。

ただし、それはSensorFMの再現ではありません。本記事では、この違いをできるだけ分かりやすく整理します。

GoogleのSensorFMと、個人データで作る個人専用モデルの違い

SensorFMは、ウェアラブルデータ版の基盤モデル

スマートウォッチは、心拍数、睡眠、歩数、皮膚温度、血中酸素などを継続的に記録できます。しかし、数字を集めることと、そこから身体の状態を理解することは別の問題です。

これまでは「睡眠を予測するモデル」「高血圧リスクを見るモデル」のように、目的ごとに専用モデルを作るのが一般的でした。SensorFMはその前段に、さまざまな用途で共通利用できる身体の表現を作ろうとしています。

文章の世界で、大規模言語モデルが多様な言語タスクの土台になるように、SensorFMは多様な健康予測の土台を目指しています。

Google Researchの発表によると、学習データとモデルには次の規模があります。

  • 同意を得た約500万人の、匿名化されたデータ
  • 100か国以上、20種類以上のFitbit・Pixel Watch
  • 1兆分以上のセンサーデータ
  • PPG、加速度、皮膚電気活動、皮膚温度、高度の5モダリティ
  • 1日を1分単位で表現した、34種類の入力特徴量
  • 最大モデルは約1億パラメータ

評価では、SensorFMの表現に軽量な予測層を載せただけでも、35課題中34課題で従来の特徴量ベースの教師ありモデルを上回りました。また、モデルとデータを一緒に大きくするほど、下流の健康課題でも性能が向上したと報告されています。

現在、SensorFMを直接使うことはできない

2026年7月11日時点で公開されているのは、Google Researchの記事と研究論文です。

一般開発者向けの次の提供物は、確認できませんでした。

  • API
  • SDK
  • GitHubの実装コード
  • 学習済みモデルのウェイト
  • Hugging Faceのモデル
  • Vertex AI Model Gardenでの提供
  • 学習データセット
  • 料金や利用申請ページ

したがって、現時点では「APIキーを取得してSensorFMへデータを送る」「学習済みモデルをダウンロードして動かす」といった使い方はできません。

公開論文は設計思想を理解するための資料であり、完成品の配布ではない、というのが現在の位置づけです。

Google Health APIとSensorFMは別のもの

Googleは、FitbitやPixel Watchなどの健康・フィットネスデータを扱うGoogle Health APIを提供しています。

Google Health APIでは、OAuth 2.0による本人の同意を前提に、対応する健康データを取得・管理できます。HTTPとgRPC、Webhookにも対応し、Fitbit Web APIの次世代基盤として案内されています。

ただし、これはデータを取得するためのAPIです。Google Health APIを利用しても、SensorFMの推論機能が付いてくるわけではありません。

両者の役割は、次のように分けて考えると分かりやすくなります。

Google Health API：健康データを本人の同意のもとで取得する
SensorFM　　　　：健康データから身体の特徴を抽出する
Personal Health Agent：抽出した特徴を人に分かる言葉で説明する

自分の健康データで「個人版」は作れるのか

技術的には作れます。

ただし、作れるのは「人間一般を理解するSensorFM」ではなく、自分の平常状態を学習し、いつもとの違いを見つけるモデルです。

GoogleのSensorFM 個人データで作るモデル
約500万人から学習 基本的に自分一人から学習
人による身体の違いを学ぶ 自分固有の平常状態を学ぶ
多様な健康課題へ応用 自分の変化や傾向を分析
他の人にも転用する基盤 原則として本人専用
巨大な研究基盤が必要 小規模なPoCから始められる

短く言えば、次の違いです。

SensorFMは「人間一般の身体パターン」を学ぶ。個人版は「いつもの自分」を学ぶ。

個人版で何ができるのか

半年から数年分のウェアラブルデータがあれば、次のような分析が考えられます。

  • 自分の通常の睡眠時間や睡眠リズムを学ぶ
  • 安静時心拍数や心拍変動の個人ベースラインを作る
  • 運動量と、その日の睡眠や翌日の心拍との関係を見る
  • 最近の状態が普段の範囲から外れていないか検出する
  • データが欠けた時間帯の値を推定する
  • 過去に似た状態だった日を検索する

たとえば、モデルや分析基盤が次のような事実を抽出します。

過去7日間は、過去90日間の本人平均と比べて睡眠時間が42分短く、安静時心拍数が5％高くなっています。活動量も減少しています。

この構造化された結果をLLMに渡せば、人が読みやすい説明へ変換できます。

最近は睡眠不足と活動量の低下が重なっています。今日は無理をせず、早めの就寝を検討してみてください。

ここでLLMに任せるのは、健康状態の判定そのものではなく、分析済みの事実を分かりやすく説明する役割です。

スマートウォッチのデータを収集し、個人ベースラインと比較して、健康サマリーを生成する流れ

論文をもとに、どこまで再現できるのか

SensorFMの論文からは、次の基本的な設計を読み取れます。

  1. 24時間分の複数センサー時系列を用意する
  2. 一定時間ごとの小さなまとまりに分割する
  3. 実際に欠けている区間を記録する
  4. 観測できているデータの一部を人工的に隠す
  5. 隠した部分を復元するように学習する
  6. 学習した表現を、目的別の分類や予測に利用する

ポイントは、ウェアラブルでは避けられない欠損を、単純に補完してから学習するのではないことです。

端末を外した、充電した、計測が一時停止した、といった本物の欠損と、学習のために人工的に隠した部分を扱いながら、残されたデータの関係を学びます。SensorFMは、先行研究LSM-2のAdaptive and Inherited Masking（AIM）を発展させています。

この考え方をもとに、TransformerやMasked Autoencoderを使った類似モデルを独自に実装することは可能です。

しかし、論文だけではGoogle社内と同一のデータ処理、学習環境、モデルウェイトまでは再現できません。さらに、個人データには他の人の身体状態や病気の事例が含まれないため、SensorFMのような汎用的な健康予測モデルにはなりません。

最初から大きなAIを学習しなくてよい

個人向けの価値を試すだけなら、最初からTransformerを学習する必要はありません。

現実的なPoCは、次の構成です。

スマートウォッチ
    ↓
本人の同意を得て健康データを取得
    ↓
30〜90日間の個人ベースラインを計算
    ↓
普段と異なる変化や、指標間の関係を抽出
    ↓
LLMが根拠と対象期間を添えて説明

最初は移動平均、標準偏差、パーセンタイル、季節性の補正といった統計処理でも、十分に価値を検証できます。データと正解ラベルが蓄積されてから、異常検知モデル、時系列モデル、自己教師あり学習へ進む方が現実的です。

開発順序としては、次の段階が考えられます。

  1. 可視化：睡眠、心拍、活動量を時系列で確認する
  2. 個人比較：今日と過去30〜90日の自分を比較する
  3. 関係分析：運動、睡眠、心拍などの関係を調べる
  4. 異常検知：普段の範囲から外れた変化を検出する
  5. 自己教師あり学習：十分なデータが集まった段階で身体表現を学習する

個人データだけでは学べないこと

個人版には明確な限界があります。

自分に心疾患の記録がなければ、心疾患のパターンを学ぶことはできません。不安、発熱、服薬、体調不良などを正解データとして記録していなければ、センサー値との関係も学習できません。

また、次の変化がモデルを混乱させる可能性があります。

  • 季節や気温
  • 旅行と時差
  • 時計の買い替え
  • 装着位置や装着時間
  • 加齢や生活環境
  • 服薬や持病
  • センサーの故障や欠損

個人版は「病名を当てるAI」ではなく、本人の変化に気づくための補助ツールとして設計するのが適切です。

健康データを扱うための安全設計

健康データは、通常の行動ログより慎重に扱う必要があります。

  • 取得するデータと利用目的を明示する
  • 必要最小限のデータだけを保存する
  • 同意の撤回とデータ削除を可能にする
  • 実測値、補完値、モデルの予測値を区別する
  • 分析の対象期間、根拠、信頼度を保存する
  • 医療診断と受け取られる断定表現を避ける
  • 緊急性の判断をLLMだけに任せない
  • 端末、年齢、性別などによる性能差を検証する
  • モデル更新前後の結果を監査できるようにする

Google Health APIにも、通常の開発者規約とは別に健康データに関するポリシーがあります。ウェルネス、健康研究、医療では求められる条件が異なるため、実装前に用途を明確にする必要があります。

SensorFMが示しているもの

SensorFMを今すぐプロダクトへ組み込むことはできません。しかし、この研究は、ウェアラブルの役割が変わり始めていることを示しています。

これまでのスマートウォッチは、歩数や心拍数を「記録して表示する装置」でした。SensorFMが目指しているのは、長期間の身体データからパターンを学び、さまざまな健康課題に利用できる共通の理解基盤です。

個人開発で同じ規模を再現する必要はありません。

まずは自分のデータを安全に蓄積し、「いつもの自分」と比較する。それだけでも、単なる記録を、身体の変化に気づくための情報へ変えられます。

SensorFMの本当の面白さは、特定の病気を予測したことだけではありません。

ウェアラブルを、数値を見る道具から、身体の時間的な変化をAIが理解するためのインターフェースへ変えようとしている。

その未来を、具体的な研究結果として示した点にあります。

参考

※ 本記事は2026年7月11日時点の公開情報に基づきます。SensorFMのAPI、コード、学習済みモデルが今後提供される可能性はありますが、現時点で一般提供は確認できません。本記事は研究内容と開発可能性の解説であり、医療上の助言や診断を目的としたものではありません。