- 28,265
- 46
- 8 Ноя 2022
Новая модель находит скрытые связи между сном, сердечным ритмом, активностью и психологическим состоянием.
<div class="articl-text-cover" style="position:relative;width:100%;max-width:800px;margin-left:auto;margin-right:auto;aspect-ratio:800/450;margin-bottom:2rem;overflow:hidden">
Умные часы годами записывают пульс, сон, температуру кожи и физическую активность, но большая часть собранных данных превращается лишь в несколько простых графиков. Google Research решила научить ИИ читать показания носимых устройств как единую картину состояния организма. Новая модель SensorFM обучилась на более чем триллионе минут данных пяти миллионов человек и смогла применять полученные знания к десяткам задач, связанных с сердцем, обменом веществ, сном и психическим здоровьем.
Большинство существующих алгоритмов создают для одной узкой цели. Одна система ищет нарушения сна, другая оценивает риск сердечных заболеваний, третья анализирует уровень активности. Разработчикам приходится отдельно собирать размеченные данные с подтверждёнными диагнозами, результатами анализов и анкетами пациентов. Такой подход требует много времени и денег, а готовые модели плохо работают за пределами исходной задачи.
SensorFM училась иначе. Исследователи не сообщали модели диагнозы и не объясняли значение каждого набора показателей. ИИ получал обезличенные данные участников, которые согласились использовать сведения для исследований в области здоровья. Выборка охватила более 100 стран, все штаты США и свыше 20 моделей Fitbit и Pixel Watch. Общий объём превысил два миллиарда часов наблюдений.
За каждую минуту SensorFM анализировала 34 параметра, полученных от пяти типов датчиков. В набор вошли фотоплетизмограф, акселерометр, датчик электрической активности кожи, термометр и высотомер. По показаниям можно восстановить частоту и вариабельность сердечного ритма, насыщение крови кислородом, стадии сна, движения, количество шагов, температуру кожи и другие характеристики за сутки.
Носимые устройства регулярно теряют данные. Пользователь снимает часы, аккумулятор разряжается, датчик отключается ради экономии энергии или временно перестаёт касаться кожи. Обычные алгоритмы заполняют пробелы приблизительными значениями либо выбрасывают неполные записи, что может исказить результат. SensorFM училась работать с разрывами напрямую. Модель скрывала части исходной последовательности, восстанавливала пропущенные фрагменты и постепенно находила устойчивые связи между разными физиологическими сигналами.
Google проверила несколько версий SensorFM размером от 100 тысяч до 100 миллионов параметров. Чем больше становились модель и обучающая выборка, тем точнее ИИ восстанавливал данные и справлялся с прикладными задачами. Крупнейшая версия снизила ошибку реконструкции на 31% по сравнению с самой маленькой. Исследователи не увидели признаков, что рост качества начал замедляться.
Затем SensorFM протестировали на 35 задачах с участием почти 14 тысяч человек из трёх независимых исследований. В список вошли оценка сердечно-сосудистого и метаболического здоровья, качества сна, образа жизни, демографических характеристик, а также признаков депрессии и тревожности. Представления, сформированные SensorFM, превзошли традиционные модели с вручную подготовленными признаками в 34 задачах из 35.
Особенно заметную пользу масштабирование принесло при анализе состояний, которые слабо проявляются в показаниях датчиков. Депрессия и тревога выглядят по-разному у разных людей, поэтому универсальный набор признаков подобрать трудно. SensorFM смогла учитывать индивидуальные различия и находить повторяющиеся закономерности. Модель также сохраняла высокую эффективность при небольшом количестве размеченных примеров, что может упростить исследования редких или плохо изученных состояний.
Исследователи добавили ещё один уровень автоматизации. Несколько языковых моделей совместно писали и проверяли программный код, который превращал внутренние представления SensorFM в конкретные прогнозы. Такая «аудитория» ИИ-агентов перебрала более 30 тысяч вариантов. Автоматически созданные решения превзошли простой линейный алгоритм в 16 из 20 задач классификации и в 12 из 15 задач с числовым результатом.
SensorFM также подключили к экспериментальному персональному помощнику по здоровью. Система готовила рекомендации и объяснения на основе демографических данных, ежедневных показателей часов и прогнозов модели. Врачи оценили ответы по уместности, персонализации, обоснованности, учёту контекста и риску причинить вред. Добавление SensorFM улучшило оценки по всем критериям. При этом специалисты не нашли статистически значимой разницы между ответами, основанными на прогнозах SensorFM, и ответами, где использовались реальные подтверждённые показатели. Эксперимент включал только 31 профиль и 1860 врачебных оценок, поэтому результат пока нельзя переносить на массовое медицинское применение.
SensorFM пока остаётся исследовательской разработкой, а научная работа опубликована в виде препринта и не прошла полноценное независимое рецензирование. Модель не заменяет врача и не предназначена для самостоятельной постановки диагнозов. Главный результат исследования заключается в другом. Один универсальный ИИ впервые обучили на столь крупном массиве данных носимых устройств и показали, что пульс, сон, движения и температура кожи могут формировать гораздо более содержательную картину здоровья, чем отдельные показатели в приложении умных часов.
<div class="articl-text-cover" style="position:relative;width:100%;max-width:800px;margin-left:auto;margin-right:auto;aspect-ratio:800/450;margin-bottom:2rem;overflow:hidden">
Умные часы годами записывают пульс, сон, температуру кожи и физическую активность, но большая часть собранных данных превращается лишь в несколько простых графиков. Google Research решила научить ИИ читать показания носимых устройств как единую картину состояния организма. Новая модель SensorFM обучилась на более чем триллионе минут данных пяти миллионов человек и смогла применять полученные знания к десяткам задач, связанных с сердцем, обменом веществ, сном и психическим здоровьем.
Большинство существующих алгоритмов создают для одной узкой цели. Одна система ищет нарушения сна, другая оценивает риск сердечных заболеваний, третья анализирует уровень активности. Разработчикам приходится отдельно собирать размеченные данные с подтверждёнными диагнозами, результатами анализов и анкетами пациентов. Такой подход требует много времени и денег, а готовые модели плохо работают за пределами исходной задачи.
SensorFM училась иначе. Исследователи не сообщали модели диагнозы и не объясняли значение каждого набора показателей. ИИ получал обезличенные данные участников, которые согласились использовать сведения для исследований в области здоровья. Выборка охватила более 100 стран, все штаты США и свыше 20 моделей Fitbit и Pixel Watch. Общий объём превысил два миллиарда часов наблюдений.
За каждую минуту SensorFM анализировала 34 параметра, полученных от пяти типов датчиков. В набор вошли фотоплетизмограф, акселерометр, датчик электрической активности кожи, термометр и высотомер. По показаниям можно восстановить частоту и вариабельность сердечного ритма, насыщение крови кислородом, стадии сна, движения, количество шагов, температуру кожи и другие характеристики за сутки.
Носимые устройства регулярно теряют данные. Пользователь снимает часы, аккумулятор разряжается, датчик отключается ради экономии энергии или временно перестаёт касаться кожи. Обычные алгоритмы заполняют пробелы приблизительными значениями либо выбрасывают неполные записи, что может исказить результат. SensorFM училась работать с разрывами напрямую. Модель скрывала части исходной последовательности, восстанавливала пропущенные фрагменты и постепенно находила устойчивые связи между разными физиологическими сигналами.
Google проверила несколько версий SensorFM размером от 100 тысяч до 100 миллионов параметров. Чем больше становились модель и обучающая выборка, тем точнее ИИ восстанавливал данные и справлялся с прикладными задачами. Крупнейшая версия снизила ошибку реконструкции на 31% по сравнению с самой маленькой. Исследователи не увидели признаков, что рост качества начал замедляться.
Затем SensorFM протестировали на 35 задачах с участием почти 14 тысяч человек из трёх независимых исследований. В список вошли оценка сердечно-сосудистого и метаболического здоровья, качества сна, образа жизни, демографических характеристик, а также признаков депрессии и тревожности. Представления, сформированные SensorFM, превзошли традиционные модели с вручную подготовленными признаками в 34 задачах из 35.
Особенно заметную пользу масштабирование принесло при анализе состояний, которые слабо проявляются в показаниях датчиков. Депрессия и тревога выглядят по-разному у разных людей, поэтому универсальный набор признаков подобрать трудно. SensorFM смогла учитывать индивидуальные различия и находить повторяющиеся закономерности. Модель также сохраняла высокую эффективность при небольшом количестве размеченных примеров, что может упростить исследования редких или плохо изученных состояний.
Исследователи добавили ещё один уровень автоматизации. Несколько языковых моделей совместно писали и проверяли программный код, который превращал внутренние представления SensorFM в конкретные прогнозы. Такая «аудитория» ИИ-агентов перебрала более 30 тысяч вариантов. Автоматически созданные решения превзошли простой линейный алгоритм в 16 из 20 задач классификации и в 12 из 15 задач с числовым результатом.
SensorFM также подключили к экспериментальному персональному помощнику по здоровью. Система готовила рекомендации и объяснения на основе демографических данных, ежедневных показателей часов и прогнозов модели. Врачи оценили ответы по уместности, персонализации, обоснованности, учёту контекста и риску причинить вред. Добавление SensorFM улучшило оценки по всем критериям. При этом специалисты не нашли статистически значимой разницы между ответами, основанными на прогнозах SensorFM, и ответами, где использовались реальные подтверждённые показатели. Эксперимент включал только 31 профиль и 1860 врачебных оценок, поэтому результат пока нельзя переносить на массовое медицинское применение.
SensorFM пока остаётся исследовательской разработкой, а научная работа опубликована в виде препринта и не прошла полноценное независимое рецензирование. Модель не заменяет врача и не предназначена для самостоятельной постановки диагнозов. Главный результат исследования заключается в другом. Один универсальный ИИ впервые обучили на столь крупном массиве данных носимых устройств и показали, что пульс, сон, движения и температура кожи могут формировать гораздо более содержательную картину здоровья, чем отдельные показатели в приложении умных часов.
- Источник новости
- www.securitylab.ru
