身体活动实现广谱健康预测的可扩展基础建模

可穿戴和移动传感技术已展现出强大的健康推断潜力；然而，大多数传感器模型是针对特定疾病类型设计的，限制了它们在不同健康风险之间的可迁移性。可穿戴基础模型为多样化的健康风险类型提供了一种更通用的方法。尽管如此，大多数现有方法依赖高频原始传感器数据，引发了对隐私、计算开销以及跨设备和人群可扩展性的担忧。在本文中，我们提出了StepFM，一个仅基于步数计数器数据构建的、用于广谱健康预测的基础模型。利用步数数据的普遍性和低维特性，StepFM为传统的基于传感器的模型提供了一种实用、保护隐私且计算高效的替代方案。我们设计了一个可扩展的预训练框架，从大规模步数序列中捕捉时间动态和行为模式，使其能够迁移到跨越不同设备、新地区和新疾病类型的20多个健康风险预测任务。大量实验表明，StepFM在异构环境中保持鲁棒性的同时，与现有方法相比取得了强劲的性能。此外，我们的分析揭示了身体活动模式与各种健康风险之间可解释且可泛化的关系，为基于活动的健康建模提供了新的见解。我们的工作确立了基于步数的感知作为可扩展和现实世界健康监测的可行基础。