谷歌推出互联可穿戴设备的个人健康大模型

时间：2024-06-20 18:14:48

背景

在过往的研究中，处理个人健康数据的主流方式是运用传统的机器学习方法，像预测疾病风险、评估健康状况等。但这类方法往往存在一些显著的短板，一方面需要大量的标注数据作为支撑，另一方面在应对复杂的健康数据时显得力不从心。
近些年来，深度学习技术蓬勃发展，语言模型在自然语言处理领域取得了突破性的进展。于是，有部分研究开始将目光投向利用大模型来处理个人健康数据，比如生成健康报告、解答健康问题等。
随着可穿戴设备和移动应用程序的广泛应用，个人健康数据的采集变得愈发便捷。不过，这些数据通常呈现出零散且非结构化的特点，直接用于提供个性化的健康建议难度较大。故而，迫切需要一种能够深入理解和精准分析此类数据的技术，以便为用户呈上有实质价值的健康信息。

PH-LLM 模型简介

谷歌研究团队近期推出了一个个人健康的大模型——PH-LLM（ Personal Health LLM），在 Gemini 的基础上经过微调而诞生的，专门针对个人健康相关的数据进行处理。PH-LLM 能够高效地借助可穿戴设备收集到的数据，为用户提供极具个性化的健康与保健信息。它不仅能够读取和领会来自移动设备及可穿戴设备的健康数据，还能融合个人健康领域的专业知识，将这些数据置于恰当的情境之中，从而为用户给出精准的健康分析和实用的建议。

实验结果

选取了两类个人健康垂直领域（睡眠和健身）进行案例研究。由领域专家共同设计，模拟现实生活中的教练场景，实验突出了模型在理解、推理和通过文本表示解读时序生理数据以进行指导方面的能力。微调PH-LLM显著提高了其在生成洞察力和预测潜在因果因素时使用相关领域知识和个性化信息的能力。

通过在睡眠和健身这两个关键领域展开实验，PH-LLM 在两项测试中的表现均超过了一组人类专家的平均成绩，PH-LLM 在处理个人健康数据方面的优势

用可穿戴传感器数据的文本和多模态编码对经过验证的睡眠干扰和功能障碍调查问题的回答来训练模型，实现与仅用于预测这些结果的判别模型相当的性能。
实验结果分析：
1. 准确性：PH-LLM 展现出卓越的精准度，能够准确无误地理解和剖析个人健康数据，进而生成精确的健康建议和深刻的见解。这意味着用户能够获得可靠的信息，为其健康决策提供坚实的基础。
2. 个性化：PH-LLM 能够紧密围绕用户的个人健康数据和特定需求，生成高度个性化的健康建议和见解，显著提升了用户对健康建议的满意度。每个用户都能感受到专属的关注和定制化的服务。
3. 可解释性：PH-LLM 能够有条不紊地解释其生成的健康建议和见解的依据，从而大大增强了用户对健康建议的信任度。用户不再对建议感到疑惑或怀疑，而是能够充满信心地遵循和执行。
PH-LLM 在个人健康数据处理领域展现出了巨大的潜力和优势，为人们获取个性化、精准且可信赖的健康信息开辟了新的途径。PH-Agents 感兴趣的也可以去了解一下。未来，我们有理由期待越来越多的大模型会在更多健康领域发挥更大的作用，为我们的健康生活带来更多福祉。
以上就是谷歌推出互联可穿戴设备的个人健康大模型的全部内容，了解更多科技新闻敬请关注云骑士装机大师！

点击阅读全文