스마트워치는 이미 걸음 수, 심박 관련 신호, 피부 온도, 움직임 같은 데이터를 계속 기록합니다. 하지만 건강 AI에서 더 어려운 문제는 데이터를 많이 모으는 것이 아니라, 그 데이터를 여러 건강 과제에 재사용할 수 있는 형태로 바꾸는 일입니다.
기존 웨어러블 센서 모델은 특정 질병이나 특정 예측 과제에 맞춰 설계되는 경우가 많았습니다. 이 방식은 한 과제에서는 유용할 수 있지만, 다른 건강 위험으로 전이하기 어렵다는 한계가 있습니다.1 SensorFM이 주목받는 이유는 바로 이 지점에 있습니다. 웨어러블 데이터를 질병별 모델의 재료가 아니라, 범용 건강 표현을 학습하는 기반 데이터로 다루기 때문입니다.
SensorFM은 무엇인가
SensorFM은 라벨이 없는 웨어러블 데이터를 학습하는 Large Sensor Foundation Model입니다. 여기서 파운데이션 모델이란 특정 과제 하나에만 맞춘 모델이 아니라, 여러 과제에 재사용할 수 있는 공통 표현을 먼저 학습한 모델을 뜻합니다.
SensorFM은 동의한 참여자 500만 명의 비식별 데이터로 사전학습됐으며, 데이터 규모는 1조 분 이상의 멀티모달 센서 신호입니다.2 이 데이터는 2024년 9월부터 2025년 9월 사이에 수집됐습니다.2
입력으로는 PPG, 가속도계, EDA, 피부 온도, 고도계 등 5개 센서 모달리티에서 파생된 34개 1분 단위 집계 특징을 사용합니다.2 즉, 고주파 원시 신호 전체를 그대로 밀어 넣기보다, 1분 단위로 요약된 센서 특징을 통해 생활 리듬과 생리적 변화를 학습하는 접근입니다.
왜 파운데이션 모델인가
웨어러블 건강 AI의 병목은 라벨입니다. 센서 데이터는 일상에서 계속 쌓이지만, 진단명, 검사 결과, 임상 평가 같은 정답 데이터는 훨씬 적고 얻기도 어렵습니다. 그래서 질병별로 별도의 지도학습 모델을 만드는 방식은 확장성에 한계가 있습니다.
파운데이션 모델 접근은 이 문제를 다르게 봅니다. 먼저 대규모의 라벨 없는 센서 데이터에서 시간적 패턴과 신호 간 관계를 학습하고, 이후 다양한 건강 과제에 그 표현을 전이하는 방식입니다. 웨어러블 파운데이션 모델이 다양한 건강 위험 유형에 더 일반화 가능한 접근법으로 제시되는 이유도 여기에 있습니다.1
SensorFM은 이 흐름을 멀티모달 센서 데이터로 확장한 사례입니다. 하나의 질병을 맞히기 위한 모델이 아니라, 여러 건강 과제에서 활용될 수 있는 센서 표현을 만드는 것이 핵심입니다.
StepFM과 함께 보면 보이는 변화
SensorFM을 이해할 때 StepFM 연구도 함께 볼 만합니다. StepFM은 걸음 수 데이터만으로 구축된 광범위 건강 예측용 파운데이션 모델입니다.1 걸음 수는 대부분의 웨어러블 기기에서 수집할 수 있고, 고차원 원시 신호보다 계산 비용과 개인정보 부담이 낮다는 장점이 있습니다.1
StepFM은 대규모 걸음 수 시퀀스에서 시간적 동역학과 행동 패턴을 포착하도록 설계됐고, 20개 이상의 건강 위험 예측 과제에서 전이 성능을 평가했습니다.1 평가에는 다양한 기기, 새로운 지역, 새로운 질병 유형이 포함됐습니다.1
이 흐름에서 SensorFM은 더 넓은 센서 조합을 활용합니다. StepFM이 “저차원이고 보편적인 활동 데이터만으로도 건강 위험 예측에 전이할 수 있는가”를 보여주는 사례라면, SensorFM은 PPG, 움직임, 전기피부활동, 피부 온도, 고도계 등 여러 센서 신호를 함께 사용해 더 일반적인 웨어러블 건강 표현을 학습하려는 접근입니다.
성능표보다 먼저 봐야 할 판단 기준
SensorFM 같은 모델을 볼 때는 단순히 “정확도가 높다”는 말보다 다음 기준이 더 중요합니다.
첫째, 여러 건강 과제에 전이되는가입니다. SensorFM은 13,985명이 참여한 3개의 IRB 승인 전향적 연구에서 35개 건강 과제로 평가됐습니다.2 중요한 점은 특정 질병 하나에 최적화된 모델이 아니라, 하나의 사전학습 표현이 다양한 과제에서 쓰일 수 있는지를 본다는 데 있습니다.
둘째, 센서 데이터의 현실적인 결함을 견딜 수 있는가입니다. 웨어러블 데이터에는 착용 해제, 충전, 센서 절전, 생활 패턴 변화로 인한 빈 구간이 자주 생깁니다. 실제 사용 환경에서는 완벽한 연속 데이터보다 불완전한 데이터가 더 일반적입니다. 따라서 결측과 잡음에 대한 강건성은 실험실 성능만큼 중요합니다.
셋째, 개인정보와 계산 비용의 균형입니다. 기존 웨어러블 파운데이션 모델 다수는 고주파 원시 센서 데이터에 의존해 개인정보 보호, 계산 비용, 기기와 인구 집단으로의 확장성 문제가 제기됩니다.1 SensorFM처럼 집계 특징을 사용하는 접근은 이 문제를 완화할 가능성이 있지만, 실제로 어느 수준의 정보만으로 충분한 건강 신호를 얻을 수 있는지는 계속 검증해야 합니다.
넷째, 임상적 의미입니다. 웨어러블 예측은 진단 그 자체라기보다 위험 신호, 생활 패턴, 장기 추세를 파악하는 보조 정보에 가깝습니다. 따라서 의료 현장에서 해석 가능하고, 특정 기기나 인구 집단에만 치우치지 않으며, 실제 의사결정에 도움이 되는지가 핵심입니다.
SensorFM이 바꾸는 질문
SensorFM의 의미는 “스마트워치가 병을 맞힌다”가 아닙니다. 더 중요한 변화는 질문의 방향입니다.
이전에는 “이 센서 데이터로 특정 질병을 예측할 수 있는가”가 중심이었다면, SensorFM 이후의 질문은 “웨어러블 데이터에서 여러 건강 과제에 재사용 가능한 표현을 학습할 수 있는가”에 가깝습니다.
이 관점은 연구자와 개발자에게 실용적인 기준을 줍니다. 새 모델을 볼 때는 특정 벤치마크 점수만 볼 것이 아니라, 어떤 센서 모달리티를 쓰는지, 원시 데이터와 집계 특징 중 무엇에 의존하는지, 라벨이 부족한 상황에서도 전이가 가능한지, 그리고 다양한 기기와 인구에서 검증됐는지를 함께 봐야 합니다.
결론
SensorFM은 웨어러블 건강 AI가 질병별 맞춤 모델에서 범용 센서 표현 모델로 이동하고 있음을 보여주는 사례입니다. 라벨 없는 대규모 웨어러블 데이터를 학습하고, 여러 센서 모달리티의 1분 단위 집계 특징을 활용하며, 35개 건강 과제에서 평가됐다는 점이 핵심입니다.2
앞으로의 관전 포인트는 명확합니다. 다양한 기기와 인구 집단에서도 성능이 유지되는지, 개인정보를 과도하게 쓰지 않고도 충분한 건강 신호를 뽑아낼 수 있는지, 그리고 의료 현장에서 설명 가능한 보조 정보로 자리 잡을 수 있는지입니다.
SensorFM을 볼 때 가장 중요한 결론은 하나입니다. 웨어러블 데이터의 가치는 개별 수치 하나가 아니라, 장기간 축적된 패턴을 여러 건강 문제에 연결할 수 있는 표현으로 바꿀 때 커집니다.
1Physical activities enable scalable foundation modelling for broad-spectrum health prediction
2SensorFM: Towards a general intelligence and interface for wearable health data
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.