Foundation Models for Health

현업에서 데이터를 다루다 보면, 데이터는 많지만 라벨이 없는 경우가 굉장히 많다. 특히 웨어러블 기기에서 수집된 생체 신호는 더더욱 그렇다. 이런 경우, 기존의 지도학습(supervised learning) 방식만으로는 한계가 있기 때문에, Self-supervised

🖋️ 이 논문은 Standford 대학교에서 직접 수집한 14,000명의 환자 데이터를 가지고 Sleep Foundation Model을 구축한 내용을 담고 있다. ICML에 2024년 채택되었으며, 코드도 공개되어있다: https://github.com/rthap

최근 몇 년간 Apple은 웨어러블 데이터를 활용한 Foundation Model 연구를 주도하고 있다. 이전에는 심박수(🫀PPG), 움직임(📈ACC)과 같은 raw biosignals을 미시적으로 처리하는 데에 집중했다면, 이번에는 한 단계 더 나아가 행동 기반

PPG(Photoplethysmography) 는 스마트 워치나 병원에서 모니터링에 널리 쓰이는 생체 신호 기술이지만, 기존 연구는 대부분 특정 태스크를 목적으로 진행되어 일반화가 어렵거나, 공개되지 않은 모델/데이터셋이 많았다. 본 연구는 Nokia Bell Labs

이전의 헬스 파운데이션 모델들은 웨어러블 신호를 직접 모델 인풋으로 넣어주었다면, 이제는 Raw Signal을 아예 LLM 모델 인풋으로 넣었을 때도 꽤 괜찮은 예측을 하는 연구 결과들이 나오고 있다. 웨어러블 데이터는 ‘언어로 표현하기 어려운 비언어적 신호’인데, A

전에 포스팅한 SensorLM의 저자 UCLA 연구팀에서 수면 관련된 Foundation Model 2개를 연달아 발표했다. UCLA 연구팀은 최근 SleepLM: Natural-Language Intelligence for Human Sleep 을 발표하며 수면 데이