摘要： 随着可穿戴设备（如智能手表和健身追踪器）的普及，它们持续记录我们的生活数据，包括心率、步数、健身和睡眠等。这些数据对于个性化健康和福祉具有巨大潜力。然而，由于缺乏将传感器记录与丰富描述性文本相结合的大规模数据集，我们难以理解这些数据的实际意义。为了解决这个问题，SensorLM模型被提出，它是一系列传感器-语言基础模型，通过在超过5900万小时的跨模态传感器数据上进行预训练，学习从数据中直接理解传感器信号与人类语言之间的复杂联系。这为传感器数据的理解设定了新的标准。
讨论： 该内容讨论了一个关于使用大型传感器数据集生成文本的研究。mynti 表示对研究内容感兴趣，并猜测研究可能包括最大值、平均值、简单趋势以及识别行人或骑行者等行为。dollo_7 认为这项研究预示着训练助手通过可穿戴传感器读取数据的兴起，但遗憾的是这些基础模型尚未对公众开放。TYPE_FASTER 提供了一个与苹果公司相关的链接，可能包含类似的研究。oolonthegreat 对文本模态作为输出选择表示疑惑，认为已有分类模型可以处理多维传感器数据并输出活动类型，质疑文本模态的优越性。
原文标题：SensorLM: Learning the Language of Wearable Sensors
原文链接：https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
讨论链接：https://news.ycombinator.com/item?id=44732998