【2026年最新】ウェアラブル・ヘルスケアのオンデバイスAI×論文4選|「電池がもたない」「健康データを送りたくない」を解く

【2026年最新】ウェアラブル・ヘルスケアのオンデバイスAI×論文4選|「電池がもたない」「健康データを送りたくない」を解く AIニュース

スマートウォッチ、心電図のパッチ、スマートグラス。身につける機器は、心拍や心電図、音声や視界を一日中記録できます。そのデータをAIで解析できれば、日々の体調の見守りや、手ぶらで使えるAIアシスタントが現実になります。

ただ、身につける機器には独特の悩みがあります。電池は小さく、熱も出せず、メモリもわずかです。データをすべてスマホやクラウドへ送れば無線通信で電池を消耗しますし、健康データを外へ出すことへの抵抗感もあります。一方、機器の中で処理しようとすると、今度はモデルが載らない、応答が遅い、という壁に当たります。

この記事では、まず公的機関の資料と各社の公式ドキュメントをもとに「健康データと健康アプリは法令上どう扱われるのか」「オンデバイス推論とは何か」を整理し、そのうえで身につける機器の中でAIをどこまで動かせるかを検証した論文4本を紹介します。結論を先に言うと、使用目的とデータの出し方を最初に決め、電池と精度は条件をそろえて実測し、機器とクラウドで仕事を分けるのが基本です!

健康データと健康アプリは、法令上どう扱われるのか

技術より先に確かめたいのが、扱うデータと作るアプリの法令上の位置づけです。ここでは公的資料に書かれている範囲で整理します。個々の製品の扱いは個別の判断になる点に注意してください。

健康データと「要配慮個人情報」

個人情報保護法には、不当な差別や偏見が生じないよう特に配慮が必要な要配慮個人情報という区分があります。個人情報保護委員会のガイドライン(通則編)によれば、病歴のほか、医師などが行った健康診断や検査の結果、医師などによる指導・診療・調剤が行われたことなどが含まれます。要配慮個人情報の取得や第三者提供には原則として本人の同意が必要で、それを含む個人データの漏えい(おそれを含む)は、高度な暗号化などの保護措置を講じた場合を除き、委員会への報告の対象とされています。

一方で同じガイドラインは、身長・体重・血圧・脈拍・体温などの健康に関する情報を、健康診断や診療などの業務と関係のない方法で知り得た場合は、健康診断等の結果や診療の情報には当たらない、とも書いています(個人情報保護委員会「個人情報の保護に関する法律についてのガイドライン(通則編)」 2-3)。つまり、ウェアラブルで測った心拍がそれだけで要配慮個人情報になるとは限りません。ただし、病歴と結び付けて記録すれば話は変わりえますし、要配慮でなくても個人情報であることに変わりはありません。どの区分に当たるかは、データの中身と取得の経緯で確かめる必要があります。

アプリが「医療機器」になるかは、使用目的と表示で決まる

厚生労働省のガイドラインは、医療機器としての目的を持ち、意図どおりに動かないと生命や健康に影響を与えるおそれのあるプログラムを医療機器プログラムとしています(リスクがほとんどない一般医療機器相当のものは除く)。該当するかは、表示や説明資料、広告からみた使用目的とリスクの程度で判断され、同じ機能でも使用目的が違えば判断が変わりうるとしています。PMDA の資料では、こうした単体のソフトウェアを SaMD とも呼び、2014年11月から規制の対象になったと説明しています(厚生労働省「プログラムの医療機器該当性に関するガイドライン」、PMDA「医療機器プログラム(SaMD)の審査ポイント」)。

同省の判断事例集では、歩数計などのデータを表示・保管・転送するだけの健康記録アプリは医療機器に当たらない例に挙げられています。一方で、バイタルデータを解析して「心房細動の兆候を示しています」のように病気の可能性を通知し受診を促すプログラムや、体調管理などのために腕時計型の端末で血中酸素飽和度や血圧などを測って表示するプログラムは、医療機器に当たる例に挙げられています(厚生労働省「プログラムの医療機器該当性判断事例」)。「医療機器ではない」と書いても、病気の疑いを判断できるように宣伝すれば医療機器に当たる、ともガイドラインは注意しています。判断に迷う場合は厚生労働省の相談窓口が案内されています(厚生労働省「医療機器プログラムについて」)。医療現場での扱いは 医療・臨床のオンデバイスAIの記事 も参考にしてください。

オンデバイス推論とは:データを送らずに機器の中で判定する

オンデバイス推論は、学習済みのモデルを端末の中で動かして判定する方法です。判定のためにデータを外へ送らずに済みますが、判定結果やログを送るかどうかは別に設計します。Apple の Core ML の説明では、CPU・GPU・Neural Engine を使い分けてメモリと消費電力を抑え、端末の中だけで動かすことでネット接続が不要になり、データのプライバシーと応答の速さを保てるとしています(Apple「Core ML」)。

さらに小さな機器向けには、Google の LiteRT for Microcontrollers があります。数キロバイトのメモリしかない機器向けで、実行部分は Arm Cortex-M3 で16KBに収まり、OS も要らないとされています。データが機器から出ないためプライバシーを守りやすい、とも説明しています(Google「LiteRT for Microcontrollers」)。オンデバイスAIの全体像は 総論の記事 で紹介しています。

その代わり、限られた電池・メモリ・計算力の中で精度を保つ必要があります。ここから、その兼ね合いを検証した論文を見ていきます。

研究で見る「機器の中でどこまで判定できるか」

📄 論文: 送り続けるより、パッチの中で判定した方が電力は小さい

On-Device Inference versus Wireless Streaming: Energy-Efficient Multi-Modal Deep Learning for Wearable Cardiovascular Patches(Mustafa Fuad Rifet Ibrahim ほか、2025年10月、arXiv:2510.18668)は、査読前の論文(プレプリント)です。2024年の国際会議発表の拡張版で、学術誌に投稿中と abs に記載されています。

心電図と心音を同時に記録する胸のパッチを想定し、2つの信号をまとめて判定する小さなCNNを作って公開データで評価しました。8ビット化したモデルをAI処理ユニット(NPU)付きのマイコンで動かして推論の消費電力を実測し、別の評価ボードで Bluetooth Low Energy の送信電力を、送るデータ量を変えながら測っています。その結果、生データを送り続ける場合の電力は、現実的なデータ量の範囲で機器の中での推論の13〜31倍になりました。ただしこの比較は通信と計算の分だけで、センサー自体の電力を含めた電池の寿命ではない、と著者らは断っています。また、浮動小数点のモデルでは0.975あった精度が、実機に載せた8ビット版では約0.91に下がりました。著者らは、データは聴診器などで記録したもので実際の貼るパッチの信号とは違い、臨床で使える段階ではないとも述べています。

開発する側にとっての意味は、「送るか、機器で判定するか」は電力で見ると機器側が有利になりやすい一方、小さく圧縮したモデルの精度は実機の上で測り直す必要がある、ということです。

📄 論文: 約180KBのモデルが、マイコンの上で心電図の異常を拾う

ArrythML: An Autoencoder-Based TinyML Approach for On-Device Arrhythmia Detection on Resource-Constrained Embedded Systems(Nagarajan S ほか、2026年6月、arXiv:2606.02256)は、査読前の論文(プレプリント)です。

正常な心電図だけを学ばせ、うまく再現できない区間を異常とみなすオートエンコーダーという仕組みを、8ビット整数に量子化して安価なマイコン(ESP32-S3)に載せました。公開の不整脈データベースから作った9万5千件超の区間をマイコン上で処理しています。最良のモデルは約180KB・推論9ミリ秒でした。異常の多くは拾える一方、正常を異常と判定する誤りが多く、マイコン上での F1 スコアは67%でした。誤判定の分析をもとに問題のある記録や区間を評価から除き、学習データも見直した「絞り込み後」の評価では79%に上がります。著者らは、誤判定の一部は正解ラベル上は正常でも初期の微妙な異常を拾った可能性があると述べています。

開発する側にとっての意味は、マイコンでも心電図の判定は動くが、論文の要約に出てくる数字が「どの区間を除いた後の値か」まで確かめて読む必要がある、ということです。

研究で見る「機器とクラウド、モデルの分担」

📄 論文: 超小型モデルが返事の書き出しだけを即答し、続きはクラウドへ

Micro Language Models Enable Instant Responses(Wen Cheng ほか、2026年4月、arXiv:2604.19642)は、査読前の論文(プレプリント)です。

スマートウォッチやスマートグラスは、1億〜10億パラメータ級の言語モデルですら常時は動かせず、クラウドに頼ると数秒待たされる、という先行研究の指摘から出発しています。そこで800万〜3,000万パラメータの超小型モデル(μLM)を作り、返事の最初の4〜8語だけを機器の上ですぐに表示して、その続きをクラウドの大きなモデルに書かせる分業を提案しました。書き出しを読む間にクラウドの待ち時間を隠す発想です。書き出しの品質は GPT-4o による採点で評価し、1,400万〜2,900万パラメータのモデルは既存の7,000万〜2.56億パラメータ級のモデル数種と競える結果でした。小型ボードでは最初の4語を55ミリ秒で出しています。書き出しが外れたときにクラウド側が自然に立て直す方法も3つ用意しています。ただし、測定は実際のウェアラブルではなく代わりのボードで行ったと著者らは断っています。

開発する側にとっての意味は、機器に全部を任せなくても、即答が必要な部分だけを機器側に置けば体感の遅さは減らせる、ということです。クラウド待ちの問題は 車載の記事 でも扱っています。

📄 論文: 健康予測で小型言語モデルはLLMに迫るが、偏ったデータに弱い

HealthSLM-Bench: Benchmarking Small Language Models for Mobile and Wearable Healthcare Monitoring(Xin Wang ほか、2025年9月、arXiv:2509.07260)は、NeurIPS 2025 のワークショップ(GenAI4Health)採録(abs のコメント欄の記載)です。

歩数・安静時心拍・睡眠などを14日分まとめて文章にし、本人が申告したストレスや疲労度などを予測させるタスクで、9つの小型言語モデル(SLM)を3つの公開データセット・8つのタスクで比べました。例を見せない方法、少数の例を見せる方法、追加学習の3通りで試し、成績の良いモデルを4ビットに量子化して iPhone 15 Pro Max で動かしています。SLM は多くのタスクで大型モデル(LLM)と同等の成績で、端末上で最初の出力までの時間は TinyLlama-1.1B で約1.4秒と、比較した7B モデル(約29秒)より大幅に短くなりました。一方、一部のタスクでは数の多い答えばかりを出す偏りがあり、データの水増しでも成績は上がらず、見せる例が少ないと成績が崩れるタスクもありました。

開発する側にとっての意味は、限られた公開データでの生活指標の予測ならスマホ上の小型モデルも有望だが、まれな状態を当てる用途では偏りへの弱さを前提に評価が要る、ということです。なお予測対象の多くは本人の申告で、診断の性能を示すものではありません。

現場でやること

使用目的と表示を、企画の段階で決める

同じ機能でも使用目的と表示で医療機器かどうかが変わりうる、というのがガイドラインの考え方です。「体調の記録」なのか「病気の兆候の通知」なのかを、画面の文言や宣伝まで含めて企画の段階で決めておきましょう。判断がつかないときは相談窓口を使います。

何を機器の外へ出すかを、データの種類ごとに決める

  • 生の波形・判定結果・異常時の前後数十秒など、データを種類ごとに分ける
  • 外へ出すものは最小限にし、病歴など要配慮個人情報に当たりうる情報と結び付くかを確認する
  • 送る場合の同意の取り方と、漏えい時の報告の流れを決めておく

電池は「通信と計算」を同じ条件で測る

1本目の論文のように、送り続ける場合と機器の中で判定する場合を、同じデータ量・同じ頻度で比べます。CPU と NPU のどちらで動かすかでも結果は変わります。センサー自体の電力は別に測り、電池の寿命として見積もるときに足し合わせます。

評価の数字は、条件まで読んで確かめる

  • 浮動小数点のモデルと、実機に載せた量子化後のモデルの両方で精度を測る
  • 紛らわしいデータを除いた後の数字か、除く前の数字かを確かめる
  • 実機の代わりのボードでの測定か、本番の機器での測定かを確かめる
  • まれな異常に絞った評価用データを用意し、見逃しの割合を見る

公開データでの精度が現場で出ない問題は、農業の記事 でも取り上げています。

ウェアラブル・ヘルスケアのオンデバイスAIの鍵は次の3点です

  1. 使用目的とデータの出し方を最初に決める
    医療機器かどうかは使用目的と表示で、データの扱いは中身と取得の経緯で変わりえます。技術選定の前に決めておきます。
  2. 電池と精度は、条件をそろえて実機で測る
    通信と計算は同じデータ量で比べ、量子化後の精度は実機の上で確かめます。論文の数字は除外条件まで読みます。
  3. 機器とクラウドで仕事を分ける
    常時の見張りや最初のひと言は機器の中で、重い解析や長い応答はクラウドで行い、機器側が外したときの立て直しも用意します。

まとめ:ウェアラブルAIは「全部送る」から「機器とクラウドで分担する」へ!

身につける機器のAIは、「小さな機器で動くか」を示す段階から、「電池・応答の速さ・見逃しを実測し、機器とクラウドの分担を決める」段階に入っています。今回の論文は、機器の中での判定や機器とクラウドの分業が有望である一方、量子化での精度低下や、評価条件・偏ったデータへの注意が要ることも示しました。

まずは自分たちの製品で「何を機器の中で判定し、何を外へ送るか」を一覧にし、その使用目的が法令上どう扱われるかを公的資料で確かめるところから始めてみてください!

参考文献

タイトルとURLをコピーしました