SensorFM 소개
스마트워치나 밴드 같은 웨어러블 기기를 며칠만 차고 있어도, 심박수와 걸음 수, 수면, 피부 온도 같은 신호가 분 단위로 쌓입니다. 그런데 이렇게 방대하게 모인 원시 신호를 막상 "이 사람의 건강 상태가 어떤가" 라는 질문의 답으로 바꾸는 일은 여전히 어렵습니다. 사람마다 기저 생리와 생활 습관이 크게 달라서 어떤 사람에게 위험 신호인 패턴이 다른 사람에게는 정상일 수 있고, 무엇보다 모델 학습에 필요한 정답(확진 진단, 검사 결과, 검증된 설문)을 모으는 일 자체가 비싸고 느리며 과거 데이터에 소급해서 붙이는 것은 사실상 불가능하기 때문입니다.
이 논문은 이러한 한계를 정면으로 다루기 위해, 라벨 없는 웨어러블 센서 데이터만으로 인구 규모의 표현을 학습하는 웨어러블 헬스 파운데이션 모델(Foundation Model) SensorFM 을 제안합니다. Google Research와 Google DeepMind를 중심으로 워싱턴대학교 등 학계가 함께한 연구팀은 500만 명(동의를 받은 참가자)에게서 수집한 1 조 분 이상의 멀티모달 센서 신호로 SensorFM을 사전 학습(pretraining)시켰고, 이렇게 얻은 하나의 재사용 가능한 표현이 심혈관, 대사, 수면, 정신 건강은 물론 생활 습관과 인구통계 요인까지 폭넓게 전이됨을 보였습니다. 연구팀은 이것이 지금까지 모델 학습에 사용된 웨어러블 데이터셋 중 가장 크고 다양하다고 밝히고 있습니다.
기존 접근법과 그 한계
웨어러블 헬스 모델은 지금까지 대부분 하나의 결과(outcome)를 위한 하나의 모델 방식으로 만들어졌습니다. 즉 특정 질환이나 지표 하나를 겨냥해 지도 학습(supervised learning) 파이프라인을 따로 설계하고, 그에 맞는 라벨 데이터를 모아 학습시키는 것입니다. 이 방식은 목표가 좁고 명확할 때는 효과적이지만, 인간 건강 전반의 폭넓은 다양성으로 일반화하기 어렵다는 치명적인 약점이 있습니다. 새로운 질환을 다루려면 매번 새로운 라벨과 새로운 파이프라인이 필요합니다.
라벨 자체의 희소성도 큰 걸림돌입니다. 확진 진단이나 실험실 검사 결과처럼 신뢰할 수 있는 라벨은 수집에 시간과 비용이 많이 들고, 이미 지나간 기간의 센서 데이터에 소급해서 라벨을 붙이는 것은 현실적으로 불가능합니다. 그 결과 고품질 라벨이 붙은 웨어러블 데이터는 늘 부족합니다.
시계열 파운데이션 모델과 웨어러블 자기지도 학습(Self-Supervised Learning)이 이 문제의 돌파구로 떠올랐지만, 연구팀은 두 가지 병목이 여전히 남아 있다고 지적합니다. 하나는 사전 학습 데이터의 유한한 규모 이고, 다른 하나는 하나의 범용 임베딩(embedding)을 수많은 개별 건강 지표에 맞추는 데 드는 막대한 수작업 엔지니어링 입니다.
SensorFM 연구의 발상 전환
SensorFM의 핵심 발상은 간단합니다. 라벨을 모으려고 애쓰는 대신, 이미 넘쳐나는 라벨 없는 센서 스트림 자체를 인구 규모로 학습 하자는 것입니다. 웹 규모 텍스트로 언어 모델을 학습하듯, 500만 명의 센서 데이터로 인간 생리의 범용 표현을 학습하면 개별 질환마다 모델을 새로 만들 필요 없이 하나의 표현을 여러 과제에 재사용할 수 있습니다.
연구팀은 여기서 한 걸음 더 나아가 두 가지를 함께 검증합니다. 첫째, 이렇게 학습한 임베딩을 다운스트림(downstream) 과제에 적응시키는 수작업 부담을, LLM 에이전트들이 서로 경쟁하고 협력하며 예측 헤드(prediction head) 코드를 자동으로 탐색하는 "교실(classroom)" 방식으로 대체합니다. 둘째, 이렇게 만든 예측기를 개인 건강 에이전트(Personal Health Agent)에 도구로 붙였을 때, 에이전트가 웨어러블 데이터를 직접 처리할 때보다 더 나은 답변을 내놓는지를 임상의 평가로 확인합니다.
1조 분의 센서 데이터로 학습하기
사전 학습 데이터: 500만 명, 1조 분
사전 학습 말뭉치는 건강 및 웰니스 연구 목적의 데이터 사용에 동의한 500만 명에게서, 2024 년 9 월부터 2025 년 9 월 사이에 수집한 비식별화 데이터로 구성됩니다. 이 데이터는 100 개 이상의 국가와 미국 50 개 주 전체, 그리고 20 종 이상의 Fitbit 및 Pixel Watch 기기 모델에 걸쳐 있습니다. 각 참가자로부터 수 주 분량의 데이터를 뽑아, 총 20 억 시간이 넘는(분으로 환산하면 1 조 분이 넘는) 분 단위 해상도 신호를 확보했습니다.
SensorFM은 다섯 가지 센서 모달리티에서 유도한 34 개의 1분 집계(aggregate) 피처를 입력으로 받습니다. 다섯 모달리티는 광용적맥파(PPG, Photoplethysmography), 가속도계(Accelerometry), 피부 전기 활동(EDA, Electrodermal Activity), 피부 온도(Skin Temperature), 고도계(Altimetry)이며, 이로부터 심박수와 심박 변이도(HR/HRV), 혈중 산소 포화도(SpO2), 수면 단계, 움직임과 걸음 수, 피부 전도도, 온도를 하루 24 시간 창(window) 전체에 대해 담아냅니다.
결측을 버리지 않고 학습에 쓰는 자기지도 재구성
SensorFM은 라벨에 의존하지 않고 자기지도 재구성(self-supervised reconstruction) 으로 학습합니다. 입력 신호의 일부를 가리고(masking) 이를 다시 복원하도록 인코더(encoder)와 디코더(decoder)를 학습시키는, MAE(Masked Autoencoder) 계열의 구조입니다. 여기서 핵심은 LSM-2 의 AIM(Adaptive and Inherited Masking) 프레임워크를 기반으로 삼았다는 점입니다.
웨어러블 데이터에서 결측과 단절은 예외가 아니라 일상입니다. 센서의 전력 절약 모드, 기기를 손목에서 벗는 상황, 센서가 켜지고 꺼지는 동작 등으로 인해 데이터가 비는 구간이 수시로 발생합니다. 기존의 자기지도 방법들은 입력이 온전하고 끊김이 없다고 가정하기 때문에, 빈 구간을 억지로 채워 넣거나(대체 과정에서 편향이 생길 수 있습니다) 아니면 불완전한 창을 통째로 버립니다(귀중한 데이터를 낭비합니다).
AIM은 이 둘 중 어느 쪽도 택하지 않습니다. 실제 세계의 결측을 자연스러운 산물로 취급하고, 불완전한 기록에서 직접 학습합니다. 구체적으로는 진짜 결측에서 상속된(inherited) 토큰과 재구성 목표를 위해 인위적으로(artificially) 가린 토큰을 결합하고, 이 둘을 동등하게 다룹니다. 그 결과 SensorFM은 설계 그 자체로 결측을 인지하는(missingness-aware) 표현을 학습합니다. SensorFM은 단절된 데이터를 그저 견디는 것이 아니라, 오히려 생산적으로 활용합니다.
조금 더 구체적으로 보면, SensorFM은 인코더와 디코더 모두 1차원 비전 트랜스포머(ViT-1D, Vision Transformer) 를 백본으로 사용합니다. 하루치 입력을 센서 피처별로 20 분 단위 패치(patch)로 자르고, 결측이거나 인위적으로 가려진 패치를 학습 가능한 마스크 토큰으로 대체한 뒤, 인코더가 만든 잠재 임베딩을 디코더가 받아 원래 값을 복원합니다. 인위적 마스킹은 한 샘플마다 80\% 무작위 패치 마스킹, 50\% 시간 블록 마스킹(기기를 벗은 상황 모사), 50\% 모달리티 블록 마스킹(센서 드롭아웃 모사) 중 하나를 무작위로 적용해 현실의 다양한 결측 양상을 흉내 냅니다. 재구성 손실(MSE)은 원래 값이 있었는데 인위적으로 가린 패치에 대해서만 계산하고, 진짜 결측 구간은 손실에서 제외합니다. 가장 큰 SensorFM-B는 약 1.1 억 개의 파라미터를 가집니다.
모델과 데이터를 함께 키우면 성능이 오른다
파운데이션 모델에서 가장 중요한 질문은 "규모를 키우면 정말로 능력이 따라 오르는가" 입니다. 연구팀은 이를 확인하기 위해, 사전 학습 데이터 양과 모델 크기를 각각 네 개 규모 지점에 걸쳐 대폭 변화시키는 체계적인 스케일링 실험을 수행했습니다. 데이터는 약 2 백만에서 20 억 센서 시간까지(5 K, 50 K, 500 K, 5 M 명 규모에 대응), 모델은 10 만에서 1 억 파라미터까지(XXS, XS, S, B 변형에 대응) 늘렸습니다.
결과는 깔끔하고 고무적입니다. 사전 학습 손실은 데이터와 용량이 커질수록 예측 가능하게 감소했고, 결정적으로 이 이득이 다운스트림 건강 과제로 그대로 이어졌습니다. 가장 큰 모델인 SensorFM-B를 500만 명 전체 말뭉치로 학습했을 때, 가장 작은 변형(XXS) 대비 재구성 손실(MSE)이 31\% 줄었고, 분류(classification) 과제에서는 평균 9\% (\Delta \text{AUC} = 0.09 ), 회귀(regression) 과제에서는 평균 21\% (\Delta r = 0.21 )의 성능 향상을 보였습니다.
가장 큰 개선은 두 축을 동시에 키울 때 나타났습니다. 데이터와 용량을 비례해서 함께 늘리면 생성적 사전 학습과 판별적 다운스트림 성능 모두에서 거의 선형적인 향상이 나타났으며, 곡선은 아직 포화(saturation)의 기미를 보이지 않았습니다. 이 발견에 따라 이후 모든 실험은 모델 용량에 비례해 데이터 양을 맞춘 설정을 기본으로 삼습니다. 모델 변형 간 비교에서 SensorFM-B는 35 개 과제 중 33 개에서 최고 성능을 기록했고(33/35 ), 반대로 XXS는 33/35 과제에서 최하위에 머물렀습니다.
하나의 표현, 여러 건강 영역
얼어붙은 인코더 위의 선형 헤드
학습된 표현이 얼마나 범용적인지 확인하기 위해, 연구팀은 세 개의 독립적인 전향적(prospective) 연구에서 뽑은 35 개의 판별 과제로 SensorFM을 평가했습니다. 세 연구는 각각 대사 건강(Study 1, 1{,}655 명), 정신 건강(Study 2, 5{,}953 명), 수면 의학(Study 3, 6{,}377 명)을 다루며, 모두 기관생명윤리위원회(IRB) 승인을 받은 연구로 총 참가자는 13{,}985 명입니다. 과제는 심혈관 건강(6 ), 대사 위험(8 ), 정신 건강(8 ), 수면(3 ), 인구통계(4 ), 생활 습관(6 )의 여섯 범주에 걸쳐 있습니다.
임베딩의 품질을 직접 들여다보기 위해, 연구팀은 SensorFM 인코더를 얼린(frozen) 채로 두고 그 위에 가벼운 선형 헤드(linear head) 하나만 학습시켜 각 과제에 적응시켰습니다. 라벨 예제 수가 제한적인 점을 고려해, 임베딩은 50 개 주성분(PCA-50)으로 축소한 뒤 사용했습니다. 비교 대상은 센서 스트림에서 뽑은 수작업 피처(engineered features)로 학습한 지도 학습 모델입니다.
폭넓은 일반화와 라벨 효율성
결과를 정리하면 다음과 같습니다.
- 폭넓은 일반화: SensorFM 임베딩 위의 선형 프로브(linear probe)는 과제별 특수 아키텍처 없이도 수작업 피처 기반 지도 학습 베이스라인을 35 개 중 34 개 과제에서 능가했습니다. 인구통계 피처만 쓴 베이스라인과 비교해도 30 개 중 24 개 과제에서 앞섰습니다.
- 암묵적으로 학습되는 생리 정보: 나이, 성별 같은 인구통계 피처를 더하면 성능이 소폭 오르지만, 그 이득은 모델이 커질수록 오히려 줄어듭니다(35 개 중 33 개 과제). 이는 대규모 사전 학습 과정에서 큰 모델이 생리적으로 유의미한 특성을 암묵적으로 이미 학습하고 있음을 시사합니다.
- 측정하기 어려운 상태에서의 강점: 우울과 불안처럼 사람마다 편차가 크고 센서에 희미한 흔적만 남기는 상태에서, 규모를 키운 사전 학습이 특히 유용했습니다. SensorFM은 개인차라는 잡음 속에 묻히기 쉬운 신호를, 여러 사람에 걸쳐 공통되는 패턴으로 잡아냅니다.
- 라벨 효율성: 라벨이 붙은 예제가 극히 일부만 있어도 SensorFM은 곧 인구통계 전용 및 수작업 피처 베이스라인을 넘어섰습니다. 고품질 라벨이 늘 부족한 헬스케어 영역에서 특히 중요한 성질입니다.
한편 ASCVD 위험, Framingham 위험처럼 위험 점수 계산에 인구통계 피처를 명시적으로 쓰는 과제에서는 인구통계 전용 모델도 강력한 예측력을 보였고, 이런 과제에서는 SensorFM이 극단적인 사전 학습 규모에서만 그 베이스라인을 앞서는 모습을 보였습니다.
결측을 채우고 예측하는 생성 능력
재구성 기반 사전 학습 덕분에 SensorFM은 결측 데이터를 채우고(imputation) 신호를 예측하는(forecasting) 생성 능력도 얻습니다. 연구팀은 SensorFM이 최고 성능 베이스라인 대비 무작위 결측 대체에서 74.8\% , 시간적 보간(interpolation)에서 38.8\% , 시간적 외삽(extrapolation)에서 39.6\% , 센서 신호 대체에서 83.7\% 더 나은 성능을 보였다고 보고합니다.
이 능력은 일상 지표 추정에서 실질적인 가치를 갖습니다. 센서 피드가 중간에 끊기면 하루 요약 통계가 크게 왜곡될 수 있는데, SensorFM은 시간적 보간으로 빈 구간을 메워 더 신뢰할 수 있는 일일 지표를 만들어 냅니다. 하루 중 연속된 60 분을 인위적으로 지운 상황에서도 SensorFM은 일일 걸음 수 예측 정확도 99.7\% , 깊은 수면 예측 99.9\% , 가벼운 운동 추적 99.2\% 를 유지하며, 베이스라인에서 나타나던 과소 추정을 완화했습니다.
임베딩이 그린 인간 생리의 지도
학습된 표현이 실제로 무엇을 담고 있는지 이해하기 위해, 연구팀은 임베딩을 잠재 공간(latent space)에서 분석했습니다. 가장 큰 모델의 고차원 임베딩을 UMAP으로 2차원에 투영하면, 명시적인 라벨 없이 학습했는데도 BMI, 나이, 성별에 따른 뚜렷한 분포 이동이 나타납니다. 대규모 자기지도 사전 학습이 단절된 센서 스트림을 생리적으로 의미 있는 위상(topology)으로 자연스럽게 조직한다는 뜻입니다.
모델 크기는 잠재 공간의 구조 자체를 바꿉니다. 큰 모델일수록 임베딩이 고도로 압축 가능해, 분산의 큰 손실 없이 150 에서 200 차원으로 줄일 수 있었습니다. 그런데 그 압축의 성격이 모델 크기에 따라 달랐습니다. 가장 작은 XXS 모델은 첫 20 개 주성분만으로 분산의 약 90\% 를 설명한 뒤 평탄해지는데, 이는 제한된 특징 다양체에 과도하게 의존하는 차원 붕괴(dimensional collapse)를 시사합니다. 반대로 가장 큰 B 모델은 강한 비등방성(anisotropy)을 보여, 첫 번째 주성분 하나가 전체 분산의 약 40\% 를 설명하는 지배적인 "슈퍼 특징(super-feature)" 을 학습하면서도, 그 뒤로는 미묘한 생리 정보가 담긴 긴 꼬리(long tail)를 높은 차원에 걸쳐 보존했습니다. 큰 모델이 데이터를 효율적으로 압축하는 동시에, 기분이나 수면 장애처럼 이질적인 결과를 예측하는 데 필요한 미세한 신호까지 함께 지켜낸다는 의미입니다.
임베딩 차원이 과제별로 어떻게 쓰이는지도 SHAP(SHapley Additive exPlanations)으로 분석했습니다. ASCVD 위험과 Framingham 위험, 체중과 BMI처럼 상관이 높은 라벨들이 같은 임베딩 차원을 공유하는 것은 예상된 결과였지만, 수면 손상과 스트레스 지표(PSS), HOMA-IR과 우울 지표(PHQ-8)처럼 겉으로는 다른 영역의 과제들이 공통 차원을 활용하는 연결도 관찰되었습니다.
예측 헤드를 만드는 에이전트 "교실"
범용 임베딩은 새로운 과제에 적응시키는 노력이 적을수록 유용합니다. 그런데 임베딩을 특정 지표를 위한 강력한 예측기로 바꾸려면 전통적으로 수작업 피처 엔지니어링, 아키텍처 선택, 하이퍼파라미터 튜닝이 필요했고, 이 작업은 과제 수가 늘어날수록 급격히 버거워집니다.
연구팀은 이 과정을 자동화하기 위해, 최신 자기개선형 코드 생성 시스템에서 영감을 받은 에이전트 교실(classroom) 을 만들었습니다. 여러 LLM 에이전트가 "학생(student)" 이 되어 SensorFM 임베딩 위에 예측 헤드를 만드는 실행 가능한 코드를 반복적으로 생성하고, 테스트하고, 개선합니다. 이 코드는 채점 함수(score function)로 평가되고, "교사(teacher)" LLM이 피드백을 주며, 성능이 정체된 학생은 자신 또는 다른 학생의 해법을 되돌아보는 협력(collaboration) 이벤트로 돌파구를 찾습니다. 실험에서는 서로 다른 다섯 개의 Gemini 모델을 각각 한 명의 학생으로 둔 교실을 최대 20 번의 학습 사이클 동안 돌렸고, 35 개 과제와 5 겹 교차 검증, 협력 여부 두 조건을 조합해 총 30{,}516 개의 실험을 수행했습니다.
결과적으로 에이전트가 설계한 헤드는 단순 선형 프로브를 분류 과제 20 개 중 16 개, 회귀 과제 15 개 중 12 개에서 능가했습니다. 두 가지 패턴이 두드러졌습니다. 첫째, 해법의 품질은 탐색이 진행될수록 단조롭게(monotonically) 향상 되었습니다. 둘째, 성능은 바탕이 되는 LLM의 능력에 비례했습니다. 더 최신의, 더 강력한 Gemini 모델일수록 더 나은 해법을 내놓았고, 에이전트 간 협력은 능력이 낮은 모델이 격차를 좁히도록 도왔습니다. 흥미롭게도 상위 해법들은 대부분 임베딩 차원을 50 에서 100 사이로 줄였고, 비선형 모델보다 선형 모델이 더 흔했으며, 앙상블(ensemble)은 전체의 4분의 1 미만에서만 쓰였습니다.
개인 건강 에이전트에 근거를 심다
마지막으로 연구팀은 SensorFM이 실제로 끝에서 끝까지(end-to-end) 유용한지, 즉 AI 건강 코치가 사용자 자신의 생리에 근거해 답하도록 만드는 도구가 될 수 있는지를 물었습니다. 이를 위해 SensorFM을 개인 건강 에이전트(Personal Health Agent) 에 통합하고, 세 가지 조건에서 건강 요약을 생성해 비교했습니다.
세 조건은 각각 (A) 인구통계 + 일일 웨어러블 지표 + SensorFM 예측, (B) 인구통계 + 일일 웨어러블 지표 + 실제 측정값(ground truth), (C) 인구통계 + 일일 웨어러블 지표만 쓰는 베이스라인입니다. Gemini 3 Flash가 31 명의 실제 참가자 프로필(건강군 12 명, 만성질환군 19 명)로 요약을 생성했고, 내과와 가정의학과를 전공하고 평균 11.75 년의 임상 경력을 가진, 조건을 모르는(blinded) 전문의 네 명이 맥락(context), 관련성(relevance), 정당성(justifiability), 개인화(personalization), 잠재적 위해(harm)라는 다섯 개 루브릭 항목에 걸쳐 평가했습니다. 총 40 시간이 넘는 전문가 평가에서 1{,}860 개의 평점이 나왔습니다.
결과는 인상적입니다. SensorFM 예측을 더한 조건(A)은 다섯 개 모든 루브릭 항목에서 베이스라인(C)을 통계적으로 유의하게(Wilcoxon 부호 순위 검정, Bonferroni 보정 후 모든 p < 0.01 ) 앞섰습니다. 더 놀라운 점은, SensorFM 예측에 근거한 조건(A)과 실제 측정값에 근거한 조건(B) 사이에 통계적으로 유의한 차이가 없었다 는 것입니다(p = 0.396 ). 모델이 추론한 예측이, 에이전트에게 맥락 정보로 주어질 때 실제 정답 라벨만큼의 역할을 해냈다는 뜻입니다.
한계점 및 시사점
연구팀은 몇 가지 한계를 솔직하게 밝힙니다. 첫째, 소비자용 웨어러블 기기는 하드웨어와 신호 처리 방식이 제각각이라 표준화가 부족합니다. SensorFM은 여러 Fitbit 및 Pixel Watch 기기로 학습, 평가되었지만 다른 기기 생태계로의 전이는 보장되지 않으며 추가 적응이 필요합니다. 둘째, 대규모 모델링을 위해 원시 파형 대신 1분 집계 피처를 입력으로 썼기 때문에, 심박의 박동 간 변이나 1초 미만의 미세한 움직임처럼 일부 임상 과제에 유용할 수 있는 세밀한 시간 구조는 버려집니다.
셋째, 다운스트림 라벨의 상당수가 실험실 검사가 아니라 자기 보고 진단, 약물 복용, 선별 설문에 의존하며, 연속적인 선별 점수를 이진 결과로 바꾸는 과정에서 임계값에 따른 잡음이 생길 수 있습니다. 향후 연구는 전자의무기록(EHR) 라벨이나 표준 생리 측정값 같은 임상적으로 검증된 결과로 평가할 필요가 있습니다. 넷째, 건강 에이전트 평가는 단일 턴(single-turn) 상호작용으로 제한되어, 후속 질문이 오가는 실제 다중 턴 상담으로의 일반화에는 한계가 있습니다. 마지막으로, 사전 학습과 평가 모집단 모두 Fitbit 및 Pixel Watch 사용자의 특성을 반영하므로 미국이나 전 세계 인구 전체를 대표하지는 못합니다.
이러한 한계에도 불구하고, SensorFM은 웨어러블 헬스 연구의 방향 전환을 보여줍니다. 하나의 결과마다 별도의 모델을 만드는 방식에서 벗어나, 유연하고 효율적이며 확장 가능하게 적응시킬 수 있는 인간 생리의 단일 일반주의(generalist) 표현 으로 나아가는 것입니다. 연구팀은 이 예측들이 진단을 대체하기 위한 것이 아니라 선별, 위험 층화(risk stratification), 장기 추적을 위한 것임을 분명히 하면서도, 연속적인 건강 센싱과 드문드문 이뤄지는 임상 진료 사이의 간극을 메우는 더 개인화되고 선제적인 건강 안내의 가능성을 조망합니다.
Towards a General Intelligence and Interface for Wearable Health Data 논문
SensorFM 소개 블로그 (Google Research)
더 읽어보기
이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. 
파이토치 한국 사용자 모임
이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일
로 보내드립니다! 텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다. 
아래
쪽에 좋아요
를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ 