Jak jednotlivé modely fungují

xMAE: Učí se vztah mezi elektrickým a optickým pulsem

xMAE je model, který s ohledem na fyziologii srdce modeluje časový vztah mezi dvěma srdečními biosignály: EKG (elektrická aktivita srdce) a PPG (optický pulzní záznam měřený fotopletysmografickým senzorem chytrých hodinek). Model využívá mechanismus tzv. directional cross-attention: během předtréninku postupně maskuje souvislé úseky EKG a rekonstruuje je ze synchronizovaného PPG . Tokeny PPG fungují jako klíče a hodnoty, zatímco tokeny EKG slouží jako dotazy – návrh, který respektuje fyziologický fakt, že elektrická srdeční aktivita (EKG) pohání periferní pulz (PPG) .

xMAE byl předtrénován na přibližně 9 400 hodinách párových dat EKG–PPG od zhruba 2 400 subjektů. Následně byl testován v šesti studiích, které zahrnovaly 19 konkrétních úloh – včetně predikce hypertenze, detekce mimoděložních stahů, klasifikace fází spánku a odhadu hodnot krevních testů. Model v 15 z 19 úloh překonal všechny dřívější open-source foundation modely z hlediska metriky AUROC . Klíčová vlastnost pro praxi: po dokončení předtréninku se větev EKG odstraní a model dále pracuje pouze s daty z PPG, což je ideální pro nasazení v nositelných zařízeních .

HiMAE: Hierarchická analýza napříč časovými škálami

HiMAE volí jiný přístup: analyzuje časové řady z nositelných zařízení – srdeční tep, fáze spánku, pohybovou aktivitu – napříč několika časovými rozlišeními pomocí hierarchického konvolučního enkodéru-dekodéru . Místo uniformního zpracování všech časových měřítek HiMAE odhaluje struktury specifické pro dané rozlišení: hrubé vzory na delších škálách (např. cykly spánek/bdění) a jemnozrnné vzory na kratších škálách (např. jednotlivé srdeční stahy) . Model dosahuje inference v řádu mikrosekund až desetin milisekund na CPU chytrých hodinek, což umožňuje nepřetržitou lokální analýzu bez potřeby obracet se na cloud .

Společný základ: samo-učené masked autoencodery

Oba modely, xMAE i HiMAE, vycházejí z architektury masked autoencoder (MAE) a jsou trénovány metodou self-supervised learning na neoznačených biosignálových datech . Princip je jednoduchý, ale účinný: část vstupního signálu se záměrně „zamaskuje“ (vypustí) a model se trénuje k její rekonstrukci. Modely se tak učí smysluplné fyziologické struktury, aniž by potřebovaly pracně ručně anotovaná trénovací data – obrovská výhoda v oblasti zdravotnické AI, kde jsou označená klinická data často vzácná a nákladná na pořízení.

Místo ve vizi Connected Care společnosti Samsung

Na akci Galaxy Unpacked v červenci 2026 představil Samsung svou strategii Connected Care – posun od průměrných zdravotních metrik populace k preventivnímu, personalizovanému zdravotnímu monitorování poháněnému AI přímo na zařízení . Dr. Pak tehdy označil health foundation modely za klíčový nástroj – cestu „od populačních průměrů k něčemu skutečně osobnímu“ díky self-supervised learningu, který z biosignálů každého jednotlivce vytahuje smysluplné rysy .

xMAE a HiMAE jsou první konkrétní modely Samsung Research, které tuto vizi naplňují: běží zcela na chytrých hodinkách (nepotřebují cloud), učí se fyziologické vzorce konkrétního uživatele a lze je dolaďovat přímo na zařízení pro úlohy jako odhad krevního tlaku, detekce arytmie nebo analýza spánku . Dohromady představují praktický krok k tomu, aby zdravotní AI v nositelných zařízeních byla soukromá a dostupná neustále – i bez připojení k internetu.

Jak jednotlivé modely fungují

xMAE: Učí se vztah mezi elektrickým a optickým pulsem

xMAE je model, který s ohledem na fyziologii srdce modeluje časový vztah mezi dvěma srdečními biosignály: EKG (elektrická aktivita srdce) a PPG (optický pulzní záznam měřený fotopletysmografickým senzorem chytrých hodinek). Model využívá mechanismus tzv. directional cross-attention: během předtréninku postupně maskuje souvislé úseky EKG a rekonstruuje je ze synchronizovaného PPG . Tokeny PPG fungují jako klíče a hodnoty, zatímco tokeny EKG slouží jako dotazy – návrh, který respektuje fyziologický fakt, že elektrická srdeční aktivita (EKG) pohání periferní pulz (PPG) .

xMAE byl předtrénován na přibližně 9 400 hodinách párových dat EKG–PPG od zhruba 2 400 subjektů. Následně byl testován v šesti studiích, které zahrnovaly 19 konkrétních úloh – včetně predikce hypertenze, detekce mimoděložních stahů, klasifikace fází spánku a odhadu hodnot krevních testů. Model v 15 z 19 úloh překonal všechny dřívější open-source foundation modely z hlediska metriky AUROC . Klíčová vlastnost pro praxi: po dokončení předtréninku se větev EKG odstraní a model dále pracuje pouze s daty z PPG, což je ideální pro nasazení v nositelných zařízeních .

HiMAE: Hierarchická analýza napříč časovými škálami

HiMAE volí jiný přístup: analyzuje časové řady z nositelných zařízení – srdeční tep, fáze spánku, pohybovou aktivitu – napříč několika časovými rozlišeními pomocí hierarchického konvolučního enkodéru-dekodéru . Místo uniformního zpracování všech časových měřítek HiMAE odhaluje struktury specifické pro dané rozlišení: hrubé vzory na delších škálách (např. cykly spánek/bdění) a jemnozrnné vzory na kratších škálách (např. jednotlivé srdeční stahy) . Model dosahuje inference v řádu mikrosekund až desetin milisekund na CPU chytrých hodinek, což umožňuje nepřetržitou lokální analýzu bez potřeby obracet se na cloud .

Společný základ: samo-učené masked autoencodery

Oba modely, xMAE i HiMAE, vycházejí z architektury masked autoencoder (MAE) a jsou trénovány metodou self-supervised learning na neoznačených biosignálových datech . Princip je jednoduchý, ale účinný: část vstupního signálu se záměrně „zamaskuje“ (vypustí) a model se trénuje k její rekonstrukci. Modely se tak učí smysluplné fyziologické struktury, aniž by potřebovaly pracně ručně anotovaná trénovací data – obrovská výhoda v oblasti zdravotnické AI, kde jsou označená klinická data často vzácná a nákladná na pořízení.

Místo ve vizi Connected Care společnosti Samsung

Na akci Galaxy Unpacked v červenci 2026 představil Samsung svou strategii Connected Care – posun od průměrných zdravotních metrik populace k preventivnímu, personalizovanému zdravotnímu monitorování poháněnému AI přímo na zařízení . Dr. Pak tehdy označil health foundation modely za klíčový nástroj – cestu „od populačních průměrů k něčemu skutečně osobnímu“ díky self-supervised learningu, který z biosignálů každého jednotlivce vytahuje smysluplné rysy .

xMAE a HiMAE jsou první konkrétní modely Samsung Research, které tuto vizi naplňují: běží zcela na chytrých hodinkách (nepotřebují cloud), učí se fyziologické vzorce konkrétního uživatele a lze je dolaďovat přímo na zařízení pro úlohy jako odhad krevního tlaku, detekce arytmie nebo analýza spánku . Dohromady představují praktický krok k tomu, aby zdravotní AI v nositelných zařízeních byla soukromá a dostupná neustále – i bez připojení k internetu.