Samsungs xMAE og HiMAE: Sundheds-AI på dit ur – uden skyen

xMAE blev fortrænet på cirka 9.400 timers parrede EKG–PPG-data fra omkring 2.400 forsøgspersoner. Efterfølgende blev den evalueret på tværs af seks studier med 19 opgaver, herunder forudsigelse af forhøjet blodtryk, detektering af ekstrasystoler, søvnstadieinddeling og estimering af blodprøveresultater. Modellen overgik alle tidligere open source-fundamentale modeller i 15 ud af 19 opgaper målt på AUROC . En vigtig praktisk indsigt: efter fortræning fjernes EKG-delen, og modellen kører udelukkende på PPG, hvilket gør den velegnet til brug på bærbare enheder .

HiMAE: Hierarkisk analyse på tværs af tidsintervaller

HiMAE (Hierarchical Masked Autoencoder) anlægger en anden tilgang: den analyserer bærbare tidsseriedata – hjerteslag, søvnstadier, aktivitetsmønstre – på tværs af flere tidsopløsninger ved hjælp af en hierarkisk foldningsbaseret enkoder-dekoder . I stedet for at behandle alle tidsintervaller ens, opdager HiMAE opløsningsspecifikke strukturer: grove mønstre på længere skalaer (f.eks. søvn-/vågen-cyklusser) og finkornede mønstre på kortere skalaer (f.eks. individuelle hjerteslag) . Modellen opnår inferens på under et millisekund på et smartwatchs CPU, hvilket muliggør kontinuerlig analyse på enheden uden at skulle sende data til skyen .

Den fælles selvovervågede læringsmetode

Både xMAE og HiMAE er maskerede autoenkodere (MAE), der er trænet via selvovervåget læring på umærkede kropssignaldata . Kerneideen er enkel, men kraftfuld: maskér en del af inputsignalet, og træn derefter modellen til at rekonstruere det. Dette gør det muligt for modellerne at indfange meningsfulde fysiologiske strukturer uden at have brug for manuelt mærkede træningsdata – en kritisk fordel inden for sundheds-AI, hvor mærkede kliniske data ofte er knappe og dyre at producere.

Rolle i Samsungs 'Connected Care'-vision

Ved Galaxy Unpacked i juli 2026 præsenterede Samsung sin Connected Care-strategi, et skift fra gennemsnitsbaserede sundhedsmålinger til forebyggende, personlig sundhedsovervågning drevet af AI på enheden . Dr. Pak beskrev fundamentale sundhedsmodeller som den afgørende nøgle – en bevægelse "fra befolkningsgennemsnit til noget virkelig personligt" ved at bruge selvovervåget læring til at udtrække meningsfulde karakteristika fra hver enkelt persons kropssignaler .

xMAE og HiMAE er de første konkrete Samsung Research-modeller, der realiserer denne vision: de kører fuldstændigt på smartwatch'et (ingen sky nødvendig), lærer brugerspecifikke fysiologiske mønstre og kan finjusteres til opgaver som blodtryksestimering, arytmigenkendelse og søvnanalyse direkte på enheden . Tilsammen repræsenterer de et praktisk skridt mod at gøre bærbar sundheds-AI både privat og kontinuerligt tilgængelig – uden behov for en internetforbindelse.