So arbeiten die Modelle

xMAE: Der elektrisch-optische Herzpuls im Fokus

xMAE ist ein physiologisch fundiertes Modell, das den zeitlichen Zusammenhang zwischen zwei Herzsignalen lernt: dem EKG (elektrische Herzaktivität) und dem PPG (optische Pulswelle, gemessen mit dem Photoplethysmographie-Sensor der Smartwatch). Das Modell nutzt einen gerichteten Cross-Attention-Mechanismus: Während des Vortrainings werden nach und nach ganze EKG-Abschnitte maskiert – das Modell rekonstruiert sie dann aus dem synchronisierten PPG-Signal . PPG-Tokens dienen dabei als Schlüssel und Werte, EKG-Tokens als Abfragen – eine Anordnung, die der physiologischen Tatsache Rechnung trägt, dass die elektrische Herzaktivität (EKG) den peripheren Puls (PPG) antreibt .

xMAE wurde mit rund 9.400 Stunden gepaarter EKG-PPG-Daten von etwa 2.400 Probanden vortrainiert. In sechs Studien mit 19 verschiedenen Aufgaben – darunter Bluthochdruckvorhersage, Erkennung von Herzrhythmusstörungen (Ektopie), Schlafphasenbestimmung und Blutwertschätzung – wurde das Modell evaluiert. Es übertraf alle bisherigen Open-Source-Modelle in 15 von 19 Aufgaben gemessen am AUROC-Wert . Ein wichtiger praktischer Vorteil: Nach dem Vortraining wird der EKG-Zweig entfernt, und das Modell läuft nur mit PPG – ideal für den Einsatz in Wearables .

HiMAE: Mehrere Zeitebenen im Blick

HiMAE („Hierarchical Masked Autoencoder“) verfolgt einen anderen Ansatz: Es analysiert Wearable-Zeitreihendaten – Herzschläge, Schlafphasen, Bewegungsmuster – über mehrere zeitliche Auflösungen hinweg, und zwar mit einem hierarchischen, auf Faltungen basierenden Encoder-Decoder . Statt alle Zeitskalen gleich zu behandeln, entdeckt HiMAE auflösungsspezifische Strukturen: grobe Muster auf längeren Skalen (z. B. Schlaf-Wach-Zyklen) und feine Muster auf kürzeren Skalen (z. B. einzelne Herzschläge) . Das Modell erreicht eine Inferenzzeit von unter einer Millisekunde auf einer Smartwatch-CPU – das ermöglicht eine kontinuierliche Analyse direkt am Gerät, ohne Daten in die Cloud schicken zu müssen .

Die gemeinsame Basis: Selbstüberwachtes Lernen

Beide Modelle sind sogenannte Masked Autoencoder (MAE) und werden mit selbstüberwachtem Lernen auf unbeschrifteten Biosignal-Daten trainiert . Die Kernidee ist einfach, aber wirkungsvoll: Ein Teil des Eingangssignals wird maskiert, und das Modell lernt, diesen Teil zu rekonstruieren. Auf diese Weise erfassen die Modelle die zugrundeliegende physiologische Struktur der Daten, ohne dass aufwändig manuell beschriftete Trainingsdaten nötig sind – ein großer Vorteil in der Gesundheits-KI, wo solche klinischen Daten oft rar und teuer sind.

Ein Baustein für Samsungs „Connected Care“-Vision

Auf dem Galaxy Unpacked-Event im Juli 2026 hatte Samsung seine Connected Care-Strategie vorgestellt. Sie zielt darauf ab, von bevölkerungsdurchschnittlichen Gesundheitsmetriken wegzukommen und hin zu präventiver, personalisierter Gesundheitsüberwachung zu gehen, die direkt auf dem Gerät läuft . Dr. Pak bezeichnete Gesundheits-KI-Basismodelle als den entscheidenden Schlüssel: Es gehe darum, „von Bevölkerungsdurchschnitten zu etwas wirklich Persönlichem“ zu kommen, indem selbstüberwachtes Lernen genutzt wird, um aus den Biosignalen jedes Einzelnen aussagekräftige Merkmale zu extrahieren .

xMAE und HiMAE sind die ersten konkreten Modelle von Samsung Research, die diese Vision umsetzen: Sie laufen vollständig auf der Smartwatch (keine Cloud nötig), lernen die individuellen physiologischen Muster des Nutzers und können direkt auf dem Gerät für Aufgaben wie Blutdruckschätzung, Erkennung von Herzrhythmusstörungen und Schlafanalyse optimiert werden . Zusammen sind sie ein praktischer Schritt hin zu einer Wearable-Gesundheits-KI, die sowohl privat als auch jederzeit verfügbar ist – ganz ohne Internetverbindung.

So arbeiten die Modelle

xMAE: Der elektrisch-optische Herzpuls im Fokus

xMAE ist ein physiologisch fundiertes Modell, das den zeitlichen Zusammenhang zwischen zwei Herzsignalen lernt: dem EKG (elektrische Herzaktivität) und dem PPG (optische Pulswelle, gemessen mit dem Photoplethysmographie-Sensor der Smartwatch). Das Modell nutzt einen gerichteten Cross-Attention-Mechanismus: Während des Vortrainings werden nach und nach ganze EKG-Abschnitte maskiert – das Modell rekonstruiert sie dann aus dem synchronisierten PPG-Signal . PPG-Tokens dienen dabei als Schlüssel und Werte, EKG-Tokens als Abfragen – eine Anordnung, die der physiologischen Tatsache Rechnung trägt, dass die elektrische Herzaktivität (EKG) den peripheren Puls (PPG) antreibt .

xMAE wurde mit rund 9.400 Stunden gepaarter EKG-PPG-Daten von etwa 2.400 Probanden vortrainiert. In sechs Studien mit 19 verschiedenen Aufgaben – darunter Bluthochdruckvorhersage, Erkennung von Herzrhythmusstörungen (Ektopie), Schlafphasenbestimmung und Blutwertschätzung – wurde das Modell evaluiert. Es übertraf alle bisherigen Open-Source-Modelle in 15 von 19 Aufgaben gemessen am AUROC-Wert . Ein wichtiger praktischer Vorteil: Nach dem Vortraining wird der EKG-Zweig entfernt, und das Modell läuft nur mit PPG – ideal für den Einsatz in Wearables .

HiMAE: Mehrere Zeitebenen im Blick

HiMAE („Hierarchical Masked Autoencoder“) verfolgt einen anderen Ansatz: Es analysiert Wearable-Zeitreihendaten – Herzschläge, Schlafphasen, Bewegungsmuster – über mehrere zeitliche Auflösungen hinweg, und zwar mit einem hierarchischen, auf Faltungen basierenden Encoder-Decoder . Statt alle Zeitskalen gleich zu behandeln, entdeckt HiMAE auflösungsspezifische Strukturen: grobe Muster auf längeren Skalen (z. B. Schlaf-Wach-Zyklen) und feine Muster auf kürzeren Skalen (z. B. einzelne Herzschläge) . Das Modell erreicht eine Inferenzzeit von unter einer Millisekunde auf einer Smartwatch-CPU – das ermöglicht eine kontinuierliche Analyse direkt am Gerät, ohne Daten in die Cloud schicken zu müssen .

Die gemeinsame Basis: Selbstüberwachtes Lernen

Beide Modelle sind sogenannte Masked Autoencoder (MAE) und werden mit selbstüberwachtem Lernen auf unbeschrifteten Biosignal-Daten trainiert . Die Kernidee ist einfach, aber wirkungsvoll: Ein Teil des Eingangssignals wird maskiert, und das Modell lernt, diesen Teil zu rekonstruieren. Auf diese Weise erfassen die Modelle die zugrundeliegende physiologische Struktur der Daten, ohne dass aufwändig manuell beschriftete Trainingsdaten nötig sind – ein großer Vorteil in der Gesundheits-KI, wo solche klinischen Daten oft rar und teuer sind.

Ein Baustein für Samsungs „Connected Care“-Vision

Auf dem Galaxy Unpacked-Event im Juli 2026 hatte Samsung seine Connected Care-Strategie vorgestellt. Sie zielt darauf ab, von bevölkerungsdurchschnittlichen Gesundheitsmetriken wegzukommen und hin zu präventiver, personalisierter Gesundheitsüberwachung zu gehen, die direkt auf dem Gerät läuft . Dr. Pak bezeichnete Gesundheits-KI-Basismodelle als den entscheidenden Schlüssel: Es gehe darum, „von Bevölkerungsdurchschnitten zu etwas wirklich Persönlichem“ zu kommen, indem selbstüberwachtes Lernen genutzt wird, um aus den Biosignalen jedes Einzelnen aussagekräftige Merkmale zu extrahieren .

xMAE und HiMAE sind die ersten konkreten Modelle von Samsung Research, die diese Vision umsetzen: Sie laufen vollständig auf der Smartwatch (keine Cloud nötig), lernen die individuellen physiologischen Muster des Nutzers und können direkt auf dem Gerät für Aufgaben wie Blutdruckschätzung, Erkennung von Herzrhythmusstörungen und Schlafanalyse optimiert werden . Zusammen sind sie ein praktischer Schritt hin zu einer Wearable-Gesundheits-KI, die sowohl privat als auch jederzeit verfügbar ist – ganz ohne Internetverbindung.