Samsung lanza xMAE y HiMAE: dos modelos de inteligencia artificial para analizar biosensores directamente en tu smartwatch, sin necesidad de conexión a la nube

La clave está en el diseño: los fragmentos de PPG actúan como "claves" y "valores", mientras que los del ECG funcionan como "consultas". Esto respeta la realidad fisiológica de que la actividad eléctrica del corazón (ECG) es la que genera el pulso periférico (PPG) .

xMAE se entrenó con aproximadamente 9.400 horas de datos emparejados de ECG y PPG de unas 2.400 personas. Después se evaluó en seis estudios que abarcaban 19 tareas clínicas, como la predicción de hipertensión, la detección de latidos ectópicos, la clasificación de etapas del sueño y la estimación de parámetros en analíticas de sangre. El modelo superó a todos los modelos fundacionales de código abierto previos en 15 de las 19 tareas medidas con el índice AUROC .

Un detalle muy práctico: una vez terminado el entrenamiento, la rama del ECG se retira y el modelo funciona únicamente con la señal PPG. Esto lo hace ideal para llevarlo en un reloj inteligente .

HiMAE: análisis jerárquico a distintas escalas temporales

HiMAE (Hierarchical Masked Autoencoder) propone un enfoque diferente: analiza los datos de series temporales de un wearable —latidos, fases del sueño, patrones de actividad— a múltiples resoluciones temporales utilizando un codificador-decodificador convolucional jerárquico .

En lugar de tratar todas las escalas de tiempo por igual, HiMAE descubre la estructura propia de cada resolución: los patrones más generales a escalas largas (por ejemplo, los ciclos de sueño-vigilia) y los más detallados a escalas cortas (como los latidos individuales) . El modelo consigue inferencias en menos de un milisegundo en la CPU de un smartwatch, lo que permite un análisis continuo en el propio dispositivo sin necesidad de enviar datos a la nube .

El aprendizaje compartido: auto-supervisado y enmascarado

Tanto xMAE como HiMAE son autoencoders enmascarados (MAE) entrenados mediante aprendizaje auto-supervisado con datos de biosensores sin etiquetar . La idea es sencilla pero poderosa: se oculta (enmascara) una parte de la señal de entrada y se entrena al modelo para que la reconstruya. Así, los modelos aprenden la estructura fisiológica subyacente sin necesidad de tener datos clínicos etiquetados manualmente, una ventaja enorme en el ámbito de la salud, donde esos datos suelen ser escasos y caros de producir.

El papel en la visión 'Connected Care' de Samsung

En el evento Galaxy Unpacked de julio de 2026, Samsung presentó su estrategia Connected Care, un cambio de enfoque que pasa de ofrecer métricas de salud basadas en promedios poblacionales a una monitorización preventiva y personalizada, impulsada por inteligencia artificial en el propio dispositivo .

El Dr. Pak, directivo de Samsung, describió los modelos fundacionales de salud como el habilitador clave: el paso de "los promedios poblacionales a algo realmente personal", usando el aprendizaje auto-supervisado para extraer rasgos significativos de las señales biomédicas de cada individuo .

xMAE y HiMAE son los primeros modelos concretos de Samsung Research que hacen realidad esta visión: se ejecutan íntegramente en el smartwatch (sin necesidad de la nube), aprenden los patrones fisiológicos específicos de cada usuario y se pueden ajustar para tareas como la estimación de la presión arterial, la detección de arritmias y el análisis del sueño directamente en el dispositivo . Juntos, representan un paso práctico para que la inteligencia artificial aplicada a la salud en wearables sea, a la vez, privada y esté siempre disponible, incluso sin conexión a internet.