Miten kukin malli toimii

xMAE: Sähköisen ja optisen pulssin suhteen oppiminen

xMAE on fysiologiatietoinen malli, joka oppii kahden sydämen biosignaalin – EKG (sydämen sähköinen toiminta) ja PPG (optinen pulssiaalto, jonka älykellon valopletysmografianturi mittaa) – välisen aikasuhteen. Malli käyttää suunnattua ristiinkohteistusta (directional cross-attention): harjoitusvaiheessa se peittää EKG:n jatkuvia segmenttejä ja rekonstruoi ne synkronoidusta PPG:stä . PPG-tokenit toimivat avaimina ja arvoina, kun taas EKG-tokenit toimivat kyselyinä – rakenne, joka kunnioittaa sitä fysiologista tosiasiaa, että sydämen sähköinen toiminta (EKG) ohjaa ääreisvaltimon pulssia (PPG) .

xMAE koulutettiin noin 9 400 tunnilla paritettua EKG–PPG-dataa noin 2 400 koehenkilöltä. Sitä arvioitiin kuudessa tutkimuksessa, jotka kattoivat 19 terveyden seurantatehtävää, kuten verenpainetautien ennustamisen, lisälyöntien havaitsemisen, univaiheiden tunnistamisen ja verikokeiden arvioinnin. Malli suoriutui aiemmin julkaistuja perusmalleja paremmin 15:ssä 19 tehtävästä AUROC-mittarilla . Tärkeä käytännön oivallus: esiharjoituksen jälkeen EKG-haara voidaan poistaa ja malli toimii pelkällä PPG:llä, mikä tekee siitä erityisen sopivan käytettäväksi puettavissa laitteissa .

HiMAE: Hierarkkinen analyysi eri aikaskaaloissa

HiMAE (Hierarchical Masked Autoencoder) käyttää erilaista lähestymistapaa: se analysoi puettavien laitteiden aikasarjadataa – sydämenlyöntejä, univaiheita, aktiivisuusmalleja – useilla aikaresoluutioilla käyttämällä hierarkkista konvoluutioenkooderi-dekooderia . Sen sijaan, että se käsittelisi kaikkia aikaskaaloja yhdenmukaisesti, HiMAE löytää resoluutiokohtaista rakennetta: karkeita malleja pidemmiltä aikaskaaloilta (esim. uni/heräämiskierrot) ja hienojakoisia malleja lyhyemmiltä aikaskaaloilta (esim. yksittäiset sydämenlyönnit) . Malli saavuttaa alle millisekunnin inferenssin älykellon suorittimella, mikä mahdollistaa jatkuvan laitteen sisäisen analyysin ilman pilveen siirtoa .

Yhteinen itseohjattu oppimismenetelmä

Sekä xMAE että HiMAE ovat peitettäviä autoenkoodereita (MAE), jotka on koulutettu itseohjatulla oppimisella ilman merkittyä biosignaalidataa . Perusidea on yksinkertainen mutta tehokas: peitä osa syötteen signaalista ja opeta malli rekonstruoimaan se. Tämän ansiosta mallit voivat oppia merkityksellistä fysiologista rakennetta ilman, että ne tarvitsevat manuaalisesti merkittyä harjoitusdataa – mikä on ratkaiseva etu terveystekoälyssä, jossa merkitty kliininen data on usein niukkaa ja kallista tuottaa.

Rooli Samsungin Connected Care -visiossa

Galaxy Unpacked -tapahtumassa heinäkuussa 2026 Samsung esitteli Connected Care -strategiansa, joka on siirtymä väestötason keskiarvoista ennaltaehkäisevään, henkilökohtaiseen terveyden seurantaan, jota tehostaa laitteen sisäinen tekoäly . Tri Pak kuvaili terveyden perusmalleja keskeiseksi mahdollistajaksi – siirtymäksi "väestötason keskiarvoista johonkin todella henkilökohtaiseen" käyttämällä itseohjattua oppimista jokaisen yksilön biosignaaleista merkityksellisten piirteiden poimimiseen .

xMAE ja HiMAE ovat ensimmäisiä konkreettisia Samsung Researchin malleja, jotka toteuttavat tämän vision: ne toimivat kokonaan älykellossa (ei pilviyhteyttä), oppivat käyttäjäkohtaisia fysiologisia malleja ja niitä voidaan hienosäätää tehtäviin, kuten verenpaineen arviointiin, rytmihäiriöiden havaitsemiseen ja unianalyysiin suoraan laitteella . Yhdessä ne edustavat käytännöllistä askelta kohti puettavaa terveystekoälyä, joka on sekä yksityinen että jatkuvasti saatavilla – ilman tarvetta internetyhteydelle.

Miten kukin malli toimii

xMAE: Sähköisen ja optisen pulssin suhteen oppiminen

xMAE on fysiologiatietoinen malli, joka oppii kahden sydämen biosignaalin – EKG (sydämen sähköinen toiminta) ja PPG (optinen pulssiaalto, jonka älykellon valopletysmografianturi mittaa) – välisen aikasuhteen. Malli käyttää suunnattua ristiinkohteistusta (directional cross-attention): harjoitusvaiheessa se peittää EKG:n jatkuvia segmenttejä ja rekonstruoi ne synkronoidusta PPG:stä . PPG-tokenit toimivat avaimina ja arvoina, kun taas EKG-tokenit toimivat kyselyinä – rakenne, joka kunnioittaa sitä fysiologista tosiasiaa, että sydämen sähköinen toiminta (EKG) ohjaa ääreisvaltimon pulssia (PPG) .

xMAE koulutettiin noin 9 400 tunnilla paritettua EKG–PPG-dataa noin 2 400 koehenkilöltä. Sitä arvioitiin kuudessa tutkimuksessa, jotka kattoivat 19 terveyden seurantatehtävää, kuten verenpainetautien ennustamisen, lisälyöntien havaitsemisen, univaiheiden tunnistamisen ja verikokeiden arvioinnin. Malli suoriutui aiemmin julkaistuja perusmalleja paremmin 15:ssä 19 tehtävästä AUROC-mittarilla . Tärkeä käytännön oivallus: esiharjoituksen jälkeen EKG-haara voidaan poistaa ja malli toimii pelkällä PPG:llä, mikä tekee siitä erityisen sopivan käytettäväksi puettavissa laitteissa .

HiMAE: Hierarkkinen analyysi eri aikaskaaloissa

HiMAE (Hierarchical Masked Autoencoder) käyttää erilaista lähestymistapaa: se analysoi puettavien laitteiden aikasarjadataa – sydämenlyöntejä, univaiheita, aktiivisuusmalleja – useilla aikaresoluutioilla käyttämällä hierarkkista konvoluutioenkooderi-dekooderia . Sen sijaan, että se käsittelisi kaikkia aikaskaaloja yhdenmukaisesti, HiMAE löytää resoluutiokohtaista rakennetta: karkeita malleja pidemmiltä aikaskaaloilta (esim. uni/heräämiskierrot) ja hienojakoisia malleja lyhyemmiltä aikaskaaloilta (esim. yksittäiset sydämenlyönnit) . Malli saavuttaa alle millisekunnin inferenssin älykellon suorittimella, mikä mahdollistaa jatkuvan laitteen sisäisen analyysin ilman pilveen siirtoa .

Yhteinen itseohjattu oppimismenetelmä

Sekä xMAE että HiMAE ovat peitettäviä autoenkoodereita (MAE), jotka on koulutettu itseohjatulla oppimisella ilman merkittyä biosignaalidataa . Perusidea on yksinkertainen mutta tehokas: peitä osa syötteen signaalista ja opeta malli rekonstruoimaan se. Tämän ansiosta mallit voivat oppia merkityksellistä fysiologista rakennetta ilman, että ne tarvitsevat manuaalisesti merkittyä harjoitusdataa – mikä on ratkaiseva etu terveystekoälyssä, jossa merkitty kliininen data on usein niukkaa ja kallista tuottaa.

Rooli Samsungin Connected Care -visiossa

Galaxy Unpacked -tapahtumassa heinäkuussa 2026 Samsung esitteli Connected Care -strategiansa, joka on siirtymä väestötason keskiarvoista ennaltaehkäisevään, henkilökohtaiseen terveyden seurantaan, jota tehostaa laitteen sisäinen tekoäly . Tri Pak kuvaili terveyden perusmalleja keskeiseksi mahdollistajaksi – siirtymäksi "väestötason keskiarvoista johonkin todella henkilökohtaiseen" käyttämällä itseohjattua oppimista jokaisen yksilön biosignaaleista merkityksellisten piirteiden poimimiseen .

xMAE ja HiMAE ovat ensimmäisiä konkreettisia Samsung Researchin malleja, jotka toteuttavat tämän vision: ne toimivat kokonaan älykellossa (ei pilviyhteyttä), oppivat käyttäjäkohtaisia fysiologisia malleja ja niitä voidaan hienosäätää tehtäviin, kuten verenpaineen arviointiin, rytmihäiriöiden havaitsemiseen ja unianalyysiin suoraan laitteella . Yhdessä ne edustavat käytännöllistä askelta kohti puettavaa terveystekoälyä, joka on sekä yksityinen että jatkuvasti saatavilla – ilman tarvetta internetyhteydelle.