Comment fonctionne chaque modèle

xMAE : Apprendre la relation entre l'impulsion électrique et optique du cœur

xMAE est un modèle qui respecte la physiologie : il apprend la relation temporelle entre deux biosignaux cardiaques : l'ECG (activité électrique du cœur) et le PPG (onde de pouls optique mesurée par le capteur photopléthysmographique de la montre). Le modèle utilise un mécanisme d'attention croisée directionnelle : pendant le pré-entraînement, il masque progressivement des segments continus de l'ECG et les reconstruit à partir du PPG synchronisé . Les tokens PPG agissent comme clés et valeurs, tandis que les tokens ECG agissent comme requêtes — une conception qui respecte le fait physiologique que l'activité électrique cardiaque (ECG) entraîne le pouls périphérique (PPG) .

xMAE a été pré-entraîné sur environ 9 400 heures de données appariées ECG–PPG provenant d'environ 2 400 sujets. Il a ensuite été évalué sur six études couvrant 19 tâches en aval, notamment la prédiction de l'hypertension, la détection de battements ectopiques, la classification des stades du sommeil et l'estimation de paramètres sanguins. Le modèle a surpassé tous les modèles fondamentaux open source précédents dans 15 des 19 tâches mesurées par l'AUROC . Un point pratique clé : après le pré-entraînement, la branche ECG est supprimée et le modèle fonctionne uniquement avec le PPG, ce qui le rend parfaitement adapté au déploiement sur les wearables .

HiMAE : Une analyse hiérarchique à plusieurs échelles de temps

HiMAE adopte une approche différente : il analyse les séries temporelles des wearables — battements cardiaques, stades du sommeil, patterns d'activité — à travers plusieurs résolutions temporelles grâce à un encodeur-décodeur convolutionnel hiérarchique . Plutôt que de traiter toutes les échelles de temps de manière uniforme, HiMAE découvre une structure propre à chaque résolution : des motifs grossiers aux échelles longues (comme les cycles veille/sommeil) et des motifs fins aux échelles courtes (comme les battements cardiaques individuels) . Le modèle atteint une inférence inférieure à la milliseconde sur le CPU d'une montre connectée, permettant une analyse continue sur l'appareil sans déchargement vers le cloud .

L'approche d'apprentissage auto-supervisé commune

xMAE et HiMAE sont tous deux des autoencodeurs masqués (MAE) entraînés via un apprentissage auto-supervisé sur des données de biosignaux non étiquetées . L'idée centrale est simple mais puissante : masquer une partie du signal d'entrée, puis entraîner le modèle à la reconstruire. Cela permet aux modèles de capturer une structure physiologique significative sans nécessiter de données d'entraînement étiquetées manuellement — un avantage crucial dans l'IA de santé, où les données cliniques étiquetées sont rares et coûteuses à produire.

Rôle dans la vision Connected Care de Samsung

Lors du Galaxy Unpacked en juillet 2026, Samsung a présenté sa stratégie Connected Care, un passage de mesures de santé moyennées sur la population à un suivi préventif et personnalisé, alimenté par l'IA embarquée . Le Dr. Pak a décrit les modèles fondamentaux de santé comme le catalyseur clé — passant « des moyennes de population à quelque chose de véritablement personnel » en utilisant l'apprentissage auto-supervisé pour extraire des caractéristiques significatives des biosignaux de chaque individu .

xMAE et HiMAE sont les premiers modèles concrets de Samsung Research qui concrétisent cette vision : ils fonctionnent entièrement sur la montre (aucun cloud requis), apprennent les schémas physiologiques propres à chaque utilisateur, et peuvent être affinés pour des tâches comme l'estimation de la pression artérielle, la détection d'arythmie et l'analyse du sommeil directement sur l'appareil . Ensemble, ils représentent une étape pratique vers une IA de santé portable à la fois privée et disponible en permanence — sans nécessiter de connexion internet.

Comment fonctionne chaque modèle

xMAE : Apprendre la relation entre l'impulsion électrique et optique du cœur

xMAE est un modèle qui respecte la physiologie : il apprend la relation temporelle entre deux biosignaux cardiaques : l'ECG (activité électrique du cœur) et le PPG (onde de pouls optique mesurée par le capteur photopléthysmographique de la montre). Le modèle utilise un mécanisme d'attention croisée directionnelle : pendant le pré-entraînement, il masque progressivement des segments continus de l'ECG et les reconstruit à partir du PPG synchronisé . Les tokens PPG agissent comme clés et valeurs, tandis que les tokens ECG agissent comme requêtes — une conception qui respecte le fait physiologique que l'activité électrique cardiaque (ECG) entraîne le pouls périphérique (PPG) .

xMAE a été pré-entraîné sur environ 9 400 heures de données appariées ECG–PPG provenant d'environ 2 400 sujets. Il a ensuite été évalué sur six études couvrant 19 tâches en aval, notamment la prédiction de l'hypertension, la détection de battements ectopiques, la classification des stades du sommeil et l'estimation de paramètres sanguins. Le modèle a surpassé tous les modèles fondamentaux open source précédents dans 15 des 19 tâches mesurées par l'AUROC . Un point pratique clé : après le pré-entraînement, la branche ECG est supprimée et le modèle fonctionne uniquement avec le PPG, ce qui le rend parfaitement adapté au déploiement sur les wearables .

HiMAE : Une analyse hiérarchique à plusieurs échelles de temps

HiMAE adopte une approche différente : il analyse les séries temporelles des wearables — battements cardiaques, stades du sommeil, patterns d'activité — à travers plusieurs résolutions temporelles grâce à un encodeur-décodeur convolutionnel hiérarchique . Plutôt que de traiter toutes les échelles de temps de manière uniforme, HiMAE découvre une structure propre à chaque résolution : des motifs grossiers aux échelles longues (comme les cycles veille/sommeil) et des motifs fins aux échelles courtes (comme les battements cardiaques individuels) . Le modèle atteint une inférence inférieure à la milliseconde sur le CPU d'une montre connectée, permettant une analyse continue sur l'appareil sans déchargement vers le cloud .

L'approche d'apprentissage auto-supervisé commune

xMAE et HiMAE sont tous deux des autoencodeurs masqués (MAE) entraînés via un apprentissage auto-supervisé sur des données de biosignaux non étiquetées . L'idée centrale est simple mais puissante : masquer une partie du signal d'entrée, puis entraîner le modèle à la reconstruire. Cela permet aux modèles de capturer une structure physiologique significative sans nécessiter de données d'entraînement étiquetées manuellement — un avantage crucial dans l'IA de santé, où les données cliniques étiquetées sont rares et coûteuses à produire.

Rôle dans la vision Connected Care de Samsung

Lors du Galaxy Unpacked en juillet 2026, Samsung a présenté sa stratégie Connected Care, un passage de mesures de santé moyennées sur la population à un suivi préventif et personnalisé, alimenté par l'IA embarquée . Le Dr. Pak a décrit les modèles fondamentaux de santé comme le catalyseur clé — passant « des moyennes de population à quelque chose de véritablement personnel » en utilisant l'apprentissage auto-supervisé pour extraire des caractéristiques significatives des biosignaux de chaque individu .

xMAE et HiMAE sont les premiers modèles concrets de Samsung Research qui concrétisent cette vision : ils fonctionnent entièrement sur la montre (aucun cloud requis), apprennent les schémas physiologiques propres à chaque utilisateur, et peuvent être affinés pour des tâches comme l'estimation de la pression artérielle, la détection d'arythmie et l'analyse du sommeil directement sur l'appareil . Ensemble, ils représentent une étape pratique vers une IA de santé portable à la fois privée et disponible en permanence — sans nécessiter de connexion internet.