प्रत्येक मॉडल कैसे काम करता है

xMAE: इलेक्ट्रिकल-टू-ऑप्टिकल पल्स संबंध सीखना

xMAE एक फिजियोलॉजी-अवेयर मॉडल है जो दो कार्डियक बायोसिग्नल के बीच समय-संबंध सीखता है: ECG (हृदय की विद्युत गतिविधि) और PPG (स्मार्टवॉच के फोटोप्लेथिस्मोग्राफी सेंसर द्वारा मापी गई ऑप्टिकल पल्स वेव)। मॉडल एक डायरेक्शनल क्रॉस-अटेंशन मैकेनिज्म का उपयोग करता है: प्रीट्रेनिंग के दौरान, यह ECG के लगातार सेगमेंट को धीरे-धीरे मास्क करता है और उन्हें सिंक्रोनाइज़्ड PPG से पुनर्निर्माण करता है । PPG टोकन की (keys) और वैल्यू (values) के रूप में कार्य करते हैं, जबकि ECG टोकन क्वेरी (queries) के रूप में कार्य करते हैं - यह एक डिज़ाइन है जो इस शारीरिक तथ्य का सम्मान करता है कि हृदय की विद्युत गतिविधि (ECG) परिधीय पल्स (PPG) को संचालित करती है ।

xMAE को लगभग 2,400 विषयों के लगभग 9,400 घंटे के पेयर्ड ECG-PPG डेटा पर प्रीट्रेन किया गया था। फिर इसका मूल्यांकन 19 डाउनस्ट्रीम कार्यों को कवर करने वाले छह अध्ययनों में किया गया, जिसमें उच्च रक्तचाप की भविष्यवाणी, अस्थानिक धड़कन का पता लगाना, नींद का चरण निर्धारण और रक्त लैब अनुमान शामिल हैं। मॉडल ने AUROC द्वारा 19 में से 15 कार्यों में सभी पिछले ओपन-सोर्स फाउंडेशन मॉडल से बेहतर प्रदर्शन किया । एक महत्वपूर्ण व्यावहारिक अंतर्दृष्टि: प्रीट्रेनिंग के बाद, ECG ब्रांच को हटा दिया जाता है और मॉडल अकेले PPG पर चलता है, जो इसे पहनने योग्य उपकरणों के लिए उपयुक्त बनाता है ।

HiMAE: समय के पैमानों पर पदानुक्रमित विश्लेषण

HiMAE (Hierarchical Masked Autoencoder) एक अलग दृष्टिकोण अपनाता है: यह एक पदानुक्रमित कन्वोल्यूशनल एन्कोडर-डिकोडर का उपयोग करके कई अस्थायी रिज़ॉल्यूशन पर पहनने योग्य समय-श्रृंखला डेटा - दिल की धड़कन, नींद के चरण, गतिविधि पैटर्न - का विश्लेषण करता है । सभी समय के पैमानों को समान रूप से मानने के बजाय, HiMAE रिज़ॉल्यूशन-विशिष्ट संरचना की खोज करता है: लंबे पैमानों पर मोटे पैटर्न (जैसे, नींद/जागने के चक्र) और छोटे पैमानों पर बारीक पैटर्न (जैसे, व्यक्तिगत दिल की धड़कन) । मॉडल स्मार्टवॉच CPU पर सब-मिलीसेकंड इन्फ्रेंस प्राप्त करता है, जो क्लाउड ऑफलोडिंग के बिना निरंतर ऑन-डिवाइस विश्लेषण को सक्षम बनाता है ।

साझा सेल्फ-सुपरवाइज़्ड लर्निंग दृष्टिकोण

xMAE और HiMAE दोनों मास्क्ड ऑटोएन्कोडर (MAE) हैं जो अनलेबल्ड बायोसिग्नल डेटा पर सेल्फ-सुपरवाइज़्ड लर्निंग के माध्यम से प्रशिक्षित होते हैं । मूल विचार सरल लेकिन शक्तिशाली है: इनपुट सिग्नल के एक हिस्से को मास्क करें, फिर मॉडल को इसे पुनर्निर्माण करने के लिए प्रशिक्षित करें। यह मॉडल को मैन्युअल रूप से लेबल किए गए प्रशिक्षण डेटा की आवश्यकता के बिना सार्थक शारीरिक संरचना को कैप्चर करने की अनुमति देता है - हेल्थ AI में एक महत्वपूर्ण लाभ, जहां लेबल किया गया क्लिनिकल डेटा दुर्लभ और उत्पादन करने में महंगा हो सकता है।

Samsung की Connected Care विज़न में भूमिका

जुलाई 2026 में Galaxy Unpacked में, Samsung ने अपनी Connected Care रणनीति पेश की, जो ऑन-डिवाइस AI द्वारा संचालित निवारक, व्यक्तिगत स्वास्थ्य निगरानी की ओर एक बदलाव है । डॉ. पाक ने हेल्थ फाउंडेशन मॉडल को मुख्य सक्षमकर्ता के रूप में वर्णित किया - "जनसंख्या औसत से कुछ वास्तव में व्यक्तिगत की ओर बढ़ना" प्रत्येक व्यक्ति के बायोसिग्नल से सार्थक सुविधाओं को निकालने के लिए सेल्फ-सुपरवाइज़्ड लर्निंग का उपयोग करके ।

xMAE और HiMAE पहले ठोस Samsung Research मॉडल हैं जो इस विज़न को साकार करते हैं: वे पूरी तरह से स्मार्टवॉच पर चलते हैं (क्लाउड की आवश्यकता नहीं), उपयोगकर्ता-विशिष्ट शारीरिक पैटर्न सीखते हैं, और रक्तचाप अनुमान, अतालता का पता लगाने और नींद विश्लेषण जैसे कार्यों के लिए सीधे डिवाइस पर फाइन-ट्यून किए जा सकते हैं । साथ में, वे पहनने योग्य हेल्थ AI को निजी और लगातार उपलब्ध बनाने की दिशा में एक व्यावहारिक कदम का प्रतिनिधित्व करते हैं - बिना इंटरनेट कनेक्शन की आवश्यकता के।

प्रत्येक मॉडल कैसे काम करता है

xMAE: इलेक्ट्रिकल-टू-ऑप्टिकल पल्स संबंध सीखना

xMAE एक फिजियोलॉजी-अवेयर मॉडल है जो दो कार्डियक बायोसिग्नल के बीच समय-संबंध सीखता है: ECG (हृदय की विद्युत गतिविधि) और PPG (स्मार्टवॉच के फोटोप्लेथिस्मोग्राफी सेंसर द्वारा मापी गई ऑप्टिकल पल्स वेव)। मॉडल एक डायरेक्शनल क्रॉस-अटेंशन मैकेनिज्म का उपयोग करता है: प्रीट्रेनिंग के दौरान, यह ECG के लगातार सेगमेंट को धीरे-धीरे मास्क करता है और उन्हें सिंक्रोनाइज़्ड PPG से पुनर्निर्माण करता है । PPG टोकन की (keys) और वैल्यू (values) के रूप में कार्य करते हैं, जबकि ECG टोकन क्वेरी (queries) के रूप में कार्य करते हैं - यह एक डिज़ाइन है जो इस शारीरिक तथ्य का सम्मान करता है कि हृदय की विद्युत गतिविधि (ECG) परिधीय पल्स (PPG) को संचालित करती है ।

xMAE को लगभग 2,400 विषयों के लगभग 9,400 घंटे के पेयर्ड ECG-PPG डेटा पर प्रीट्रेन किया गया था। फिर इसका मूल्यांकन 19 डाउनस्ट्रीम कार्यों को कवर करने वाले छह अध्ययनों में किया गया, जिसमें उच्च रक्तचाप की भविष्यवाणी, अस्थानिक धड़कन का पता लगाना, नींद का चरण निर्धारण और रक्त लैब अनुमान शामिल हैं। मॉडल ने AUROC द्वारा 19 में से 15 कार्यों में सभी पिछले ओपन-सोर्स फाउंडेशन मॉडल से बेहतर प्रदर्शन किया । एक महत्वपूर्ण व्यावहारिक अंतर्दृष्टि: प्रीट्रेनिंग के बाद, ECG ब्रांच को हटा दिया जाता है और मॉडल अकेले PPG पर चलता है, जो इसे पहनने योग्य उपकरणों के लिए उपयुक्त बनाता है ।

HiMAE: समय के पैमानों पर पदानुक्रमित विश्लेषण

HiMAE (Hierarchical Masked Autoencoder) एक अलग दृष्टिकोण अपनाता है: यह एक पदानुक्रमित कन्वोल्यूशनल एन्कोडर-डिकोडर का उपयोग करके कई अस्थायी रिज़ॉल्यूशन पर पहनने योग्य समय-श्रृंखला डेटा - दिल की धड़कन, नींद के चरण, गतिविधि पैटर्न - का विश्लेषण करता है । सभी समय के पैमानों को समान रूप से मानने के बजाय, HiMAE रिज़ॉल्यूशन-विशिष्ट संरचना की खोज करता है: लंबे पैमानों पर मोटे पैटर्न (जैसे, नींद/जागने के चक्र) और छोटे पैमानों पर बारीक पैटर्न (जैसे, व्यक्तिगत दिल की धड़कन) । मॉडल स्मार्टवॉच CPU पर सब-मिलीसेकंड इन्फ्रेंस प्राप्त करता है, जो क्लाउड ऑफलोडिंग के बिना निरंतर ऑन-डिवाइस विश्लेषण को सक्षम बनाता है ।

साझा सेल्फ-सुपरवाइज़्ड लर्निंग दृष्टिकोण

xMAE और HiMAE दोनों मास्क्ड ऑटोएन्कोडर (MAE) हैं जो अनलेबल्ड बायोसिग्नल डेटा पर सेल्फ-सुपरवाइज़्ड लर्निंग के माध्यम से प्रशिक्षित होते हैं । मूल विचार सरल लेकिन शक्तिशाली है: इनपुट सिग्नल के एक हिस्से को मास्क करें, फिर मॉडल को इसे पुनर्निर्माण करने के लिए प्रशिक्षित करें। यह मॉडल को मैन्युअल रूप से लेबल किए गए प्रशिक्षण डेटा की आवश्यकता के बिना सार्थक शारीरिक संरचना को कैप्चर करने की अनुमति देता है - हेल्थ AI में एक महत्वपूर्ण लाभ, जहां लेबल किया गया क्लिनिकल डेटा दुर्लभ और उत्पादन करने में महंगा हो सकता है।

Samsung की Connected Care विज़न में भूमिका

जुलाई 2026 में Galaxy Unpacked में, Samsung ने अपनी Connected Care रणनीति पेश की, जो ऑन-डिवाइस AI द्वारा संचालित निवारक, व्यक्तिगत स्वास्थ्य निगरानी की ओर एक बदलाव है । डॉ. पाक ने हेल्थ फाउंडेशन मॉडल को मुख्य सक्षमकर्ता के रूप में वर्णित किया - "जनसंख्या औसत से कुछ वास्तव में व्यक्तिगत की ओर बढ़ना" प्रत्येक व्यक्ति के बायोसिग्नल से सार्थक सुविधाओं को निकालने के लिए सेल्फ-सुपरवाइज़्ड लर्निंग का उपयोग करके ।

xMAE और HiMAE पहले ठोस Samsung Research मॉडल हैं जो इस विज़न को साकार करते हैं: वे पूरी तरह से स्मार्टवॉच पर चलते हैं (क्लाउड की आवश्यकता नहीं), उपयोगकर्ता-विशिष्ट शारीरिक पैटर्न सीखते हैं, और रक्तचाप अनुमान, अतालता का पता लगाने और नींद विश्लेषण जैसे कार्यों के लिए सीधे डिवाइस पर फाइन-ट्यून किए जा सकते हैं । साथ में, वे पहनने योग्य हेल्थ AI को निजी और लगातार उपलब्ध बनाने की दिशा में एक व्यावहारिक कदम का प्रतिनिधित्व करते हैं - बिना इंटरनेट कनेक्शन की आवश्यकता के।