Come funziona ciascun modello

xMAE: Imparare la relazione tra impulso elettrico e ottico del cuore

xMAE è un modello che rispetta la fisiologia: impara la relazione temporale tra due segnali cardiaci — l'ECG (attività elettrica del cuore) e il PPG (onda di polso ottica misurata dal sensore fotopletismografico dello smartwatch). Il meccanismo è un'attenzione incrociata direzionale: durante l'addestramento, il modello maschera progressivamente segmenti continui di ECG e li ricostruisce partendo dal PPG sincronizzato . In pratica, i 'token' del PPG fungono da chiavi e valori, mentre quelli dell'ECG da domande (query) — un design che rispetta il fatto fisiologico che l'attività elettrica cardiaca (ECG) guida il polso periferico (PPG) .

xMAE è stato pre-addestrato su circa 9.400 ore di dati accoppiati ECG-PPG provenienti da circa 2.400 soggetti. Successivamente, è stato valutato in sei studi che coprivano 19 compiti di salute (downstream tasks), tra cui predizione dell'ipertensione, rilevamento di battiti ectopici, classificazione delle fasi del sonno e stima di parametri ematici. Il modello ha superato tutti i precedenti modelli foundation open-source in 15 dei 19 compiti misurati dall'AUROC . Un aspetto cruciale per l'uso pratico: dopo l'addestramento, il ramo ECG viene rimosso e il modello funziona solo con il PPG, rendendolo perfetto per l'uso sui wearable .

HiMAE: Analisi gerarchica su diverse scale temporali

HiMAE (Hierarchical Masked Autoencoder) adotta un approccio diverso: analizza i dati temporali dei wearable — battiti cardiaci, fasi del sonno, pattern di attività — su più risoluzioni temporali usando un codificatore-decodificatore convoluzionale gerarchico . Invece di trattare tutte le scale temporali allo stesso modo, HiMAE scopre la struttura specifica di ogni risoluzione: pattern grossolani a scale più lunghe (ad esempio, i cicli sonno-veglia) e pattern fini a scale più brevi (ad esempio, i singoli battiti cardiaci) . Il modello raggiunge un'inferenza inferiore al millisecondo sulla CPU di uno smartwatch, consentendo un'analisi continua senza dover scaricare i dati sul cloud .

L’approccio condiviso: l’apprendimento auto-supervisionato

Sia xMAE che HiMAE sono autoencoder mascherati (MAE) addestrati con apprendimento auto-supervisionato (self-supervised learning) su dati di biosignali non etichettati . L'idea di base è semplice ma potente: mascherare una parte del segnale in ingresso e addestrare il modello a ricostruirla. Questo permette ai modelli di catturare strutture fisiologiche significative senza bisogno di dati di addestramento etichettati manualmente — un vantaggio cruciale nell'AI per la salute, dove i dati clinici etichettati sono spesso scarsi e costosi da produrre.

Il ruolo nella visione 'Connected Care' di Samsung

Al Galaxy Unpacked di luglio 2026, Samsung ha introdotto la sua strategia Connected Care, un passaggio da metriche di salute basate su medie di popolazione a un monitoraggio preventivo e personalizzato, reso possibile dall'AI direttamente sul dispositivo . Il Dr. Pak ha descritto i modelli foundation per la salute come l'abilitatore chiave — il passaggio "da medie di popolazione a qualcosa di veramente personale" usando l'apprendimento auto-supervisionato per estrarre caratteristiche significative dai segnali vitali di ogni individuo .

xMAE e HiMAE sono i primi modelli concreti di Samsung Research a realizzare questa visione: funzionano interamente sullo smartwatch (nessun cloud richiesto), imparano i pattern fisiologici specifici dell'utente e possono essere ottimizzati per compiti come la stima della pressione sanguigna, il rilevamento di aritmie e l'analisi del sonno direttamente sul dispositivo . Insieme, rappresentano un passo pratico verso un'AI per la salute indossabile che sia sia privata che continuamente disponibile, senza bisogno di una connessione Internet.

Come funziona ciascun modello

xMAE: Imparare la relazione tra impulso elettrico e ottico del cuore

xMAE è un modello che rispetta la fisiologia: impara la relazione temporale tra due segnali cardiaci — l'ECG (attività elettrica del cuore) e il PPG (onda di polso ottica misurata dal sensore fotopletismografico dello smartwatch). Il meccanismo è un'attenzione incrociata direzionale: durante l'addestramento, il modello maschera progressivamente segmenti continui di ECG e li ricostruisce partendo dal PPG sincronizzato . In pratica, i 'token' del PPG fungono da chiavi e valori, mentre quelli dell'ECG da domande (query) — un design che rispetta il fatto fisiologico che l'attività elettrica cardiaca (ECG) guida il polso periferico (PPG) .

xMAE è stato pre-addestrato su circa 9.400 ore di dati accoppiati ECG-PPG provenienti da circa 2.400 soggetti. Successivamente, è stato valutato in sei studi che coprivano 19 compiti di salute (downstream tasks), tra cui predizione dell'ipertensione, rilevamento di battiti ectopici, classificazione delle fasi del sonno e stima di parametri ematici. Il modello ha superato tutti i precedenti modelli foundation open-source in 15 dei 19 compiti misurati dall'AUROC . Un aspetto cruciale per l'uso pratico: dopo l'addestramento, il ramo ECG viene rimosso e il modello funziona solo con il PPG, rendendolo perfetto per l'uso sui wearable .

HiMAE: Analisi gerarchica su diverse scale temporali

HiMAE (Hierarchical Masked Autoencoder) adotta un approccio diverso: analizza i dati temporali dei wearable — battiti cardiaci, fasi del sonno, pattern di attività — su più risoluzioni temporali usando un codificatore-decodificatore convoluzionale gerarchico . Invece di trattare tutte le scale temporali allo stesso modo, HiMAE scopre la struttura specifica di ogni risoluzione: pattern grossolani a scale più lunghe (ad esempio, i cicli sonno-veglia) e pattern fini a scale più brevi (ad esempio, i singoli battiti cardiaci) . Il modello raggiunge un'inferenza inferiore al millisecondo sulla CPU di uno smartwatch, consentendo un'analisi continua senza dover scaricare i dati sul cloud .

L’approccio condiviso: l’apprendimento auto-supervisionato

Sia xMAE che HiMAE sono autoencoder mascherati (MAE) addestrati con apprendimento auto-supervisionato (self-supervised learning) su dati di biosignali non etichettati . L'idea di base è semplice ma potente: mascherare una parte del segnale in ingresso e addestrare il modello a ricostruirla. Questo permette ai modelli di catturare strutture fisiologiche significative senza bisogno di dati di addestramento etichettati manualmente — un vantaggio cruciale nell'AI per la salute, dove i dati clinici etichettati sono spesso scarsi e costosi da produrre.

Il ruolo nella visione 'Connected Care' di Samsung

Al Galaxy Unpacked di luglio 2026, Samsung ha introdotto la sua strategia Connected Care, un passaggio da metriche di salute basate su medie di popolazione a un monitoraggio preventivo e personalizzato, reso possibile dall'AI direttamente sul dispositivo . Il Dr. Pak ha descritto i modelli foundation per la salute come l'abilitatore chiave — il passaggio "da medie di popolazione a qualcosa di veramente personale" usando l'apprendimento auto-supervisionato per estrarre caratteristiche significative dai segnali vitali di ogni individuo .

xMAE e HiMAE sono i primi modelli concreti di Samsung Research a realizzare questa visione: funzionano interamente sullo smartwatch (nessun cloud richiesto), imparano i pattern fisiologici specifici dell'utente e possono essere ottimizzati per compiti come la stima della pressione sanguigna, il rilevamento di aritmie e l'analisi del sonno direttamente sul dispositivo . Insieme, rappresentano un passo pratico verso un'AI per la salute indossabile che sia sia privata che continuamente disponibile, senza bisogno di una connessione Internet.