サムスンリサーチ、スマートウォッチ単体で動作するヘルスAI基盤モデル「xMAE」と「HiMAE」を発表

各モデルの仕組み

xMAE：電気的な心臓信号と光学的な脈波の関係を学習

xMAEは、心臓の電気的活動を捉える**ECG（心電図）**と、スマートウォッチの光電式容積脈波計（PPG）で計測する光学式脈波という、2つの心臓生体信号間の時間的な因果関係を学習するモデルである。

その特徴は方向性クロスアテンション機構にある。事前学習では、ECGの連続する区間を徐々にマスク（隠蔽）し、それと同期したPPG信号からECGの欠損部分を再構成する。このときPPGトークンが「鍵（キー）」と「値（バリュー）」の役割を、ECGトークンが「問い合わせ（クエリ）」の役割を果たす。この設計は、「心臓の電気的活動（ECG）が末梢の脈波（PPG）を駆動する」という生理学的な因果関係を尊重したものだ。

xMAEは、約2,400人分、延べ約9,400時間に及ぶペアのECG-PPGデータで事前学習された。その後、高血圧予測、期外収縮検出、睡眠段階分類、血液検査値推定など19の下流タスクを含む6つの研究で評価された結果、AUROC（曲線下面積）ベースで15のタスクにおいて、これまでのすべてのオープンソース基盤モデルを上回る性能を示した。

実用的なポイントとして、事前学習後はECGブランチを取り外し、モデルはPPG単体で動作する。これにより、スマートウォッチのようなウェアラブル端末への展開に適した設計となっている。

HiMAE：時間スケールを横断する階層的分析

HiMAE（Hierarchical Masked Autoencoder：階層的マスク自己符号化器）は、xMAEとは異なるアプローチを採用する。心拍、睡眠段階、活動パターンといったウェアラブルの時系列データを、複数の時間解像度で分析するために、階層的な畳み込みエンコーダ-デコーダを用いる。

すべての時間スケールを均一に扱うのではなく、長いスケールの粗いパターン（例：睡眠/覚醒サイクル）と短いスケールの細かいパターン（例：個々の心拍）を、それぞれの解像度固有の構造として発見する。これにより、スマートウォッチのCPU上でミリ秒未満の推論時間を達成し、クラウドにデータを送信することなく、継続的なデバイス上分析を可能にする。

共通する自己教師あり学習のアプローチ

xMAEとHiMAEはどちらも**マスク自己符号化器（Masked Autoencoder: MAE）**であり、自己教師あり学習という手法で、ラベルなしの生体信号データから学習する。

その基本原理はシンプルで強力だ。入力信号の一部をマスク（隠し）、モデルにその欠損部分を再構成させる。これにより、手動でラベル付けされた訓練データを必要とせずに、モデルは生理学的に意味のある構造を捉えることができる。これは、ラベル付き臨床データの入手が難しく高コストになりがちなヘルスAI分野において、極めて重要な利点である。

サムスンの「コネクテッドケア」ビジョンにおける位置づけ

2026年7月のGalaxy Unpackedイベントで、サムスンは健康管理の新戦略**「コネクテッドケア（Connected Care）」**を発表した。これは、画一的な集団平均の健康指標から、個々人に合わせた予防的・個別化された健康モニタリングへのシフトを目指すものだ。

朴（Pak）博士は、ヘルス基盤モデルこそがこの転換の鍵となると説明し、「集団平均から真にパーソナルなものへと移行する」ため、自己教師あり学習を用いて各個人の生体信号から意味のある特徴を抽出する、と述べている。

xMAEとHiMAEは、このビジョンを具体化する最初のサムスンリサーチのモデルである。両モデルはスマートウォッチ上でのみ動作し（クラウド不要）、ユーザー固有の生理学的パターンを学習する。さらに、血圧推定、不整脈検出、睡眠分析といったタスクに、デバイス上で直接ファインチューニング（微調整）することが可能だ。

これら2つのモデルは、ウェアラブルヘルスAIを、インターネット接続を必要とせず、プライベートかつ継続的に利用可能にするための、実用的な一歩を象徴している。