각 모델의 작동 방식

xMAE: 전기적 신호와 광학적 맥파의 관계를 학습하다

xMAE는 생리학적 인지 기반 모델로, 심장의 전기적 활동(ECG)과 스마트워치 PPG 센서가 측정하는 광학적 맥파(PPG) 사이의 시간적 관계를 학습합니다. 이 모델은 방향성 교차 주의 메커니즘을 사용합니다. 사전학습 과정에서 ECG의 연속된 구간을 점진적으로 가리고, 동기화된 PPG로부터 이를 재구성합니다. PPG 토큰은 키(key)와 값(value) 역할을 하고, ECG 토큰은 질의(query) 역할을 하는데, 이는 심장의 전기적 활동이 말초 맥파를 유발한다는 생리학적 사실을 반영한 설계입니다 .

xMAE는 약 2,400명의 피험자로부터 수집한 9,400시간 분량의 ECG-PPG 페어 데이터로 사전학습되었습니다. 이후 고혈압 예측, 이소성 박동 탐지, 수면 단계 분류, 혈액 검사 수치 추정 등 19개 하위 과제(AUROC 기준)에서 평가한 결과, 15개 과제에서 기존 오픈소스 파운데이션 모델을 모두 능가했습니다 . 실용적인 측면에서 중요한 점은 사전학습 후 ECG 브랜치를 제거하고 PPG 단독으로도 작동해 웨어러블에 최적화되었다는 것입니다 .

HiMAE: 시간 규모별 계층적 분석

HiMAE는 다른 접근법을 취합니다. 심박수, 수면 단계, 활동 패턴 같은 웨어러블 시계열 데이터를 여러 시간적 해상도로 분석하는 계층적 컨볼루션 인코더-디코더를 사용합니다 . 모든 시간 척도를 균일하게 처리하는 대신, HiMAE는 각 해상도별 고유 구조를 발견합니다. 긴 주기에서는 수면-각성 주기 같은 거시적 패턴을, 짧은 주기에서는 개별 심박 같은 미세 패턴을 포착합니다 . 이 모델은 스마트워치 CPU에서 서브밀리초(1ms 미만) 추론을 달성해, 클라우드 오프로딩 없이 연속적인 온디바이스 분석이 가능합니다 .

공통의 자기지도학습 접근법

xMAE와 HiMAE는 모두 **마스크 오토인코더(MAE)**로, 자기지도학습(self-supervised learning) 방식으로 학습됩니다 . 핵심 아이디어는 간단하면서도 강력합니다. 입력 신호의 일부를 마스킹(가림)한 뒤, 모델이 이를 재구성하도록 학습시키는 것입니다. 이를 통해 모델은 수동으로 레이블링된 학습 데이터 없이도 생리학적 구조를 효과적으로 학습할 수 있습니다. 이는 레이블링된 임상 데이터 확보가 어렵고 비용이 많이 드는 헬스 AI 분야에서 중요한 이점입니다.

삼성 '커넥티드 케어' 비전의 핵심

2026년 7월 갤럭시 언팩에서 삼성은 커넥티드 케어(Connected Care) 전략을 발표했습니다. 이는 평균적인 인구 기반 건강 지표에서 벗어나 예방적이고 개인화된 건강 모니터링으로의 전환을 목표로 하며, 그 중심에는 온디바이스 AI가 있습니다 . 박 박사(Dr. Pak)는 헬스 파운데이션 모델이 '인구 평균에서 진정한 개인화'로 나아가는 핵심 동력이라고 설명했습니다. 즉, 자기지도학습을 통해 각 개인의 생체신호에서 의미 있는 특징을 추출한다는 것입니다 .

xMAE와 HiMAE는 이 비전을 구체적으로 실현한 첫 번째 삼성리서치 모델입니다. 두 모델 모두 스마트워치에서 완전히 자체 구동되며(클라우드 불필요), 사용자 개인의 생리학적 패턴을 학습하고, 혈압 추정, 부정맥 탐지, 수면 분석 같은 과제를 기기에서 직접 미세 조정(fine-tuning)할 수 있습니다 . 이는 인터넷 연결 없이도 개인정보를 보호하면서 연속적으로 사용 가능한 웨어러블 헬스 AI를 향한 실질적인 진전입니다.

각 모델의 작동 방식

xMAE: 전기적 신호와 광학적 맥파의 관계를 학습하다

xMAE는 생리학적 인지 기반 모델로, 심장의 전기적 활동(ECG)과 스마트워치 PPG 센서가 측정하는 광학적 맥파(PPG) 사이의 시간적 관계를 학습합니다. 이 모델은 방향성 교차 주의 메커니즘을 사용합니다. 사전학습 과정에서 ECG의 연속된 구간을 점진적으로 가리고, 동기화된 PPG로부터 이를 재구성합니다. PPG 토큰은 키(key)와 값(value) 역할을 하고, ECG 토큰은 질의(query) 역할을 하는데, 이는 심장의 전기적 활동이 말초 맥파를 유발한다는 생리학적 사실을 반영한 설계입니다 .

xMAE는 약 2,400명의 피험자로부터 수집한 9,400시간 분량의 ECG-PPG 페어 데이터로 사전학습되었습니다. 이후 고혈압 예측, 이소성 박동 탐지, 수면 단계 분류, 혈액 검사 수치 추정 등 19개 하위 과제(AUROC 기준)에서 평가한 결과, 15개 과제에서 기존 오픈소스 파운데이션 모델을 모두 능가했습니다 . 실용적인 측면에서 중요한 점은 사전학습 후 ECG 브랜치를 제거하고 PPG 단독으로도 작동해 웨어러블에 최적화되었다는 것입니다 .

HiMAE: 시간 규모별 계층적 분석

HiMAE는 다른 접근법을 취합니다. 심박수, 수면 단계, 활동 패턴 같은 웨어러블 시계열 데이터를 여러 시간적 해상도로 분석하는 계층적 컨볼루션 인코더-디코더를 사용합니다 . 모든 시간 척도를 균일하게 처리하는 대신, HiMAE는 각 해상도별 고유 구조를 발견합니다. 긴 주기에서는 수면-각성 주기 같은 거시적 패턴을, 짧은 주기에서는 개별 심박 같은 미세 패턴을 포착합니다 . 이 모델은 스마트워치 CPU에서 서브밀리초(1ms 미만) 추론을 달성해, 클라우드 오프로딩 없이 연속적인 온디바이스 분석이 가능합니다 .

공통의 자기지도학습 접근법

xMAE와 HiMAE는 모두 **마스크 오토인코더(MAE)**로, 자기지도학습(self-supervised learning) 방식으로 학습됩니다 . 핵심 아이디어는 간단하면서도 강력합니다. 입력 신호의 일부를 마스킹(가림)한 뒤, 모델이 이를 재구성하도록 학습시키는 것입니다. 이를 통해 모델은 수동으로 레이블링된 학습 데이터 없이도 생리학적 구조를 효과적으로 학습할 수 있습니다. 이는 레이블링된 임상 데이터 확보가 어렵고 비용이 많이 드는 헬스 AI 분야에서 중요한 이점입니다.

삼성 '커넥티드 케어' 비전의 핵심

2026년 7월 갤럭시 언팩에서 삼성은 커넥티드 케어(Connected Care) 전략을 발표했습니다. 이는 평균적인 인구 기반 건강 지표에서 벗어나 예방적이고 개인화된 건강 모니터링으로의 전환을 목표로 하며, 그 중심에는 온디바이스 AI가 있습니다 . 박 박사(Dr. Pak)는 헬스 파운데이션 모델이 '인구 평균에서 진정한 개인화'로 나아가는 핵심 동력이라고 설명했습니다. 즉, 자기지도학습을 통해 각 개인의 생체신호에서 의미 있는 특징을 추출한다는 것입니다 .

xMAE와 HiMAE는 이 비전을 구체적으로 실현한 첫 번째 삼성리서치 모델입니다. 두 모델 모두 스마트워치에서 완전히 자체 구동되며(클라우드 불필요), 사용자 개인의 생리학적 패턴을 학습하고, 혈압 추정, 부정맥 탐지, 수면 분석 같은 과제를 기기에서 직접 미세 조정(fine-tuning)할 수 있습니다 . 이는 인터넷 연결 없이도 개인정보를 보호하면서 연속적으로 사용 가능한 웨어러블 헬스 AI를 향한 실질적인 진전입니다.