Hoe elk model werkt

xMAE: De elektrisch-optische polsrelatie leren

xMAE is een fysiologie-bewust model dat de temporele relatie leert tussen twee cardiale biosignalen: ECG (elektrische activiteit van het hart) en PPG (optische polsgolf gemeten door de fotoplethysmografie-sensor van een smartwatch). Het model gebruikt een directioneel cross-attentie mechanisme: tijdens de voorbereidende training maskeert het progressief continue segmenten van ECG en reconstrueert deze uit gesynchroniseerde PPG . PPG-tokens fungeren als 'keys' en 'values', terwijl ECG-tokens als 'queries' dienen — een ontwerp dat het fysiologische feit respecteert dat elektrische hartactiviteit (ECG) de perifere pols (PPG) aanstuurt .

xMAE is voorgetraind op ongeveer 9.400 uur aan gekoppelde ECG-PPG-data van ongeveer 2.400 proefpersonen. Vervolgens is het geëvalueerd in zes studies met 19 verschillende gezondheidstaken, waaronder hypertensievoorspelling, detectie van extrasystolen, het classificeren van slaapfasen en schatting van bloedwaarden. Het model presteerde beter dan alle voorgaande open-source foundation-modellen in 15 van de 19 taken op basis van AUROC . Een belangrijk praktisch inzicht: na de training wordt de ECG-tak verwijderd en draait het model alleen op PPG, wat het bijzonder geschikt maakt voor gebruik in wearables .

HiMAE: Hiërarchische analyse op meerdere tijdschalen

HiMAE (Hierarchical Masked Autoencoder) hanteert een andere aanpak: het analyseert tijdreeksdata van wearables — hartslagen, slaapfasen, activiteitspatronen — op meerdere temporele resoluties met behulp van een hiërarchische convolutionele encoder-decoder . In plaats van alle tijdschalen uniform te behandelen, ontdekt HiMAE resolutie-specifieke structuur: grove patronen op langere schalen (bijv. slaap/waak-cycli) en gedetailleerde patronen op kortere schalen (bijv. individuele hartslagen) . Het model bereikt inferentie in minder dan een milliseconde op een smartwatch-CPU, wat continue verwerking op het apparaat mogelijk maakt zonder gegevens naar de cloud te sturen .

De gedeelde aanpak: zelflerend zonder labels

Zowel xMAE als HiMAE zijn 'masked autoencoders' (MAE) en worden getraind via zelfsuperviserend leren op ongelabelde biosignalen . Het kernidee is eenvoudig maar krachtig: maskeer een deel van het ingangssignaal en train het model om het te reconstrueren. Hierdoor kunnen de modellen betekenisvolle fysiologische structuur vastleggen zonder dat er handmatig gelabelde trainingsdata nodig zijn — een cruciaal voordeel in gezondheids-AI, waar gelabelde klinische data schaars en duur zijn.

Rol in Samsungs 'Connected Care'-visie

Tijdens Galaxy Unpacked in juli 2026 introduceerde Samsung zijn 'Connected Care'-strategie: een verschuiving van gemiddelde gezondheidsstatistieken voor de hele bevolking naar preventieve, gepersonaliseerde gezondheidsmonitoring aangedreven door AI op het apparaat . Dr. Pak beschreef gezondheids-foundation-modellen als de sleutel tot deze verandering — een beweging "van populatiegemiddelden naar iets dat echt persoonlijk is" door zelfsuperviserend leren te gebruiken om betekenisvolle kenmerken uit de biosignalen van ieder individu te halen .

xMAE en HiMAE zijn de eerste concrete modellen van Samsung Research die deze visie realiseren: ze draaien volledig op de smartwatch (geen cloud nodig), leren gebruikersspecifieke fysiologische patronen en kunnen direct op het apparaat worden verfijnd voor taken als bloeddrukschatting, hartritmestoornisdetectie en slaapanalyse . Samen vormen ze een praktische stap naar gezondheids-AI voor wearables die zowel privé als continu beschikbaar is — zonder internetverbinding.

Hoe elk model werkt

xMAE: De elektrisch-optische polsrelatie leren

xMAE is een fysiologie-bewust model dat de temporele relatie leert tussen twee cardiale biosignalen: ECG (elektrische activiteit van het hart) en PPG (optische polsgolf gemeten door de fotoplethysmografie-sensor van een smartwatch). Het model gebruikt een directioneel cross-attentie mechanisme: tijdens de voorbereidende training maskeert het progressief continue segmenten van ECG en reconstrueert deze uit gesynchroniseerde PPG . PPG-tokens fungeren als 'keys' en 'values', terwijl ECG-tokens als 'queries' dienen — een ontwerp dat het fysiologische feit respecteert dat elektrische hartactiviteit (ECG) de perifere pols (PPG) aanstuurt .

xMAE is voorgetraind op ongeveer 9.400 uur aan gekoppelde ECG-PPG-data van ongeveer 2.400 proefpersonen. Vervolgens is het geëvalueerd in zes studies met 19 verschillende gezondheidstaken, waaronder hypertensievoorspelling, detectie van extrasystolen, het classificeren van slaapfasen en schatting van bloedwaarden. Het model presteerde beter dan alle voorgaande open-source foundation-modellen in 15 van de 19 taken op basis van AUROC . Een belangrijk praktisch inzicht: na de training wordt de ECG-tak verwijderd en draait het model alleen op PPG, wat het bijzonder geschikt maakt voor gebruik in wearables .

HiMAE: Hiërarchische analyse op meerdere tijdschalen

HiMAE (Hierarchical Masked Autoencoder) hanteert een andere aanpak: het analyseert tijdreeksdata van wearables — hartslagen, slaapfasen, activiteitspatronen — op meerdere temporele resoluties met behulp van een hiërarchische convolutionele encoder-decoder . In plaats van alle tijdschalen uniform te behandelen, ontdekt HiMAE resolutie-specifieke structuur: grove patronen op langere schalen (bijv. slaap/waak-cycli) en gedetailleerde patronen op kortere schalen (bijv. individuele hartslagen) . Het model bereikt inferentie in minder dan een milliseconde op een smartwatch-CPU, wat continue verwerking op het apparaat mogelijk maakt zonder gegevens naar de cloud te sturen .

De gedeelde aanpak: zelflerend zonder labels

Zowel xMAE als HiMAE zijn 'masked autoencoders' (MAE) en worden getraind via zelfsuperviserend leren op ongelabelde biosignalen . Het kernidee is eenvoudig maar krachtig: maskeer een deel van het ingangssignaal en train het model om het te reconstrueren. Hierdoor kunnen de modellen betekenisvolle fysiologische structuur vastleggen zonder dat er handmatig gelabelde trainingsdata nodig zijn — een cruciaal voordeel in gezondheids-AI, waar gelabelde klinische data schaars en duur zijn.

Rol in Samsungs 'Connected Care'-visie

Tijdens Galaxy Unpacked in juli 2026 introduceerde Samsung zijn 'Connected Care'-strategie: een verschuiving van gemiddelde gezondheidsstatistieken voor de hele bevolking naar preventieve, gepersonaliseerde gezondheidsmonitoring aangedreven door AI op het apparaat . Dr. Pak beschreef gezondheids-foundation-modellen als de sleutel tot deze verandering — een beweging "van populatiegemiddelden naar iets dat echt persoonlijk is" door zelfsuperviserend leren te gebruiken om betekenisvolle kenmerken uit de biosignalen van ieder individu te halen .

xMAE en HiMAE zijn de eerste concrete modellen van Samsung Research die deze visie realiseren: ze draaien volledig op de smartwatch (geen cloud nodig), leren gebruikersspecifieke fysiologische patronen en kunnen direct op het apparaat worden verfijnd voor taken als bloeddrukschatting, hartritmestoornisdetectie en slaapanalyse . Samen vormen ze een praktische stap naar gezondheids-AI voor wearables die zowel privé als continu beschikbaar is — zonder internetverbinding.