Samsungs xMAE og HiMAE: Helse-AI på håndleddet som analyserer kroppssignaler uten skyen

Den 14. august 2026 offentliggjorde Samsung Research (via Digital Health Team ved Samsung Research America) to nye grunnmodeller for helse-AI som analyserer kroppens signaler direkte på smartklokkens maskinvare – uten skyen: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) og HiMAE (Hierarchical Masked Autoencoder) . Begge modellene er antatt til de anerkjente AI-konferansene ICML 2026 og ICLR 2026 .

Slik fungerer hver modell

xMAE: Lærer forholdet mellom hjertets elektriske og optiske signaler

xMAE er en fysiologibevisst modell som lærer tidsforholdet mellom to typer hjertesignaler: EKG (hjertets elektriske aktivitet) og PPG (den optiske pulsbølgen målt via smartklokkens fotopletysmografisensor). Modellen bruker en retningsbestemt kryssmekanisme: under forhåndstrening maskeres kontinuerlige segmenter av EKG gradvis, og de rekonstrueres ut fra synkroniserte PPG-data . PPG-tokens fungerer som nøkler og verdier, mens EKG-tokens fungerer som spørringer – en utforming som respekterer det fysiologiske faktum at hjertets elektriske aktivitet driver perifer puls .

xMAE ble forhåndstrent på omtrent 9 400 timer med parede EKG–PPG-data fra rundt 2 400 personer. Deretter ble den evaluert på tvers av seks studier med 19 nedstrøms helseoppgaver, inkludert prediksjon av høyt blodtrykk, deteksjon av uregelmessige hjerteslag, søvnstadievurdering og blodprøveestimater. Modellen overgikk alle tidligere åpne grunnmodeller i 15 av 19 oppgaver målt med AUROC . En viktig praktisk innsikt: etter forhåndstrening fjernes EKG-grenen, og modellen kjører utelukkende på PPG – noe som gjør den godt egnet for bruk i smartklokker .

HiMAE: Hierarkisk analyse på tvers av tidsskalaer

HiMAE (Hierarchical Masked Autoencoder) tar en annen tilnærming: den analyserer tidsdata fra smartklokker – hjertefrekvens, søvnstadier, aktivitetsmønstre – på flere tidsmessige oppløsninger ved hjelp av en hierarkisk konvolusjonell koder–dekoder . I stedet for å behandle alle tidsskalaer likt, oppdager HiMAE struktur spesifikk for hver oppløsning: grove mønstre på lengre skalaer (f.eks. søvn/våken-sykluser) og finmønstre på kortere skalaer (f.eks. individuelle hjerteslag) . Modellen oppnår responstid under ett millisekund på en smartklokke-CPU, noe som muliggjør kontinuerlig analyse direkte på enheten uten å laste opp data til skyen .

Felles metode: selvovervåket læring

Både xMAE og HiMAE er maskeringsbaserte autoenkodere (MAE) trent via selvovervåket læring på umerkede kroppssignaldata . Kjerneideen er enkel, men kraftfull: masker en del av inngangssignalet, og tren modellen til å rekonstruere det. Dette gjør at modellene kan fange opp meningsfull fysiologisk struktur uten å være avhengig av manuelt merkede treningsdata – en avgjørende fordel innen helse-AI, der kliniske merkede data ofte er knappe og kostbare å produsere.

Rolle i Samsungs Connected Care-visjon

Under Galaxy Unpacked i juli 2026 lanserte Samsung sin Connected Care-strategi, et skifte fra gjennomsnittsbaserte helsemålinger til forebyggende, personlig helseovervåking drevet av AI på enheten . Dr. Pak beskrev helsegrunnmodeller som den sentrale muliggjøreren – en overgang «fra befolkningsgjennomsnitt til noe virkelig personlig» ved hjelp av selvovervåket læring som trekker ut meningsfulle trekk fra hver enkelt persons kroppssignaler .

xMAE og HiMAE er de første konkrete modellene fra Samsung Research som realiserer denne visjonen: de kjører helt på smartklokken (ingen sky nødvendig), lærer brukerens spesifikke fysiologiske mønstre, og kan finjusteres for oppgaver som blodtrykksestimering, arytmideteksjon og søvnanalyse direkte på enheten . Sammen representerer de et praktisk skritt mot en helse-AI som er både privat og kontinuerlig tilgjengelig – uten behov for internettilkobling.