Jak działa każdy z modeli

xMAE: Nauka związku między impulsem elektrycznym a optycznym

xMAE to model uwzględniający fizjologię, który uczy się czasowej zależności między dwoma sygnałami serca: EKG (aktywność elektryczna serca) a PPG (optyczna fala tętna mierzona przez czujnik fotopletyzmograficzny w smartwatchu). Model wykorzystuje mechanizm krzyżowej uwagi (ang. directional cross-attention): podczas wstępnego uczenia stopniowo maskuje ciągłe segmenty EKG i odtwarza je na podstawie zsynchronizowanego PPG . Tokeny PPG pełnią rolę kluczy i wartości, a tokeny EKG – zapytań. Taka konstrukcja odzwierciedla fizjologiczny fakt, że elektryczna aktywność serca (EKG) napędza obwodową falę tętna (PPG) .

xMAE został wstępnie wytrenowany na około 9400 godzinach sparowanych danych EKG–PPG od około 2400 osób. Następnie oceniono go w sześciu badaniach obejmujących 19 zadań szczegółowych, w tym przewidywanie nadciśnienia, wykrywanie pobudzeń dodatkowych, klasyfikację faz snu i szacowanie parametrów krwi. Model przewyższył wszystkie dotychczasowe modele typu open source w 15 z 19 zadań pod względem wskaźnika AUROC . Kluczowa praktyczna zaleta: po wstępnym uczeniu gałąź EKG jest usuwana, a model działa wyłącznie na PPG, co czyni go idealnym do zastosowania w urządzeniach noszonych .

HiMAE: Hierarchiczna analiza w różnych skalach czasowych

HiMAE (Hierarchical Masked Autoencoder) przyjmuje inne podejście: analizuje dane szeregów czasowych z urządzeń noszonych – uderzenia serca, fazy snu, wzorce aktywności – w wielu rozdzielczościach czasowych za pomocą hierarchicznego konwolucyjnego enkodera-dekodera . Zamiast traktować wszystkie skale czasowe jednakowo, HiMAE odkrywa strukturę charakterystyczną dla danej rozdzielczości: ogólne wzorce w dłuższych skalach (np. cykle snu i czuwania) oraz szczegółowe wzorce w krótszych skalach (np. pojedyncze uderzenia serca) . Model osiąga czas wnioskowania poniżej milisekundy na CPU smartwatcha, umożliwiając ciągłą analizę na urządzeniu bez odciążania do chmury .

Wspólne podejście: uczenie samonadzorowane

Zarówno xMAE, jak i HiMAE to maskowane autoenkodery (MAE) uczone za pomocą uczenia samonadzorowanego na nieoznakowanych danych biosygnałowych . Podstawowa idea jest prosta, ale skuteczna: zamaskuj część sygnału wejściowego, a następnie naucz model go odtworzyć. Pozwala to modelom uchwycić znaczącą strukturę fizjologiczną bez potrzeby ręcznego oznaczania danych treningowych – to kluczowa zaleta w AI zdrowotnej, gdzie oznakowane dane kliniczne są często trudno dostępne i kosztowne w produkcji.

Rola w wizji Samsung Connected Care

Podczas Galaxy Unpacked w lipcu 2026 r. Samsung zaprezentował strategię Connected Care – przejście od uśrednionych populacyjnie wskaźników zdrowia do prewencyjnego, spersonalizowanego monitorowania zdrowia opartego na AI na urządzeniu . Dr Pak określił modele AI zdrowia jako kluczowy element – przejście „od średnich populacyjnych do czegoś naprawdę osobistego” poprzez wykorzystanie uczenia samonadzorowanego do wyodrębniania znaczących cech z biosygnałów każdej osoby .

xMAE i HiMAE to pierwsze konkretne modele Samsung Research realizujące tę wizję: działają w całości na smartwatchu (bez potrzeby chmury), uczą się specyficznych dla użytkownika wzorców fizjologicznych i mogą być dostrajane do zadań takich jak szacowanie ciśnienia krwi, wykrywanie arytmii i analiza snu bezpośrednio na urządzeniu . Razem stanowią praktyczny krok w kierunku uczynienia AI zdrowotnej na urządzeniach noszonych zarówno prywatną, jak i stale dostępną – bez potrzeby połączenia z internetem.

Jak działa każdy z modeli

xMAE: Nauka związku między impulsem elektrycznym a optycznym

xMAE to model uwzględniający fizjologię, który uczy się czasowej zależności między dwoma sygnałami serca: EKG (aktywność elektryczna serca) a PPG (optyczna fala tętna mierzona przez czujnik fotopletyzmograficzny w smartwatchu). Model wykorzystuje mechanizm krzyżowej uwagi (ang. directional cross-attention): podczas wstępnego uczenia stopniowo maskuje ciągłe segmenty EKG i odtwarza je na podstawie zsynchronizowanego PPG . Tokeny PPG pełnią rolę kluczy i wartości, a tokeny EKG – zapytań. Taka konstrukcja odzwierciedla fizjologiczny fakt, że elektryczna aktywność serca (EKG) napędza obwodową falę tętna (PPG) .

xMAE został wstępnie wytrenowany na około 9400 godzinach sparowanych danych EKG–PPG od około 2400 osób. Następnie oceniono go w sześciu badaniach obejmujących 19 zadań szczegółowych, w tym przewidywanie nadciśnienia, wykrywanie pobudzeń dodatkowych, klasyfikację faz snu i szacowanie parametrów krwi. Model przewyższył wszystkie dotychczasowe modele typu open source w 15 z 19 zadań pod względem wskaźnika AUROC . Kluczowa praktyczna zaleta: po wstępnym uczeniu gałąź EKG jest usuwana, a model działa wyłącznie na PPG, co czyni go idealnym do zastosowania w urządzeniach noszonych .

HiMAE: Hierarchiczna analiza w różnych skalach czasowych

HiMAE (Hierarchical Masked Autoencoder) przyjmuje inne podejście: analizuje dane szeregów czasowych z urządzeń noszonych – uderzenia serca, fazy snu, wzorce aktywności – w wielu rozdzielczościach czasowych za pomocą hierarchicznego konwolucyjnego enkodera-dekodera . Zamiast traktować wszystkie skale czasowe jednakowo, HiMAE odkrywa strukturę charakterystyczną dla danej rozdzielczości: ogólne wzorce w dłuższych skalach (np. cykle snu i czuwania) oraz szczegółowe wzorce w krótszych skalach (np. pojedyncze uderzenia serca) . Model osiąga czas wnioskowania poniżej milisekundy na CPU smartwatcha, umożliwiając ciągłą analizę na urządzeniu bez odciążania do chmury .

Wspólne podejście: uczenie samonadzorowane

Zarówno xMAE, jak i HiMAE to maskowane autoenkodery (MAE) uczone za pomocą uczenia samonadzorowanego na nieoznakowanych danych biosygnałowych . Podstawowa idea jest prosta, ale skuteczna: zamaskuj część sygnału wejściowego, a następnie naucz model go odtworzyć. Pozwala to modelom uchwycić znaczącą strukturę fizjologiczną bez potrzeby ręcznego oznaczania danych treningowych – to kluczowa zaleta w AI zdrowotnej, gdzie oznakowane dane kliniczne są często trudno dostępne i kosztowne w produkcji.

Rola w wizji Samsung Connected Care

Podczas Galaxy Unpacked w lipcu 2026 r. Samsung zaprezentował strategię Connected Care – przejście od uśrednionych populacyjnie wskaźników zdrowia do prewencyjnego, spersonalizowanego monitorowania zdrowia opartego na AI na urządzeniu . Dr Pak określił modele AI zdrowia jako kluczowy element – przejście „od średnich populacyjnych do czegoś naprawdę osobistego” poprzez wykorzystanie uczenia samonadzorowanego do wyodrębniania znaczących cech z biosygnałów każdej osoby .

xMAE i HiMAE to pierwsze konkretne modele Samsung Research realizujące tę wizję: działają w całości na smartwatchu (bez potrzeby chmury), uczą się specyficznych dla użytkownika wzorców fizjologicznych i mogą być dostrajane do zadań takich jak szacowanie ciśnienia krwi, wykrywanie arytmii i analiza snu bezpośrednio na urządzeniu . Razem stanowią praktyczny krok w kierunku uczynienia AI zdrowotnej na urządzeniach noszonych zarówno prywatną, jak i stale dostępną – bez potrzeby połączenia z internetem.