Samsung revela xMAE e HiMAE: modelos de IA para saúde que rodam 100% no smartwatch

Em 14 de agosto de 2026, a Samsung Research (por meio do time de Saúde Digital da Samsung Research America, nos Estados Unidos) apresentou publicamente dois modelos de fundação para saúde (health foundation models) capazes de analisar biosinais diretamente no hardware do smartwatch, sem qualquer dependência de nuvem: o xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) e o HiMAE (Hierarchical Masked Autoencoder) . Ambos os trabalhos foram aceitos nas principais conferências mundiais de IA — ICML 2026 e ICLR 2026, respectivamente .

Como cada modelo funciona

xMAE: aprendendo a relação entre o sinal elétrico e o óptico do coração

O xMAE é um modelo que respeita a fisiologia do corpo humano. Ele aprende a relação temporal entre dois biosinais cardíacos: o ECG (eletrocardiograma, que mede a atividade elétrica do coração) e o PPG (fotopletismografia, o sinal óptico que mede a variação de volume sanguíneo, captado pelo sensor verde do smartwatch). Durante o pré-treinamento, o modelo usa um mecanismo de atenção cruzada direcional: ele mascara (oculta) segmentos contínuos do ECG e tenta reconstruí-los a partir do PPG sincronizado no tempo . Os tokens do PPG funcionam como "chaves" e "valores", enquanto os tokens do ECG atuam como "consultas" — um desenho que respeita o fato fisiológico de que a atividade elétrica do coração (ECG) é quem gera o pulso periférico (PPG) .

O xMAE foi pré-treinado com aproximadamente 9.400 horas de dados pareados de ECG e PPG de cerca de 2.400 pessoas. Em seguida, foi avaliado em seis estudos que cobriram 19 tarefas clínicas — incluindo predição de hipertensão, detecção de batimentos ectópicos, classificação de estágios do sono e estimativa de exames de sangue. O modelo superou todos os modelos abertos anteriores em 15 das 19 tarefas, medida pela métrica AUROC . Uma descoberta prática importante: depois do pré-treinamento, o ramo do ECG é descartado e o modelo opera apenas com o PPG, tornando-o ideal para rodar em dispositivos vestíveis .

HiMAE: análise hierárquica em múltiplas escalas de tempo

O HiMAE adota uma abordagem diferente: ele analisa séries temporais de sensores vestíveis — batimentos cardíacos, estágios do sono, padrões de atividade física — em várias resoluções temporais usando um codificador-decodificador convolucional hierárquico . Em vez de tratar todas as escalas de tempo de forma uniforme, o HiMAE descobre estruturas específicas para cada resolução: padrões mais grossos em escalas longas (como ciclos de sono/vigília) e padrões mais finos em escalas curtas (como batimentos cardíacos individuais) . O modelo atinge inferência em menos de 1 milissegundo na CPU de um smartwatch, permitindo análise contínua e local, sem precisar enviar dados para a nuvem .

A abordagem compartilhada de aprendizado auto-supervisionado

Tanto o xMAE quanto o HiMAE são autoencoders mascarados (MAE) treinados via aprendizado auto-supervisionado (self-supervised learning) em dados de biosinais não rotulados . A ideia central é simples, mas poderosa: mascarar uma parte do sinal de entrada e treinar o modelo para reconstruí-la. Isso permite que os modelos capturem estrutura fisiológica significativa sem precisar de dados clínicos rotulados manualmente — uma vantagem crítica na área de IA em saúde, onde dados rotulados são escassos e caros de produzir.

O papel no conceito Connected Care da Samsung

No evento Galaxy Unpacked em julho de 2026, a Samsung apresentou sua estratégia Connected Care (Cuidado Conectado), uma mudança de métricas de saúde baseadas em médias populacionais para um monitoramento preventivo e personalizado, impulsionado por IA local . O Dr. Pak descreveu os modelos de fundação em saúde como o grande habilitador dessa visão — saindo "de médias populacionais para algo verdadeiramente pessoal", usando aprendizado auto-supervisionado para extrair características significativas dos biosinais de cada indivíduo .

O xMAE e o HiMAE são os primeiros modelos concretos da Samsung Research que realizam essa visão: rodam inteiramente no smartwatch (sem necessidade de nuvem), aprendem padrões fisiológicos específicos de cada usuário e podem ser ajustados para tarefas como estimativa de pressão arterial, detecção de arritmias e análise do sono diretamente no dispositivo . Juntos, eles representam um passo prático para tornar a IA de saúde em wearables algo privado e continuamente disponível — sem depender de conexão com a internet.