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.

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.