Как работает каждая модель

xMAE: изучает связь электрического и оптического пульса

xMAE — это физиологически-ориентированная модель, которая изучает временную взаимосвязь между двумя сердечно-сосудистыми биосигналами: ЭКГ (электрическая активность сердца) и ФПГ (оптическая пульсовая волна, измеряемая фотоплетизмографическим датчиком смарт-часов). Модель использует механизм направленного перекрестного внимания: в ходе предварительного обучения она последовательно маскирует непрерывные сегменты ЭКГ и восстанавливает их по синхронизированному сигналу ФПГ . Токены ФПГ выступают в роли ключей и значений, а токены ЭКГ — в роли запросов. Такая конструкция учитывает физиологический факт: электрическая активность сердца (ЭКГ) управляет периферическим пульсом (ФПГ) .

xMAE была предварительно обучена на примерно 9 400 часах парных данных ЭКГ-ФПГ от около 2 400 испытуемых. Затем модель оценили в шести исследованиях, охватывающих 19 задач, включая прогнозирование гипертонии, обнаружение эктопических сокращений, стадирование сна и оценку лабораторных показателей крови. По метрике AUROC модель превзошла все предыдущие открытые фундаментальные модели в 15 из 19 задач . Ключевой практический вывод: после предварительного обучения ветвь ЭКГ удаляется, и модель работает только на сигнале ФПГ, что делает её идеальной для использования в носимых устройствах .

HiMAE: иерархический анализ на разных временных масштабах

HiMAE (Hierarchical Masked Autoencoder) использует другой подход: он анализирует временные ряды носимых устройств — удары сердца, стадии сна, паттерны активности — на нескольких временных разрешениях с помощью иерархического сверточного кодировщика-декодировщика . Вместо того чтобы обрабатывать все временные масштабы одинаково, HiMAE выявляет структуру, специфичную для каждого разрешения: грубые паттерны на больших масштабах (например, циклы сна/бодрствования) и тонкие паттерны на малых масштабах (например, отдельные удары сердца) . Модель достигает времени вывода менее миллисекунды на процессоре смарт-часов, что обеспечивает непрерывный анализ на устройстве без необходимости передачи данных в облако .

Общий подход: самообучение с маскировкой

Обе модели, xMAE и HiMAE, являются маскированными автоэнкодерами (MAE), обученными с помощью самообучения (self-supervised learning) на немаркированных данных биосигналов . Основная идея проста и эффективна: замаскировать часть входного сигнала, а затем обучить модель восстанавливать его. Это позволяет моделям улавливать значимую физиологическую структуру без необходимости вручную размеченных обучающих данных — критическое преимущество в сфере ИИ для здоровья, где клинические данные с разметкой часто дефицитны и дороги в производстве.

Роль в стратегии Samsung Connected Care

На мероприятии Galaxy Unpacked в июле 2026 года Samsung представила свою стратегию Connected Care — переход от усредненных по популяции показателей здоровья к превентивному, персонализированному мониторингу на основе ИИ на устройстве . Доктор Пак охарактеризовал фундаментальные модели здоровья как ключевой фактор — переход "от средних значений по популяции к чему-то по-настоящему личному" за счет использования самообучения для извлечения значимых признаков из биосигналов каждого конкретного человека .

xMAE и HiMAE — первые конкретные модели Samsung Research, реализующие это видение: они работают исключительно на смарт-часах (без облака), изучают индивидуальные физиологические паттерны пользователя и могут быть дообучены для таких задач, как оценка артериального давления, обнаружение аритмии и анализ сна непосредственно на устройстве . Вместе они представляют собой практический шаг к тому, чтобы сделать носимый ИИ для здоровья одновременно приватным и постоянно доступным — без необходимости подключения к интернету.

Как работает каждая модель

xMAE: изучает связь электрического и оптического пульса

xMAE — это физиологически-ориентированная модель, которая изучает временную взаимосвязь между двумя сердечно-сосудистыми биосигналами: ЭКГ (электрическая активность сердца) и ФПГ (оптическая пульсовая волна, измеряемая фотоплетизмографическим датчиком смарт-часов). Модель использует механизм направленного перекрестного внимания: в ходе предварительного обучения она последовательно маскирует непрерывные сегменты ЭКГ и восстанавливает их по синхронизированному сигналу ФПГ . Токены ФПГ выступают в роли ключей и значений, а токены ЭКГ — в роли запросов. Такая конструкция учитывает физиологический факт: электрическая активность сердца (ЭКГ) управляет периферическим пульсом (ФПГ) .

xMAE была предварительно обучена на примерно 9 400 часах парных данных ЭКГ-ФПГ от около 2 400 испытуемых. Затем модель оценили в шести исследованиях, охватывающих 19 задач, включая прогнозирование гипертонии, обнаружение эктопических сокращений, стадирование сна и оценку лабораторных показателей крови. По метрике AUROC модель превзошла все предыдущие открытые фундаментальные модели в 15 из 19 задач . Ключевой практический вывод: после предварительного обучения ветвь ЭКГ удаляется, и модель работает только на сигнале ФПГ, что делает её идеальной для использования в носимых устройствах .

HiMAE: иерархический анализ на разных временных масштабах

HiMAE (Hierarchical Masked Autoencoder) использует другой подход: он анализирует временные ряды носимых устройств — удары сердца, стадии сна, паттерны активности — на нескольких временных разрешениях с помощью иерархического сверточного кодировщика-декодировщика . Вместо того чтобы обрабатывать все временные масштабы одинаково, HiMAE выявляет структуру, специфичную для каждого разрешения: грубые паттерны на больших масштабах (например, циклы сна/бодрствования) и тонкие паттерны на малых масштабах (например, отдельные удары сердца) . Модель достигает времени вывода менее миллисекунды на процессоре смарт-часов, что обеспечивает непрерывный анализ на устройстве без необходимости передачи данных в облако .

Общий подход: самообучение с маскировкой

Обе модели, xMAE и HiMAE, являются маскированными автоэнкодерами (MAE), обученными с помощью самообучения (self-supervised learning) на немаркированных данных биосигналов . Основная идея проста и эффективна: замаскировать часть входного сигнала, а затем обучить модель восстанавливать его. Это позволяет моделям улавливать значимую физиологическую структуру без необходимости вручную размеченных обучающих данных — критическое преимущество в сфере ИИ для здоровья, где клинические данные с разметкой часто дефицитны и дороги в производстве.

Роль в стратегии Samsung Connected Care

На мероприятии Galaxy Unpacked в июле 2026 года Samsung представила свою стратегию Connected Care — переход от усредненных по популяции показателей здоровья к превентивному, персонализированному мониторингу на основе ИИ на устройстве . Доктор Пак охарактеризовал фундаментальные модели здоровья как ключевой фактор — переход "от средних значений по популяции к чему-то по-настоящему личному" за счет использования самообучения для извлечения значимых признаков из биосигналов каждого конкретного человека .

xMAE и HiMAE — первые конкретные модели Samsung Research, реализующие это видение: они работают исключительно на смарт-часах (без облака), изучают индивидуальные физиологические паттерны пользователя и могут быть дообучены для таких задач, как оценка артериального давления, обнаружение аритмии и анализ сна непосредственно на устройстве . Вместе они представляют собой практический шаг к тому, чтобы сделать носимый ИИ для здоровья одновременно приватным и постоянно доступным — без необходимости подключения к интернету.