Så fungerar modellerna

xMAE: Lär sig sambandet mellan elektriska och optiska pulssignaler

xMAE är en fysiologiskt medveten modell som lär sig det tidsmässiga sambandet mellan två hjärtrelaterade biosignaler: EKG (hjärtats elektriska aktivitet) och PPG (optisk pulsvåg som mäts med smartklockans fotopletysmografisensor). Modellen använder en riktad uppmärksamhetsmekanism (cross-attention): under träningen maskeras successivt kontinuerliga segment av EKG-signalen, som sedan rekonstrueras med hjälp av den synkroniserade PPG-signalen . PPG-token fungerar som nycklar och värden, medan EKG-token fungerar som frågor – en design som respekterar den fysiologiska verkligheten att hjärtats elektriska aktivitet driver den perifera pulsen .

xMAE tränades på cirka 9 400 timmars parade EKG–PPG-data från omkring 2 400 försökspersoner. Därefter utvärderades modellen i sex studier med 19 olika hälsouppgifter, inklusive prediktion av högt blodtryck, detektering av extraslag (ektopiska slag), sömnklassificering och uppskattning av blodvärden. Modellen överträffade alla tidigare öppna basmodeller i 15 av 19 uppgifter mätt med AUROC . En viktig praktisk insikt: efter träningen tas EKG-grenen bort och modellen körs enbart på PPG – vilket gör den idealisk för användning i bärbara enheter .

HiMAE: Hierarkisk analys över olika tidsskalor

HiMAE använder en annan metod: den analyserar tidsdata från bärbara sensorer – hjärtslag, sömnstadier, aktivitetsmönster – över flera tidsmässiga upplösningar med hjälp av en hierarkisk faltningskodare-avkodare (convolutional encoder–decoder) . Istället för att behandla alla tidsskalor likadant upptäcker HiMAE upplösningsspecifika strukturer: grova mönster på längre skalor (exempelvis sömn/vaken-cykler) och finmaskiga mönster på kortare skalor (exempelvis enskilda hjärtslag) . Modellen uppnår inferens på under en millisekund på en smartklockas processor, vilket möjliggör kontinuerlig analys på enheten utan att skicka data till molnet .

Den gemensamma självövervakade inlärningsmetoden

Både xMAE och HiMAE är maskerade autokodare (MAE) som tränas med självövervakad inlärning (self-supervised learning) på omärkta biosignaldata . Grundidén är enkel men kraftfull: maskera en del av insignalen och träna modellen att rekonstruera den. Detta gör att modellerna kan fånga meningsfulla fysiologiska strukturer utan att behöva manuellt märkt träningsdata – en kritisk fördel inom hälso-AI, där märkt klinisk data ofta är bristfällig och dyr att ta fram.

Roll i Samsungs Connected Care-vision

Under Galaxy Unpacked i juli 2026 presenterade Samsung sin Connected Care-strategi, ett skifte från populationsbaserade hälsomått till förebyggande, personlig hälsoövervakning driven av AI på enheten . Dr. Pak beskrev hälsomodellerna (health foundation models) som den avgörande nyckeln – att gå från ”populationsmedelvärden till något verkligt personligt” genom att använda självövervakad inlärning för att extrahera meningsfulla egenskaper ur varje individs biosignaler .

xMAE och HiMAE är de första konkreta modellerna från Samsung Research som förverkligar denna vision: de kör helt på smartklockan (ingen molnuppkoppling krävs), lär sig användarspecifika fysiologiska mönster och kan finjusteras för uppgifter som blodtrycksmätning, arytmiupptäckt och sömnanalys direkt på enheten . Tillsammans utgör de ett praktiskt steg mot bärbar hälso-AI som är både privat och kontinuerligt tillgänglig – utan att behöva en internetuppkoppling.

Så fungerar modellerna

xMAE: Lär sig sambandet mellan elektriska och optiska pulssignaler

xMAE är en fysiologiskt medveten modell som lär sig det tidsmässiga sambandet mellan två hjärtrelaterade biosignaler: EKG (hjärtats elektriska aktivitet) och PPG (optisk pulsvåg som mäts med smartklockans fotopletysmografisensor). Modellen använder en riktad uppmärksamhetsmekanism (cross-attention): under träningen maskeras successivt kontinuerliga segment av EKG-signalen, som sedan rekonstrueras med hjälp av den synkroniserade PPG-signalen . PPG-token fungerar som nycklar och värden, medan EKG-token fungerar som frågor – en design som respekterar den fysiologiska verkligheten att hjärtats elektriska aktivitet driver den perifera pulsen .

xMAE tränades på cirka 9 400 timmars parade EKG–PPG-data från omkring 2 400 försökspersoner. Därefter utvärderades modellen i sex studier med 19 olika hälsouppgifter, inklusive prediktion av högt blodtryck, detektering av extraslag (ektopiska slag), sömnklassificering och uppskattning av blodvärden. Modellen överträffade alla tidigare öppna basmodeller i 15 av 19 uppgifter mätt med AUROC . En viktig praktisk insikt: efter träningen tas EKG-grenen bort och modellen körs enbart på PPG – vilket gör den idealisk för användning i bärbara enheter .

HiMAE: Hierarkisk analys över olika tidsskalor

HiMAE använder en annan metod: den analyserar tidsdata från bärbara sensorer – hjärtslag, sömnstadier, aktivitetsmönster – över flera tidsmässiga upplösningar med hjälp av en hierarkisk faltningskodare-avkodare (convolutional encoder–decoder) . Istället för att behandla alla tidsskalor likadant upptäcker HiMAE upplösningsspecifika strukturer: grova mönster på längre skalor (exempelvis sömn/vaken-cykler) och finmaskiga mönster på kortare skalor (exempelvis enskilda hjärtslag) . Modellen uppnår inferens på under en millisekund på en smartklockas processor, vilket möjliggör kontinuerlig analys på enheten utan att skicka data till molnet .

Den gemensamma självövervakade inlärningsmetoden

Både xMAE och HiMAE är maskerade autokodare (MAE) som tränas med självövervakad inlärning (self-supervised learning) på omärkta biosignaldata . Grundidén är enkel men kraftfull: maskera en del av insignalen och träna modellen att rekonstruera den. Detta gör att modellerna kan fånga meningsfulla fysiologiska strukturer utan att behöva manuellt märkt träningsdata – en kritisk fördel inom hälso-AI, där märkt klinisk data ofta är bristfällig och dyr att ta fram.

Roll i Samsungs Connected Care-vision

Under Galaxy Unpacked i juli 2026 presenterade Samsung sin Connected Care-strategi, ett skifte från populationsbaserade hälsomått till förebyggande, personlig hälsoövervakning driven av AI på enheten . Dr. Pak beskrev hälsomodellerna (health foundation models) som den avgörande nyckeln – att gå från ”populationsmedelvärden till något verkligt personligt” genom att använda självövervakad inlärning för att extrahera meningsfulla egenskaper ur varje individs biosignaler .

xMAE och HiMAE är de första konkreta modellerna från Samsung Research som förverkligar denna vision: de kör helt på smartklockan (ingen molnuppkoppling krävs), lär sig användarspecifika fysiologiska mönster och kan finjusteras för uppgifter som blodtrycksmätning, arytmiupptäckt och sömnanalys direkt på enheten . Tillsammans utgör de ett praktiskt steg mot bärbar hälso-AI som är både privat och kontinuerligt tillgänglig – utan att behöva en internetuppkoppling.