หลักการทำงานของแต่ละโมเดล

xMAE: เรียนรู้ความสัมพันธ์ระหว่างสัญญาณไฟฟ้าหัวใจและชีพจรแสง

xMAE เป็นโมเดลที่ออกแบบโดยคำนึงถึงหลักสรีรวิทยา (physiology-aware) เพื่อเรียนรู้ความสัมพันธ์เชิงเวลาระหว่างสัญญาณชีพสองชนิด: ECG (สัญญาณไฟฟ้าหัวใจ) และ PPG (คลื่นชีพจรแสงที่วัดโดยเซ็นเซอร์ photoplethysmography บนสมาร์ทวอช) โมเดลใช้กลไก cross-attention แบบมีทิศทาง: ระหว่างการฝึกก่อน (pretraining) มันจะค่อยๆ บดบัง (mask) ส่วนต่อเนื่องของสัญญาณ ECG และสร้างขึ้นมาใหม่จากสัญญาณ PPG ที่ซิงโครไนซ์กัน โดย PPG token ทำหน้าที่เป็นคีย์ (keys) และค่า (values) ส่วน ECG token ทำหน้าที่เป็นคำค้นหา (queries) ซึ่งเป็นการออกแบบที่สอดคล้องกับข้อเท็จจริงทางสรีรวิทยาที่ว่ากิจกรรมไฟฟ้าของหัวใจ (ECG) เป็นตัวขับเคลื่อนชีพจรส่วนปลาย (PPG)

xMAE ถูกฝึกก่อนบนข้อมูล ECG–PPG แบบจับคู่ประมาณ 9,400 ชั่วโมง จากอาสาสมัครประมาณ 2,400 คน จากนั้นถูกประเมินในหกการศึกษาครอบคลุม 19 งานปลายทาง รวมถึงการทำนายความดันโลหิตสูง การตรวจพบหัวใจเต้นผิดจังหวะ (ectopic beat) การจำแนกระยะการนอนหลับ และการประมาณค่าทางห้องปฏิบัติการเลือด โมเดลนี้มีประสิทธิภาพเหนือกว่าโมเดลรากฐานโอเพนซอร์สก่อนหน้าทั้งหมดใน 15 จาก 19 งาน โดยวัดจากค่า AUROC ข้อค้นพบเชิงปฏิบัติที่สำคัญ: หลังจากการฝึกก่อน สาขา ECG จะถูกถอดออก โมเดลจะทำงานโดยใช้ PPG เพียงอย่างเดียว ทำให้เหมาะสำหรับการใช้งานบนอุปกรณ์สวมใส่

HiMAE: การวิเคราะห์แบบลำดับชั้นในหลายระดับเวลา

HiMAE (Hierarchical Masked Autoencoder) ใช้แนวทางที่แตกต่าง: มันวิเคราะห์ข้อมูลอนุกรมเวลาจากอุปกรณ์สวมใส่ เช่น การเต้นของหัวใจ ระยะการนอนหลับ รูปแบบกิจกรรม ผ่าน หลายระดับความละเอียดของเวลา โดยใช้ convolutional encoder–decoder แบบลำดับชั้น แทนที่จะจัดการทุกระดับเวลาอย่างเท่าเทียมกัน HiMAE จะค้นพบโครงสร้างเฉพาะในแต่ละระดับความละเอียด: รูปแบบหยาบ (coarse patterns) ในระดับเวลาที่ยาวนานกว่า (เช่น วงจรการนอนหลับ/ตื่น) และรูปแบบละเอียด (fine-grained patterns) ในระดับเวลาที่สั้นกว่า (เช่น การเต้นของหัวใจแต่ละครั้ง) โมเดลนี้ทำการประมวลผลอนุมานได้ใน เวลาต่ำกว่า 1 มิลลิวินาทีบน CPU ของสมาร์ทวอช ทำให้สามารถวิเคราะห์บนอุปกรณ์ได้อย่างต่อเนื่องโดยไม่ต้องอัปโหลดข้อมูลไปยังคลาวด์

แนวทางการเรียนรู้แบบ Self-Supervised Learning ที่ใช้ร่วมกัน

ทั้ง xMAE และ HiMAE เป็น Masked Autoencoder (MAE) ที่ได้รับการฝึกผ่าน Self-Supervised Learning บนข้อมูลสัญญาณชีพที่ไม่ได้ติดป้ายกำกับ แนวคิดหลักนั้นเรียบง่ายแต่ทรงพลัง: บดบังส่วนหนึ่งของสัญญาณอินพุต จากนั้นฝึกโมเดลให้สร้างส่วนที่ถูกบดบังขึ้นมาใหม่ วิธีนี้ช่วยให้โมเดลสามารถจับโครงสร้างทางสรีรวิทยาที่มีความหมายได้โดยไม่จำเป็นต้องใช้ข้อมูลฝึกที่ติดป้ายกำกับด้วยมือ ซึ่งเป็นข้อได้เปรียบที่สำคัญในวงการ AI สุขภาพ ซึ่งข้อมูลทางคลินิกที่ติดป้ายกำกับนั้นหายากและมีต้นทุนสูงในการผลิต

บทบาทในวิสัยทัศน์ Connected Care ของซัมซุง

ในงาน Galaxy Unpacked เมื่อเดือนกรกฎาคม 2026 ซัมซุงได้เปิดตัวกลยุทธ์ Connected Care ซึ่งเป็นการเปลี่ยนผ่านจากการวัดค่าสุขภาพแบบเฉลี่ยประชากรไปสู่การติดตามสุขภาพเฉพาะบุคคลและเชิงป้องกันที่ขับเคลื่อนด้วย AI บนอุปกรณ์ ดร. Pak (ประธานฝ่ายวิจัยของซัมซุง) อธิบายว่าโมเดลรากฐานด้านสุขภาพเป็นตัวขับเคลื่อนสำคัญ ซึ่งเป็นการเปลี่ยน "จากค่าเฉลี่ยของประชากรไปสู่สิ่งที่เฉพาะบุคคลอย่างแท้จริง" โดยใช้ self-supervised learning เพื่อดึงคุณลักษณะที่มีความหมายจากสัญญาณชีพของแต่ละบุคคล

xMAE และ HiMAE เป็นโมเดลวิจัยชิ้นแรกๆ ของ Samsung Research ที่ทำให้วิสัยทัศน์นี้เป็นจริง: พวกมันทำงานบนสมาร์ทวอชทั้งหมด (ไม่ต้องใช้คลาวด์) เรียนรู้รูปแบบทางสรีรวิทยาเฉพาะของผู้ใช้ และสามารถปรับแต่ง (fine-tune) สำหรับงานต่างๆ เช่น การประเมินความดันโลหิต การตรวจหาภาวะหัวใจเต้นผิดจังหวะ และการวิเคราะห์การนอนหลับได้โดยตรงบนอุปกรณ์ โมเดลทั้งสองนี้ร่วมกันเป็นก้าวสำคัญในการทำให้ AI สุขภาพบนอุปกรณ์สวมใส่เป็นทั้งส่วนตัวและพร้อมใช้งานตลอดเวลา โดยไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ต

หลักการทำงานของแต่ละโมเดล

xMAE: เรียนรู้ความสัมพันธ์ระหว่างสัญญาณไฟฟ้าหัวใจและชีพจรแสง

xMAE เป็นโมเดลที่ออกแบบโดยคำนึงถึงหลักสรีรวิทยา (physiology-aware) เพื่อเรียนรู้ความสัมพันธ์เชิงเวลาระหว่างสัญญาณชีพสองชนิด: ECG (สัญญาณไฟฟ้าหัวใจ) และ PPG (คลื่นชีพจรแสงที่วัดโดยเซ็นเซอร์ photoplethysmography บนสมาร์ทวอช) โมเดลใช้กลไก cross-attention แบบมีทิศทาง: ระหว่างการฝึกก่อน (pretraining) มันจะค่อยๆ บดบัง (mask) ส่วนต่อเนื่องของสัญญาณ ECG และสร้างขึ้นมาใหม่จากสัญญาณ PPG ที่ซิงโครไนซ์กัน โดย PPG token ทำหน้าที่เป็นคีย์ (keys) และค่า (values) ส่วน ECG token ทำหน้าที่เป็นคำค้นหา (queries) ซึ่งเป็นการออกแบบที่สอดคล้องกับข้อเท็จจริงทางสรีรวิทยาที่ว่ากิจกรรมไฟฟ้าของหัวใจ (ECG) เป็นตัวขับเคลื่อนชีพจรส่วนปลาย (PPG)

xMAE ถูกฝึกก่อนบนข้อมูล ECG–PPG แบบจับคู่ประมาณ 9,400 ชั่วโมง จากอาสาสมัครประมาณ 2,400 คน จากนั้นถูกประเมินในหกการศึกษาครอบคลุม 19 งานปลายทาง รวมถึงการทำนายความดันโลหิตสูง การตรวจพบหัวใจเต้นผิดจังหวะ (ectopic beat) การจำแนกระยะการนอนหลับ และการประมาณค่าทางห้องปฏิบัติการเลือด โมเดลนี้มีประสิทธิภาพเหนือกว่าโมเดลรากฐานโอเพนซอร์สก่อนหน้าทั้งหมดใน 15 จาก 19 งาน โดยวัดจากค่า AUROC ข้อค้นพบเชิงปฏิบัติที่สำคัญ: หลังจากการฝึกก่อน สาขา ECG จะถูกถอดออก โมเดลจะทำงานโดยใช้ PPG เพียงอย่างเดียว ทำให้เหมาะสำหรับการใช้งานบนอุปกรณ์สวมใส่

HiMAE: การวิเคราะห์แบบลำดับชั้นในหลายระดับเวลา

HiMAE (Hierarchical Masked Autoencoder) ใช้แนวทางที่แตกต่าง: มันวิเคราะห์ข้อมูลอนุกรมเวลาจากอุปกรณ์สวมใส่ เช่น การเต้นของหัวใจ ระยะการนอนหลับ รูปแบบกิจกรรม ผ่าน หลายระดับความละเอียดของเวลา โดยใช้ convolutional encoder–decoder แบบลำดับชั้น แทนที่จะจัดการทุกระดับเวลาอย่างเท่าเทียมกัน HiMAE จะค้นพบโครงสร้างเฉพาะในแต่ละระดับความละเอียด: รูปแบบหยาบ (coarse patterns) ในระดับเวลาที่ยาวนานกว่า (เช่น วงจรการนอนหลับ/ตื่น) และรูปแบบละเอียด (fine-grained patterns) ในระดับเวลาที่สั้นกว่า (เช่น การเต้นของหัวใจแต่ละครั้ง) โมเดลนี้ทำการประมวลผลอนุมานได้ใน เวลาต่ำกว่า 1 มิลลิวินาทีบน CPU ของสมาร์ทวอช ทำให้สามารถวิเคราะห์บนอุปกรณ์ได้อย่างต่อเนื่องโดยไม่ต้องอัปโหลดข้อมูลไปยังคลาวด์

แนวทางการเรียนรู้แบบ Self-Supervised Learning ที่ใช้ร่วมกัน

ทั้ง xMAE และ HiMAE เป็น Masked Autoencoder (MAE) ที่ได้รับการฝึกผ่าน Self-Supervised Learning บนข้อมูลสัญญาณชีพที่ไม่ได้ติดป้ายกำกับ แนวคิดหลักนั้นเรียบง่ายแต่ทรงพลัง: บดบังส่วนหนึ่งของสัญญาณอินพุต จากนั้นฝึกโมเดลให้สร้างส่วนที่ถูกบดบังขึ้นมาใหม่ วิธีนี้ช่วยให้โมเดลสามารถจับโครงสร้างทางสรีรวิทยาที่มีความหมายได้โดยไม่จำเป็นต้องใช้ข้อมูลฝึกที่ติดป้ายกำกับด้วยมือ ซึ่งเป็นข้อได้เปรียบที่สำคัญในวงการ AI สุขภาพ ซึ่งข้อมูลทางคลินิกที่ติดป้ายกำกับนั้นหายากและมีต้นทุนสูงในการผลิต

บทบาทในวิสัยทัศน์ Connected Care ของซัมซุง

ในงาน Galaxy Unpacked เมื่อเดือนกรกฎาคม 2026 ซัมซุงได้เปิดตัวกลยุทธ์ Connected Care ซึ่งเป็นการเปลี่ยนผ่านจากการวัดค่าสุขภาพแบบเฉลี่ยประชากรไปสู่การติดตามสุขภาพเฉพาะบุคคลและเชิงป้องกันที่ขับเคลื่อนด้วย AI บนอุปกรณ์ ดร. Pak (ประธานฝ่ายวิจัยของซัมซุง) อธิบายว่าโมเดลรากฐานด้านสุขภาพเป็นตัวขับเคลื่อนสำคัญ ซึ่งเป็นการเปลี่ยน "จากค่าเฉลี่ยของประชากรไปสู่สิ่งที่เฉพาะบุคคลอย่างแท้จริง" โดยใช้ self-supervised learning เพื่อดึงคุณลักษณะที่มีความหมายจากสัญญาณชีพของแต่ละบุคคล

xMAE และ HiMAE เป็นโมเดลวิจัยชิ้นแรกๆ ของ Samsung Research ที่ทำให้วิสัยทัศน์นี้เป็นจริง: พวกมันทำงานบนสมาร์ทวอชทั้งหมด (ไม่ต้องใช้คลาวด์) เรียนรู้รูปแบบทางสรีรวิทยาเฉพาะของผู้ใช้ และสามารถปรับแต่ง (fine-tune) สำหรับงานต่างๆ เช่น การประเมินความดันโลหิต การตรวจหาภาวะหัวใจเต้นผิดจังหวะ และการวิเคราะห์การนอนหลับได้โดยตรงบนอุปกรณ์ โมเดลทั้งสองนี้ร่วมกันเป็นก้าวสำคัญในการทำให้ AI สุขภาพบนอุปกรณ์สวมใส่เป็นทั้งส่วนตัวและพร้อมใช้งานตลอดเวลา โดยไม่จำเป็นต้องเชื่อมต่ออินเทอร์เน็ต