Як працює кожна модель

xMAE: вивчення зв'язку між електричним та оптичним пульсом

xMAE — це фізіологічно обґрунтована модель, яка вивчає часовий зв'язок між двома серцевими біосигналами: ЕКГ (електрична активність серця) та ФПГ (оптична пульсова хвиля, що вимірюється фотоплетизмографічним сенсором смартгодинника). Модель використовує механізм спрямованої крос-аттенції: під час попереднього навчання вона поступово маскує безперервні сегменти ЕКГ і відновлює їх із синхронізованого сигналу ФПГ . Токени ФПГ виступають у ролі ключів та значень, тоді як токени ЕКГ є запитами — така архітектура враховує фізіологічний факт, що електрична активність серця (ЕКГ) визначає периферичний пульс (ФПГ) .

xMAE навчалася приблизно на 9 400 годинах парних даних ЕКГ–ФПГ від близько 2 400 осіб. Потім модель оцінили у шести дослідженнях, охоплюючи 19 клінічних завдань, включаючи прогнозування гіпертензії, виявлення ектопічних скорочень, класифікацію стадій сну та оцінку лабораторних показників крові. xMAE перевершила всі попередні відкриті фундаментальні моделі в 15 з 19 завдань за метрикою AUROC . Ключова практична особливість: після попереднього навчання гілка ЕКГ видаляється, і модель працює лише на основі ФПГ, що робить її ідеальною для використання в носимих пристроях .

HiMAE: ієрархічний аналіз на різних часових шкалах

HiMAE (Hierarchical Masked Autoencoder) застосовує інший підхід: вона аналізує часові ряди носимих сенсорів — серцебиття, стадії сну, фізичну активність — на кількох часових шкалах за допомогою ієрархічного згорткового енкодер-декодера . Замість того, щоб обробляти всі часові шкали однаково, HiMAE виявляє структури, характерні для кожної з них: загальні патерни на довших інтервалах (наприклад, цикли сну/неспання) та детальні патерни на коротших інтервалах (наприклад, окремі серцебиття) . Модель досягає суб-мілісекундної затримки на CPU смартгодинника, що дозволяє виконувати безперервний аналіз на пристрої без передачі даних у хмару .

Спільний підхід самонавчання

Обидві моделі — xMAE та HiMAE — є замаскованими автоенкодерами (MAE), навченими за допомогою самонавчання на нерозмічених біосигналах . Основна ідея проста, але потужна: замаскувати частину вхідного сигналу, а потім навчити модель відновлювати його. Це дозволяє моделям вивчати значущі фізіологічні структури без необхідності вручну розмічених навчальних даних — критично важлива перевага в AI для здоров'я, де клінічні дані з розміткою можуть бути дефіцитними та дорогими.

Роль у баченні Samsung Connected Care

На Galaxy Unpacked у липні 2026 року Samsung представив стратегію Connected Care — перехід від усереднених популяційних показників здоров'я до профілактичного, персоналізованого моніторингу за допомогою AI на пристрої . Доктор Пак назвав фундаментальні моделі здоров'я ключовим інструментом, який дозволяє перейти "від середніх популяційних значень до чогось справді персонального", використовуючи самонавчання для вилучення значущих ознак із біосигналів кожної людини .

xMAE та HiMAE є першими конкретними моделями Samsung Research, які реалізують це бачення: вони працюють повністю на смартгодиннику (без потреби в хмарі), вивчають індивідуальні фізіологічні патерни користувача та можуть бути доналаштовані для таких завдань, як оцінка кров'яного тиску, виявлення аритмій та аналіз сну безпосередньо на пристрої . Разом вони є практичним кроком до того, щоб зробити носимий AI для здоров'я одночасно приватним і постійно доступним — навіть без підключення до інтернету.

Як працює кожна модель

xMAE: вивчення зв'язку між електричним та оптичним пульсом

xMAE — це фізіологічно обґрунтована модель, яка вивчає часовий зв'язок між двома серцевими біосигналами: ЕКГ (електрична активність серця) та ФПГ (оптична пульсова хвиля, що вимірюється фотоплетизмографічним сенсором смартгодинника). Модель використовує механізм спрямованої крос-аттенції: під час попереднього навчання вона поступово маскує безперервні сегменти ЕКГ і відновлює їх із синхронізованого сигналу ФПГ . Токени ФПГ виступають у ролі ключів та значень, тоді як токени ЕКГ є запитами — така архітектура враховує фізіологічний факт, що електрична активність серця (ЕКГ) визначає периферичний пульс (ФПГ) .

xMAE навчалася приблизно на 9 400 годинах парних даних ЕКГ–ФПГ від близько 2 400 осіб. Потім модель оцінили у шести дослідженнях, охоплюючи 19 клінічних завдань, включаючи прогнозування гіпертензії, виявлення ектопічних скорочень, класифікацію стадій сну та оцінку лабораторних показників крові. xMAE перевершила всі попередні відкриті фундаментальні моделі в 15 з 19 завдань за метрикою AUROC . Ключова практична особливість: після попереднього навчання гілка ЕКГ видаляється, і модель працює лише на основі ФПГ, що робить її ідеальною для використання в носимих пристроях .

HiMAE: ієрархічний аналіз на різних часових шкалах

HiMAE (Hierarchical Masked Autoencoder) застосовує інший підхід: вона аналізує часові ряди носимих сенсорів — серцебиття, стадії сну, фізичну активність — на кількох часових шкалах за допомогою ієрархічного згорткового енкодер-декодера . Замість того, щоб обробляти всі часові шкали однаково, HiMAE виявляє структури, характерні для кожної з них: загальні патерни на довших інтервалах (наприклад, цикли сну/неспання) та детальні патерни на коротших інтервалах (наприклад, окремі серцебиття) . Модель досягає суб-мілісекундної затримки на CPU смартгодинника, що дозволяє виконувати безперервний аналіз на пристрої без передачі даних у хмару .

Спільний підхід самонавчання

Обидві моделі — xMAE та HiMAE — є замаскованими автоенкодерами (MAE), навченими за допомогою самонавчання на нерозмічених біосигналах . Основна ідея проста, але потужна: замаскувати частину вхідного сигналу, а потім навчити модель відновлювати його. Це дозволяє моделям вивчати значущі фізіологічні структури без необхідності вручну розмічених навчальних даних — критично важлива перевага в AI для здоров'я, де клінічні дані з розміткою можуть бути дефіцитними та дорогими.

Роль у баченні Samsung Connected Care

На Galaxy Unpacked у липні 2026 року Samsung представив стратегію Connected Care — перехід від усереднених популяційних показників здоров'я до профілактичного, персоналізованого моніторингу за допомогою AI на пристрої . Доктор Пак назвав фундаментальні моделі здоров'я ключовим інструментом, який дозволяє перейти "від середніх популяційних значень до чогось справді персонального", використовуючи самонавчання для вилучення значущих ознак із біосигналів кожної людини .

xMAE та HiMAE є першими конкретними моделями Samsung Research, які реалізують це бачення: вони працюють повністю на смартгодиннику (без потреби в хмарі), вивчають індивідуальні фізіологічні патерни користувача та можуть бути доналаштовані для таких завдань, як оцінка кров'яного тиску, виявлення аритмій та аналіз сну безпосередньо на пристрої . Разом вони є практичним кроком до того, щоб зробити носимий AI для здоров'я одночасно приватним і постійно доступним — навіть без підключення до інтернету.