三星发布 xMAE 和 HiMAE：两大端侧健康 AI 模型，无需云端即可分析生物信号

xMAE 在大约 9,400 小时配对 ECG–PPG 数据上进行了预训练，数据来自约 2,400 名受试者。随后，模型在六项研究中接受了 19 项下游任务的评估，包括高血压预测、异位搏动检测、睡眠分期和血液指标估算。以 AUROC 为指标，xMAE 在 15 项任务上超越了过往所有开源基础模型。一个关键的实用洞察是：预训练完成后，ECG 分支被移除，模型仅靠 PPG 信号即可运行，非常适合可穿戴设备部署。

HiMAE：跨时间尺度的分层分析

HiMAE（分层掩码自编码器）采用了一种不同的方法：它通过一个分层卷积编码器—解码器，以多种时间分辨率来分析可穿戴设备的时序数据——包括心跳、睡眠阶段、活动模式等。与统一处理所有时间尺度不同，HiMAE 能够发现不同分辨率下的特定结构：较长时间尺度上的粗粒度模式（如睡眠/清醒周期）和较短时间尺度上的细粒度模式（如单次心跳）。该模型能够在智能手表 CPU 上实现亚毫秒级推理，无需将数据上传到云端即可进行持续的端侧分析。

共同的自监督学习路径

xMAE 和 HiMAE 都是掩码自编码器（MAE），通过自监督学习在无标签的生物信号数据上进行训练。其核心思路简单而强大：遮蔽输入信号的一部分，然后训练模型去重建它。这种方法使模型能够捕捉有意义的生理结构，而无需大量标注数据——这在健康 AI 领域是一个关键优势，因为临床上标注数据往往稀缺且成本高昂。

在三星 Connected Care 战略中的角色

在 2026 年 7 月的 Galaxy Unpacked 发布会上，三星推出了 Connected Care 战略——从群体平均健康指标转向由端侧 AI 驱动的预防性、个性化健康监测。Dr. Pak 将健康基础模型描述为关键推动力，旨在通过自监督学习从每个人的生物信号中提取有意义的特征，实现"从群体平均走向真正的个人化"。

xMAE 和 HiMAE 是三星研究院首批实现这一愿景的具体模型：它们完全在智能手表上运行（无需云端），学习用户特有的生理模式，并可在设备上针对血压估算、心律不齐检测和睡眠分析等任务进行微调。两者共同代表了可穿戴健康 AI 走向既隐私又连续可用——无需联网——的实质性一步。