兩個模型點樣運作

xMAE：學識心臟電訊號同光學訊號之間嘅時間關係

xMAE 係一個懂生理學嘅模型，專門學習兩類心臟生物訊號——ECG（心電圖，即心臟嘅電活動）同 PPG（光電容積脈搏波，即智能手錶用光學感應器量度嘅脈搏波）——之間嘅時間關係 。佢用嘅係一種「定向交叉注意力」機制：預訓練嗰陣，模型會逐步遮蓋心電圖嘅連續片段，然後靠同步記錄嘅光電容積脈搏波數據去重構返啲遮蓋咗嘅部分 。簡單講，光電容積脈搏波嘅數據做「鎖匙同價值」，心電圖嘅數據做「查詢」，呢個設計係跟返生理學嘅事實：心臟嘅電活動（心電圖）係驅動周邊脈搏波（光電容積脈搏波）嘅源頭 。

xMAE 用咗大約 9,400 小時、來自約 2,400 位受試者嘅配對心電圖-光電容積脈搏波數據做預訓練。之後佢哋用六項研究涵蓋嘅 19 個下游任務（包括高血壓預測、早搏檢測、睡眠階段分類同血液指標估算等）進行評估，結果 xMAE 喺其中 15 個任務嘅 AUROC 指標上都贏過所有之前嘅開源基礎模型 。有個好實用嘅重點：預訓練完成之後，模型會摺埋心電圖個分支，淨係用光電容積脈搏波嚟做推論，咁樣先適合放喺可穿戴裝置上面用 。

HiMAE：按時間尺度分層分析健康模式

HiMAE（分層遮罩自編碼器）就用咗另一種策略：佢會用一個分層卷積編碼-解碼器，將可穿戴裝置收集到嘅時間序列數據——心跳、睡眠階段、活動模式——分做 多個時間解析度嚟分析 。唔係全部時間尺度都倒模咁處理，HiMAE 能夠發現唔同解析度嘅特定結構：長啲嘅時間尺度睇到較粗略嘅模式（例如睡眠/清醒週期），短啲嘅時間尺度就捉到細微嘅模式（例如逐吓心跳）。呢個模型喺智能手錶嘅處理器上面做到 亞毫秒級推論，即係推論速度快過一千分之一秒，所以可以持續喺裝置上面做分析，完全唔使將數據傳上雲端 。

兩個模型嘅共通點：自我監督學習

xMAE 同 HiMAE 都屬於 遮罩自編碼器（MAE），用嘅係 自我監督學習 方法，喺冇標籤嘅生物訊號數據上進行訓練 。核心原理好簡單但好強大：遮蓋輸入訊號嘅一部分，然後訓練模型重構返佢。咁樣模型就可以學到有意義嘅生理結構，完全唔需要靠人手標註嘅訓練數據——呢點喺健康 AI 領域好重要，因為有標籤嘅臨床數據往往好難搵又製作成本好高。

喺三星 Connected Care 願景入面嘅角色

喺 2026 年 7 月嘅 Galaxy Unpacked 發佈會上，三星介紹咗佢哋嘅 Connected Care 策略，目標係由以前用人口平均數嚟衡量健康，轉為靠裝置上嘅 AI 做預防性、個人化嘅健康監測 。三星嘅 Pak 博士形容健康基礎模型係關鍵嘅推動力，佢話呢啲模型可以透過自我監督學習，從每個人嘅生物訊號入面提取有意義嘅特徵，令健康管理「由人口平均數變成真正個人化」。

xMAE 同 HiMAE 就係三星研究院實現呢個願景嘅頭兩個具體模型：佢哋全部喺智能手錶上運行（唔使雲端），可以學習用戶特有嘅生理模式，而且可以直接喺裝置上面微調去做血壓估計、心律不正檢測同睡眠分析呢類任務 。呢兩個模型一齊代表咗一個實質嘅進展，令到可穿戴健康 AI 可以既保護私隱，又可以持續可用，就算冇網絡連線都得。

兩個模型點樣運作

xMAE：學識心臟電訊號同光學訊號之間嘅時間關係

xMAE 係一個懂生理學嘅模型，專門學習兩類心臟生物訊號——ECG（心電圖，即心臟嘅電活動）同 PPG（光電容積脈搏波，即智能手錶用光學感應器量度嘅脈搏波）——之間嘅時間關係 。佢用嘅係一種「定向交叉注意力」機制：預訓練嗰陣，模型會逐步遮蓋心電圖嘅連續片段，然後靠同步記錄嘅光電容積脈搏波數據去重構返啲遮蓋咗嘅部分 。簡單講，光電容積脈搏波嘅數據做「鎖匙同價值」，心電圖嘅數據做「查詢」，呢個設計係跟返生理學嘅事實：心臟嘅電活動（心電圖）係驅動周邊脈搏波（光電容積脈搏波）嘅源頭 。

xMAE 用咗大約 9,400 小時、來自約 2,400 位受試者嘅配對心電圖-光電容積脈搏波數據做預訓練。之後佢哋用六項研究涵蓋嘅 19 個下游任務（包括高血壓預測、早搏檢測、睡眠階段分類同血液指標估算等）進行評估，結果 xMAE 喺其中 15 個任務嘅 AUROC 指標上都贏過所有之前嘅開源基礎模型 。有個好實用嘅重點：預訓練完成之後，模型會摺埋心電圖個分支，淨係用光電容積脈搏波嚟做推論，咁樣先適合放喺可穿戴裝置上面用 。

HiMAE：按時間尺度分層分析健康模式

HiMAE（分層遮罩自編碼器）就用咗另一種策略：佢會用一個分層卷積編碼-解碼器，將可穿戴裝置收集到嘅時間序列數據——心跳、睡眠階段、活動模式——分做 多個時間解析度嚟分析 。唔係全部時間尺度都倒模咁處理，HiMAE 能夠發現唔同解析度嘅特定結構：長啲嘅時間尺度睇到較粗略嘅模式（例如睡眠/清醒週期），短啲嘅時間尺度就捉到細微嘅模式（例如逐吓心跳）。呢個模型喺智能手錶嘅處理器上面做到 亞毫秒級推論，即係推論速度快過一千分之一秒，所以可以持續喺裝置上面做分析，完全唔使將數據傳上雲端 。

兩個模型嘅共通點：自我監督學習

xMAE 同 HiMAE 都屬於 遮罩自編碼器（MAE），用嘅係 自我監督學習 方法，喺冇標籤嘅生物訊號數據上進行訓練 。核心原理好簡單但好強大：遮蓋輸入訊號嘅一部分，然後訓練模型重構返佢。咁樣模型就可以學到有意義嘅生理結構，完全唔需要靠人手標註嘅訓練數據——呢點喺健康 AI 領域好重要，因為有標籤嘅臨床數據往往好難搵又製作成本好高。

喺三星 Connected Care 願景入面嘅角色

喺 2026 年 7 月嘅 Galaxy Unpacked 發佈會上，三星介紹咗佢哋嘅 Connected Care 策略，目標係由以前用人口平均數嚟衡量健康，轉為靠裝置上嘅 AI 做預防性、個人化嘅健康監測 。三星嘅 Pak 博士形容健康基礎模型係關鍵嘅推動力，佢話呢啲模型可以透過自我監督學習，從每個人嘅生物訊號入面提取有意義嘅特徵，令健康管理「由人口平均數變成真正個人化」。

xMAE 同 HiMAE 就係三星研究院實現呢個願景嘅頭兩個具體模型：佢哋全部喺智能手錶上運行（唔使雲端），可以學習用戶特有嘅生理模式，而且可以直接喺裝置上面微調去做血壓估計、心律不正檢測同睡眠分析呢類任務 。呢兩個模型一齊代表咗一個實質嘅進展，令到可穿戴健康 AI 可以既保護私隱，又可以持續可用，就算冇網絡連線都得。