Samsung 發表 xMAE 與 HiMAE：可在智慧手錶上離線分析生物訊號的健康 AI 模型

xMAE 使用了約 9,400 小時的配對 ECG-PPG 數據進行預訓練，數據來自約 2,400 名受試者。隨後，它在六項研究、涵蓋 19 項下游任務（包括高血壓預測、異位心跳偵測、睡眠分期與血液檢驗值估算）中接受評估。結果顯示，以 AUROC 指標衡量，該模型在 19 項任務中有 15 項表現優於所有先前的開源基礎模型 。一個關鍵的實用洞見是：預訓練完成後，ECG 分支會被移除，模型僅靠 PPG 即可運作，使其非常適合部署在穿戴式裝置上 。

HiMAE：跨時間尺度的層級式分析

HiMAE（層級式遮罩自動編碼器）則採取了不同的方法：它使用層級式卷積編碼器-解碼器，分析穿戴式裝置的時間序列數據——包括心跳、睡眠階段與活動模式——並跨越多種時間解析度進行處理 。HiMAE 並非對所有時間尺度一視同仁，而是發掘各解析度特有的結構：在較長的時間尺度上找出粗略模式（例如睡眠/清醒週期），在較短的時間尺度上則找出細微模式（例如單次心跳）。該模型可在智慧手錶 CPU 上達到亞毫秒級的推論速度，實現持續的裝置端分析，無需將資料傳送到雲端 。

共享的自監督學習方法

xMAE 與 HiMAE 皆為遮罩自動編碼器（MAE），並採用自監督學習的方式，在未標記的生物訊號數據上進行訓練 。其核心概念簡單而強大：遮蓋部分輸入訊號，然後訓練模型將其重建。這使得模型能夠捕捉有意義的生理結構，而無需依賴人工標記的訓練數據——這在健康 AI 領域是一項關鍵優勢，因為臨床標記數據不僅稀缺，且取得成本高昂。

在 Samsung Connected Care 願景中的角色

在 2026 年 7 月的 Galaxy Unpacked 活動中，Samsung 推出了 Connected Care 策略，從過去以群體平均為基礎的健康指標，轉向由裝置端 AI 驅動的預防性、個人化健康監測 。Dr. Pak 將健康基礎模型描述為實現此願景的關鍵——透過自監督學習，從每個人的生物訊號中提取有意義的特徵，從而「從群體平均值邁向真正的個人化」。

xMAE 與 HiMAE 是 Samsung 研究團隊實現此願景的首批具體模型：它們完全在智慧手錶本機運作（不需雲端），能學習使用者特有的生理模式，並可直接在裝置上微調以執行血壓估算、心律不整偵測與睡眠分析等任務 。總而言之，這兩款模型代表著穿戴式健康 AI 朝向兼具隱私性與持續可用性——無需網路連線——邁出了實際的一步。