Samsung: alapmodellek segíthetik a viselhető eszközök egészségügyi AI-ját

Egészségügyi alapmodellek bioszignálokra

A Samsung közleménye szerint az AI-t egyre szélesebb körben használják az olyan viselhető eszközök, például okosórák által mért bioszignálok elemzésére. Az alvásból, pulzusból és fizikai aktivitásból származó mintázatok az egészségi állapot jobb megértését és kezelését segíthetik.

A vállalat a Galaxy Unpacked July 2026 eseményhez kapcsolódó Health Forumon a Connected Care vízióját is bemutatta. Ennek lényege a Samsung megfogalmazása szerint az, hogy a digitális egészségügy a reaktív kezeléstől a megelőző, személyre szabott és összekapcsolt élmények felé mozduljon, megbízható egészségügyi innovációval és az egészségügyi ökoszisztémán belüli partnerségekkel támogatva.

Ebben a keretben jelennek meg az egészségügyi alapmodellek. A Samsung meghatározása szerint egy ilyen modell önfelügyelt tanulással (self-supervised learning) tanul értelmes jellemzőket címkézetlen bioszignáladatokból. Nagy léptékű egészségügyi adatokon végzett előtanítás után a modellek többféle későbbi feladatra használhatók, például bioszignálelemzésre, új vagy javított biomarkerek fejlesztésére és egészségügyi problémák előrejelzésére.

xMAE: PPG-ből tanulna pontosabb szív-érrendszeri jeleket

Az xMAE teljes neve Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning. A modell célja, hogy megtanulja a különböző bioszignálok közötti időbeli kapcsolatot, különösen az elektrokardiogram (ECG) és a fotopletizmográfia (PPG) között.

A Samsung leírása szerint a viselhető eszközökön végzett ECG közvetlenül méri a szív elektromos aktivitását, hasznos a pulzus és a pulzusszám-variabilitás mérésére, valamint a kóros szívritmus és olyan állapotok kockázatának azonosítására, mint a pitvarfibrilláció. Az ECG pontos, de jellemzően megköveteli, hogy a felhasználó megálljon és aktív mérést indítson.

A PPG ezzel szemben a véráramlás változásain keresztül, közvetetten méri a szívműködést, és az okosórákhoz hasonló viselhető eszközök szenzoraival passzívan, folyamatosan mérhető. A két jel ugyanabból a szívműködésből ered, de időben eltolódva jelenik meg. A Samsung hasonlata szerint ez olyan, mint amikor a villámlást a mennydörgés később követi.

Az xMAE előtanítási keretrendszer a könnyebben és folyamatosan mérhető PPG-jelből rekonstruálja az ECG-jel kitakart részeit. A Samsung szerint ennek eredményeként a szív-érrendszeri egészséghez kapcsolódó jellemzők pontosabban elemezhetők PPG alapján, külön kézi ECG-mérés nélkül.

A kutatók az xMAE-t körülbelül 9 400 óra ECG- és PPG-adaton tanították elő. A modell 19 értékelési feladatból 15-ben múlta felül az egymodális bioszignálmodelleket és a meglévő multimodális tanulási módszereket. A feladatok között szerepelt szív-érrendszeri betegség előrejelzése, rendellenes teszteredmény észlelése és alvásfázis-osztályozás. A tanulmány a Samsung szerint azt is jelezte, hogy a megtanult jellemzők különböző szenzorokon, testhelyzeteken és adatgyűjtési környezeteken át is használhatók lehetnek.

HiMAE: több idősíkon elemezné az egészségügyi adatokat

A HiMAE, vagyis Hierarchical Masked Autoencoder, a viselhető idősoros adatokban lévő egészségügyi mintázatokat több idősíkon próbálja megérteni. A Samsung példája szerint a rövid szakaszok gyorsan változó jeleket, például szívveréseket mutathatnak meg, míg a hosszabb szakaszok idővel felhalmozódó mintázatokat, például alvást vagy fizikai aktivitást tárhatnak fel.

A modell önfelügyelt tanulással hoz létre reprezentációkat a viselhető eszközök adataiból. Több kódolót használ, amelyek külön elemzik a rövid és hosszú szakaszokat. Ez lehetővé teszi, hogy a modell az adott egészségügyi feladathoz, például pulzuselemzéshez vagy alvás-előrejelzéshez szükséges információt a megfelelő idősíkon azonosítsa.

A tanítás során a HiMAE a kitakart adatrészeket rekonstruálja, így akkor is megtanulhat kulcsmintázatokat a bioszignálokból, ha kevés címkézett adat áll rendelkezésre. A Samsung szerint egyetlen előtanított HiMAE modell osztályozást, numerikus előrejelzést és adatgenerálást is kezel.

A közlemény alapján a modell nagy teljesítményt ért el, miközben kisebb volt a meglévő modelleknél. A számítási hatékonyságot olyan szintre javította, hogy egy okosóra-osztályú központi feldolgozóegységen (CPU) kevesebb mint egy milliszekundum alatt képes eredményt adni. A Samsung állítása szerint a HiMAE először mutatja meg az eszközön futó egészségügyi alapmodellek lehetőségét, vagyis azt, hogy nyers egészségügyi jeleket valós időben, felhőszerverek nélkül elemezzenek.

Mit jelenthet ez a felhasználóknak és a piacnak?

A Samsung Research America kutatóinak xMAE-ről szóló munkáját az International Conference on Machine Learning (ICML), a HiMAE-ről szóló munkát pedig az International Conference on Learning Representations (ICLR) fogadta be. A Samsung szerint ez a kutatás jelentőségét mutatja.

A két modell közös célja, hogy egyetlen előtanított modellből sokféle egészségügyi feladatra általánosítható, pontos, folyamatos és személyre szabott egészségügyi betekintéseket adjon. Az xMAE a különböző bioszignálok, különösen az ECG és a PPG kapcsolatát használja ki, a HiMAE pedig az időbeli mintázatokat több léptékben elemzi.

A felhasználói oldalról a forrás alapján a legfontosabb irány a passzívabb, folyamatosabb egészségügyi megértés lehet. A PPG-alapú elemzés külön kézi ECG-mérés nélkül is több szív-érrendszeri információt tehet elérhetővé, míg az eszközön futó elemzés a Samsung szerint valós idejű feldolgozást kínálhat felhőszerverek használata nélkül.

A piaci jelentőség abból következik, hogy a Samsung ezeket a modelleket a Connected Care elképzelés részeként mutatja be. A hangsúly a viselhető eszközökön mért adatokból származó, személyre szabottabb egészségügyi iránymutatásokon van, amelyeket a vállalat a digitális egészségügy következő szakaszához kapcsol.