L’équipe de santé numérique de Samsung Research America a présenté deux modèles de base d’IA conçus pour apprendre des biosignaux portables. Le travail se concentre sur les données capturées par les montres intelligentes, notamment l’activité cardiaque, le sommeil et l’activité physique.
La société a discuté de sa vision des soins connectés lors du Health Forum lors de Galaxy Unpacked en juillet 2026. Samsung a décrit un avenir de soins préventifs, personnalisés et connectés, soutenus par la technologie de la santé et des partenariats de soins de santé. Son équipe de recherche positionne les modèles de base de la santé comme une composante des nouvelles expériences de santé des consommateurs.
Sharanya Desai, responsable des algorithmes de santé numérique chez Samsung Research America, a déclaré : « Cette recherche est importante car elle jette les bases techniques pour fournir des informations sur la santé qui sont efficaces, précises et continues grâce à un modèle de base de santé.
« Nous continuerons à développer et à faire progresser des modèles de base pour la santé qui peuvent être appliqués à une variété de biosignaux et de fonctionnalités de santé qui peuvent fonctionner sur un appareil avec des capteurs et des ressources informatiques limités. »
Recherche sur le modèle de base de l’IA en matière de santé de Samsung
Un modèle de base de santé utilise l’apprentissage auto-supervisé pour identifier les caractéristiques des données de biosignaux non étiquetées. Samsung affirme que la pré-formation sur de grands ensembles de données de santé permet à un modèle de prendre en charge des tâches en aval telles que l’analyse des biosignaux, le développement de biomarqueurs et la prédiction des problèmes de santé.
La recherche couvre deux modèles avec des objectifs différents. xMAE, abréviation de Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, apprend les relations temporelles entre différents biosignaux. HiMAE, ou Hierarchical Masked Autoencoder, apprend les modèles de santé sur plusieurs échelles de temps dans des données de séries chronologiques portables.
Samsung affirme que xMAE a été accepté à la Conférence internationale sur l’apprentissage automatique. HiMAE a été accepté à la Conférence internationale sur les représentations d’apprentissage. La société décrit à la fois des travaux sur les relations physiologiques et les structures temporelles dans les données de biosignaux.
Les modèles abordent différentes parties de l’analyse des données portables. xMAE connecte deux signaux cardiaques qui mesurent l’activité associée via différents mécanismes. HiMAE analyse les données à intervalles courts et longs, permettant à un modèle pré-entraîné de prendre en charge la classification, la prédiction numérique et la génération de données.
xMAE relie les données PPG continues aux signaux ECG
Les électrocardiogrammes, ou ECG, mesurent directement l’activité électrique du cœur. Samsung décrit l’ECG comme utile pour mesurer la fréquence cardiaque et la variabilité de la fréquence cardiaque. Il peut également identifier les rythmes cardiaques anormaux et les risques associés à des affections telles que la fibrillation auriculaire.
Les lectures ECG portables nécessitent généralement qu’un utilisateur fasse une pause et prenne une mesure active. La photopléthysmographie, ou PPG, adopte une approche différente. PPG détecte les changements dans le flux sanguin et peut fonctionner passivement via les capteurs des appareils portables tels que les montres intelligentes.
Les deux signaux proviennent de l’activité cardiaque. Ils se produisent avec un décalage horaire, que Samsung compare à entendre le tonnerre après avoir vu des éclairs. xMAE apprend cette relation temporelle en reconstruisant les parties masquées d’un signal ECG à partir des données PPG.
Cette conception vise à analyser les caractéristiques de santé cardiovasculaire grâce à des données PPG mesurées en continu sans mesures ECG manuelles séparées. Le pré-entraînement du modèle a utilisé environ 9 400 heures de données ECG et PPG.
Subbu Venkatraman, responsable du laboratoire de recherche en santé numérique chez Samsung Research America, a commenté : « Les biosignaux sont intrinsèquement dynamiques, avec des propriétés physiologiques uniques qui varient dans le temps. La contribution clé de cette recherche réside dans la preuve de la viabilité de modèles de base de la santé capables de capturer à la fois les relations inter-signaux et leurs structures temporelles sous-jacentes.
« Nous restons déterminés à faire progresser la recherche fondamentale sur l’IA en santé et à la traduire en solutions de soins de santé qui améliorent de manière significative la santé et le bien-être des personnes. »
Samsung rapporte que xMAE a surpassé les modèles de biosignaux unimodaux et les méthodes d’apprentissage multimodales existantes dans 15 des 19 tâches d’évaluation. Ces tâches couvraient la prédiction des maladies cardiovasculaires, la détection des résultats de tests anormaux et la classification des stades de sommeil. La société affirme également que les fonctionnalités apprises ont montré un potentiel d’utilisation sur les capteurs, les emplacements du corps et les environnements de collecte de données.
HiMAE analyse les données portables sur plusieurs échelles de temps
Les données portables peuvent contenir différentes informations sur différentes périodes. Des segments courts peuvent afficher des signaux évoluant rapidement, tels que des battements de cœur. Des segments plus longs peuvent révéler des schémas qui se développent au fil du temps, comme le sommeil ou l’activité physique.
HiMAE utilise plusieurs encodeurs pour analyser séparément les segments de données courts et longs. Samsung affirme que cet arrangement permet au modèle d’identifier l’échelle de temps nécessaire à une tâche de santé. L’analyse de la fréquence cardiaque et la prévision du sommeil peuvent donc s’appuyer sur différentes parties des données chronologiques.
Le procédé de formation reconstruit des parties masquées de données portables. Samsung affirme que cela permet à HiMAE d’apprendre des modèles à partir de signaux biologiques où les données étiquetées sont limitées. Le modèle prend ensuite en charge la classification, la prédiction numérique et la génération de données à partir d’un seul système pré-entraîné.
Samsung affirme que HiMAE a atteint des performances élevées avec un modèle plus petit que les modèles existants. La société rapporte également qu’elle peut produire des résultats en moins d’une milliseconde sur une unité centrale de traitement de type montre intelligente.
Cette revendication de traitement place l’analyse du modèle sur l’appareil plutôt que sur des serveurs cloud. Les modèles de base formés sur des flux physiologiques non étiquetés fournissent un mécanisme permettant d’extraire des marqueurs de diagnostic, d’exécuter des classifications prédictives de santé et de générer des conseils utilisateur à partir du matériel grand public, le tout sans connectivité continue du serveur.
