Моделі ШІ Samsung для здоров’я аналізують дані біосигналів із носимих пристроїв

Samsung Research America представила дві фундаментальні моделі ШІ, розроблені для навчання на біосигналах із носимих пристроїв. Робота зосереджена на даних, які збирають розумні годинники, зокрема про серцеву активність, сон і фізичну активність.

У липні 2026 року під час Galaxy Unpacked компанія розповіла про своє бачення Connected Care на Health Forum. Samsung описала майбутнє профілактичної, персоналізованої та взаємопов’язаної медичної допомоги, яку підтримують технології охорони здоров’я та партнерства у сфері медицини. Дослідницька команда компанії розглядає фундаментальні моделі для охорони здоров’я як один зі складників нових споживчих медичних сервісів.

Шаранья Десаї, керівниця напряму алгоритмів цифрової охорони здоров’я в Samsung Research America, сказала: «Це дослідження має важливе значення, оскільки закладає технічну основу для надання ефективної, точної та безперервної інформації про стан здоров’я за допомогою фундаментальної моделі для охорони здоров’я.

«Ми й надалі розроблятимемо та вдосконалюватимемо фундаментальні моделі для охорони здоров’я, які можна застосовувати до різноманітних біосигналів і функцій моніторингу здоров’я, а також запускати безпосередньо на пристрої за обмеженої кількості датчиків і обчислювальних ресурсів».

Дослідження фундаментальних моделей ШІ для охорони здоров’я від Samsung

Фундаментальна модель для охорони здоров’я використовує самокероване навчання для виявлення ознак у немаркованих біосигнальних даних. У Samsung зазначають, що попереднє навчання на великих наборах даних про здоров’я дає змогу одній моделі виконувати подальші завдання, як-от аналіз біосигналів, розроблення біомаркерів і прогнозування проблем зі здоров’ям.

Дослідження охоплює дві моделі з різними цілями. xMAE, скорочено від Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, вивчає часові взаємозв’язки між різними біосигналами. HiMAE, або ієрархічний маскований автокодувальник, вивчає закономірності здоров’я на різних часових масштабах у часових рядах даних із носимих пристроїв.

Samsung повідомляє, що xMAE була прийнята до Міжнародної конференції з машинного навчання. HiMAE була прийнята до Міжнародної конференції з представлення даних у навчанні. Компанія описує обидві моделі як дослідження фізіологічних взаємозв’язків і часових структур у біосигнальних даних.

Моделі охоплюють різні аспекти аналізу даних із носимих пристроїв. xMAE поєднує два серцеві сигнали, які вимірюють пов’язану активність за допомогою різних механізмів. HiMAE аналізує дані на коротких і тривалих інтервалах, завдяки чому одна попередньо навчена модель може підтримувати класифікацію, числове прогнозування та генерування даних.

xMAE пов’язує безперервні дані PPG із сигналами ЕКГ

Електрокардіограми, або ЕКГ, безпосередньо вимірюють електричну активність серця. Samsung описує ЕКГ як корисний інструмент для вимірювання частоти серцевих скорочень і варіабельності серцевого ритму. Вона також може виявляти аномальні серцеві ритми та ризики, пов’язані з такими станами, як фібриляція передсердь.

Для зняття показників ЕКГ на носимих пристроях зазвичай потрібно, щоб користувач зупинився й активував вимірювання. Фотоплетизмографія, або PPG, використовує інший підхід. PPG виявляє зміни кровотоку та може пасивно працювати через датчики в носимих пристроях, таких як розумні годинники.

Обидва сигнали походять від серцевої активності. Вони виникають із часовою різницею, яку Samsung порівнює зі звуком грому після спалаху блискавки. xMAE вивчає цей часовий взаємозв’язок, відновлюючи замасковані частини сигналу ЕКГ за даними PPG.

Ця конструкція має на меті аналізувати показники серцево-судинного здоров’я за даними PPG, які вимірюються безперервно, без окремих ручних вимірювань ЕКГ. Для попереднього навчання моделі було використано близько 9400 годин даних ЕКГ і PPG.

Суббу Венкатраман, керівник лабораторії досліджень цифрової охорони здоров’я в Samsung Research America, прокоментував: «Біосигнали за своєю природою є динамічними та мають унікальні фізіологічні властивості, що змінюються з часом. Ключовий внесок цього дослідження полягає в доведенні життєздатності фундаментальних моделей для охорони здоров’я, здатних охоплювати як взаємозв’язки між сигналами, так і їхні базові часові структури.

«Ми й надалі прагнемо розвивати фундаментальні дослідження у сфері ШІ для охорони здоров’я та перетворювати їх на медичні рішення, які суттєво покращують здоров’я і добробут людей».

Samsung повідомляє, що xMAE перевершила одномодальні моделі біосигналів і наявні методи мультимодального навчання у 15 із 19 оцінюваних завдань. Ці завдання охоплювали прогнозування серцево-судинних захворювань, виявлення аномальних результатів аналізів і класифікацію стадій сну. Компанія також зазначає, що вивчені ознаки продемонстрували потенціал для використання на різних сенсорних пристроях, ділянках тіла та в різних середовищах збору даних.

HiMAE аналізує дані з носимих пристроїв на різних часових масштабах

Дані з носимих пристроїв можуть містити різну інформацію залежно від періоду часу. Короткі фрагменти можуть показувати сигнали, що швидко змінюються, наприклад серцеві скорочення. Довші фрагменти можуть виявляти закономірності, що формуються з часом, як-от сон або фізична активність.

HiMAE використовує кілька кодерів для окремого аналізу коротких і довгих фрагментів даних. Samsung стверджує, що така конфігурація дає змогу моделі визначати часовий масштаб, необхідний для виконання завдання, пов’язаного зі здоров’ям. Отже, аналіз частоти серцевих скорочень і прогнозування сну можуть спиратися на різні частини даних часового ряду.

Метод навчання відновлює замасковані частини даних із носимих пристроїв. У Samsung зазначають, що це дає HiMAE змогу вивчати закономірності біосигналів за обмеженої кількості маркованих даних. Після цього модель підтримує класифікацію, числове прогнозування та генерування даних на основі однієї попередньо навченої системи.

Samsung повідомляє, що HiMAE продемонструвала високу продуктивність, будучи меншою за наявні моделі. Компанія також зазначає, що модель може генерувати результати менш ніж за одну мілісекунду на центральному процесорі рівня розумного годинника.

Це твердження щодо обробки означає, що аналіз моделі відбувається на пристрої, а не на хмарних серверах. Фундаментальні моделі, навчені на немаркованих фізіологічних потоках, забезпечують механізм для вилучення діагностичних маркерів, виконання прогнозної класифікації стану здоров’я та генерування рекомендацій для користувачів зі споживчого обладнання — і все це без постійного підключення до сервера.

Дивіться також: Медичний коуч Google на основі ШІ використовуватиме дані про рівень глюкози від Abbott

Хочете дізнатися більше про ШІ та великі дані від лідерів галузі? Відвідайте AI & Big Data Expo, що відбудеться в Амстердамі, Каліфорнії та Лондоні. Цей масштабний захід є частиною TechEx і проходитиме одночасно з іншими провідними технологічними заходами, зокрема з Cyber Security & Cloud Expo. Натисніть тут, щоб дізнатися більше.

AI News працює за підтримки TechForge Media. Ознайомтеся з іншими майбутніми заходами та вебінарами у сфері корпоративних технологій тут.