नए सैमसंग हेल्थ एआई मॉडल पहनने योग्य उपकरणों से शरीर के संकेतों को समझने के लिए सीखते हैं
सैमसंग रिसर्च अमेरिका ने दो फाउंडेशनल एआई मॉडल पेश किए जो स्मार्टवॉच डेटा - हृदय संकेतों, नींद और गतिविधि से सीखते हैं। वे स्वास्थ्य विश्लेषण को अधिक सटीक बनाने में मदद करते हैं और सीधे डिवाइस पर ही चलाते हैं।.

नई सैमसंग हेल्थ एआई मॉडल पहनने योग्य से बॉडी सिग्नल को समझने के लिए जानें
सैमसंग निवारक दवा पर दांव लगा रहा है, और कृत्रिम बुद्धि में ताजा विकास उस क्षण को करीब लाने की उम्मीद है। सैमसंग रिसर्च अमेरिका के अनुसंधान प्रभाग ने स्मार्टवॉच और अन्य पहनने योग्य उपकरणों द्वारा एकत्र किए गए बायोसिग्नल का विश्लेषण करने के लिए डिज़ाइन किए गए दो मूलभूत एआई मॉडल पेश किए हैं। ये मॉडल सिर्फ मीट्रिक रिकॉर्ड करने के लिए नहीं हैं, लेकिन उनमें से उपयोगी स्वास्थ्य अंतर्दृष्टि निकालने के लिए - लगातार और मानव हस्तक्षेप के बिना।
यह काम व्यापक कनेक्टेड केयर अवधारणा का हिस्सा है कि सैमसंग ने 2026 जुलाई को हेल्थ फोरम में चर्चा की। विचार यह है कि पहनने योग्य, पारंपरिक चिकित्सा और साथी सेवाओं से डेटा को गंभीर होने से पहले समस्याओं का अनुमान लगाने में सक्षम एकल प्रणाली में जोड़ा जा सकता है। नए मॉडल इस दृष्टिकोण के लिए तकनीकी नींव हैं: वे यह समझने के लिए सीखते हैं कि कैसे अलग-अलग शरीर संकेत एक दूसरे से संबंधित हैं, और डिवाइस पर सीधे ऐसा करने के लिए।

क्यों पारंपरिक एल्गोरिदम बायोसिग्नल के साथ कम हो जाते हैं
पहनने योग्य से डेटा सिर्फ चरण गिनती और हृदय गति नहीं है। इसमें जटिल समय श्रृंखला शामिल है, जिसमें इलेक्ट्रोकार्डियोग्राम (ईसीजी), फोटोप्लेथिसमोग्राम (पीपीजी), नींद चरण की जानकारी और मोटर गतिविधि शामिल है। इस तरह के संकेत अत्यधिक संदर्भ-निर्भर हैं: समान हृदय गति का मतलब तनाव, शारीरिक परिश्रम, या हो सकता है। बीमारी की शुरुआत। इन सभी बारीकियों पर प्रशिक्षण शास्त्रीय मॉडल मुश्किल है- खासकर जब लेबल मेडिकल डेटा दुर्लभ है।
यही कारण है कि शोधकर्ताओं ने बदल दिया आत्म-पर्यवेक्षित सीखनेमॉडल खुद को अनलेबल डेटा की बड़ी मात्रा में पैटर्न ढूंढता है, और इन अंतर्दृष्टि को तब विशिष्ट कार्यों पर लागू किया जा सकता है - जैसे कि कार्डियोवैस्कुलर जोखिम की भविष्यवाणी करना या नींद के चरणों को वर्गीकृत करना। यह दृष्टिकोण पहले से ही पाठ और छवि प्रसंस्करण में सफल साबित हुआ है, और अब इसे बायोसिग्नल के लिए अनुकूलित किया जा रहा है।
एक्सएमएई मॉडल: पल्स के माध्यम से दिल को देखने के लिए सीखना
पहले मॉडल को xMAE (Physiology-Aware Masked Cross-Modal Rebuild) कहा जाता है। इसकी मुख्य विशेषता विभिन्न प्रकार के संकेतों को जोड़ने की क्षमता है। विशेष रूप से, xMAE निरंतर PPG डेटा और ईसीजी संकेतों के बीच संबंध सीखता है।
एक अनुस्मारक के रूप में: ईसीजी सीधे हृदय की विद्युत गतिविधि को मापता है और लय, परिवर्तनशीलता का आकलन करने और एट्रियल फिब्रिलेशन जैसे विसंगतियों का पता लगाने की अनुमति देता है। लेकिन पहनने योग्य पर, ईसीजी लेने के लिए एक इलेक्ट्रोड पर उंगली को रोकने और रखने की आवश्यकता होती है - यह निष्क्रिय रूप से काम नहीं करता है। पीपीजी, दूसरी ओर, लगातार एक ऑप्टिकल सेंसर के माध्यम से रक्त प्रवाह में परिवर्तन को मापता है। हालांकि, दिल के विद्युत आवेग और नाड़ी तरंग के बीच एक देरी है - जैसे बिजली और कमजोर के बीच का अंतर। चुनौती यह है कि कैसे दूसरे से एक संकेत को फिर से तैयार किया जाए।
एक्सएमएई इस समस्या को हल करता है: यह पीपीजी डेटा से ईसीजी के "मस्केड" सेगमेंट का पुनर्निर्माण करना सीखता है। मॉडल को एक साथ ईसीजी और पीपीजी रिकॉर्डिंग के लगभग 9,400 घंटे पर रोका गया था। नतीजतन, मॉडल अलग मैनुअल माप की आवश्यकता के बिना निरंतर PPG से कार्डियोवैस्कुलर विशेषताओं का अनुमान लगा सकता है। यह उपयोगकर्ता के लिए लगभग अदृश्य हृदय की निगरानी करता है।

परीक्षण में, xMAE ने 19 मूल्यांकन कार्यों में से 15 में यूनिमोडल मॉडल और कई मौजूदा मल्टीमोडल लर्निंग दृष्टिकोण का प्रदर्शन किया। इन कार्यों में हृदय रोग की भविष्यवाणी, असामान्य प्रयोगशाला परिणामों का पता लगाने और नींद चरणों का निर्धारण शामिल है। इसके अलावा, सीखा सुविधाओं ने डिवाइस और सेंसर प्लेसमेंट में बदलाव के लिए मजबूत साबित किया, जो विभिन्न पहनने योग्य गैजेट्स में एक एकीकृत मॉडल के लिए मार्ग प्रशस्त किया।
HiMAE मॉडल: एकाधिक समय पैमाने पर कॉम्पैक्ट विश्लेषण
दूसरा मॉडल-HiMAE (Hierarchical Masked Autoencoder)-एक अलग चुनौती पता चलता है। विभिन्न दरों पर बायोसिग्नल परिवर्तन: दिल की लय हर दूसरे को उतारती है, जबकि नींद के पैटर्न मिनटों और घंटों में सामने आते हैं। दोनों प्रकार के पैटर्न को कैप्चर करने के लिए, HiMAE कई एनकोडरों का उपयोग करता है जो अलग-अलग छोटे और लंबे डेटा सेगमेंट का विश्लेषण करते हैं। यह मॉडल को उचित समय के पैमाने के अनुकूल होने की अनुमति देता है - उदाहरण के लिए, हृदय गति परिवर्तनशीलता का विश्लेषण या नींद की गुणवत्ता की भविष्यवाणी करता है।
HiMAE का प्रशिक्षण भी मास्क्ड डेटा टुकड़ों को पुनर्निर्माण करने पर बनाया जाता है, इसलिए इसे एक बड़े लेबल डेटासेट की आवश्यकता नहीं होती है। उसी समय, एक एकल पूर्व निर्धारित मॉडल विभिन्न प्रकार के कार्यों को संभाल सकता है: वर्गीकरण, संख्यात्मक भविष्यवाणी, और यहां तक कि डेटा पीढ़ी।
HiMAE का मुख्य लाभ दक्षता है। यह मौजूदा विकल्पों की तुलना में एक छोटे मॉडल आकार के साथ उच्च सटीकता प्राप्त करता है और स्मार्टवॉच-क्लास प्रोसेसर पर 1 मिलीसेकेंड के तहत गणना करता है। इसका मतलब यह है कि विश्लेषण वास्तव में बादल को डेटा भेजने के बिना ऑन-डिवाइस चला सकता है। उपयोगकर्ता के लिए, यह गोपनीयता और तत्काल प्रतिक्रिया का अनुवाद करता है - उदाहरण के लिए, एक असामान्य हृदय ताल के लिए।
आगे क्या है
सैमसंग रिसर्च अमेरिका में डिजिटल स्वास्थ्य एल्गोरिदम के प्रमुख शारानी देसाई के अनुसार, ये मॉडल सिर्फ नींव हैं। भविष्य में, दृष्टिकोण को सीमित सेंसर और कम्प्यूटेशनल संसाधनों वाले उपकरणों पर काम करने के लिए जारी रखते हुए अन्य बायोसिग्नल और स्वास्थ्य सुविधाओं तक बढ़ाया जाएगा। डिजिटल स्वास्थ्य अनुसंधान प्रयोगशाला के प्रमुख सुबू वेंकैट्रामैन ने कहा कि काम का प्रमुख योगदान संकेतों और अस्थायी संरचनाओं के बीच संबंधों को कैप्चर करने के लिए स्वास्थ्य फाउंडेशन मॉडल की व्यवहार्यता का प्रदर्शन कर रहा है।
दोनों मॉडलों को प्रतिष्ठित सम्मेलनों-आईसीएमएल (xMAE) और आईसीएलआर (HiMAE) में प्रकाशन के लिए स्वीकार किया गया है - काम के वैज्ञानिक महत्व को रेखांकित करते हुए। लेकिन सबसे महत्वपूर्ण बात यह है कि यह पहनने योग्य की ओर एक कदम सिर्फ एक कदम काउंटर से अधिक हो रहा है, जो एक व्यक्तिगत स्वास्थ्य सहायक में विकसित हो रहा है जो व्यक्ति को करने से पहले समस्याओं को नोटिस करता है।

अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
उम्मीदवारों का सत्यापन उन्हें उत्पन्न करने से अधिक महँगा है: LLM-आधारित भेद्यता खोज के विरुद्ध प्रलोभन
इस काम में एजेंट-आधारित दोष खोज की लागत संबंधी विषमता का विश्लेषण किया गया है: संस्करण बनाना सस्ता है, जबकि पहुँच-योग्यता विश्लेषण, निष्पादन और PoC के ज़रिए उनकी पुष्टि करने में अधिकांश बजट खर्च होता है। इसलिए सत्यापन को रक्षा का एक स्वतंत्र लक्ष्य बनाया जा सकता है। प्रस्तावित RedHerring—रिपॉज़िटरी के अनुरूप ढाली गई, सीलबंद प्रमाणपत्र वाली decoy—ने समान लागत पर 33 OSS-Fuzz परियोजनाओं में पाई गई वास्तविक कमज़ोरियों की संख्या 38.7–60.4% तक घटा दी; एजेंट को चेतावनी देने के बाद भी यह गिरावट 37.2% पर बनी रही।
9 नवम्बर 2026
बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच
यह काम जाँचता है कि क्या LLM मतिभ्रम का पता लगाने के लिए बिना पर्यवेक्षण के स्रोत से जोड़ने हेतु एक बुनियादी प्रतीकात्मक कौशल—स्रोत दस्तावेज़ों के आधार पर SQL डेटाबेस बनाना—का उपयोग कर सकता है। RAGTruth और DiaHalu पर यह न्यूरो-सिम्बॉलिक पाइपलाइन सीधे भविष्यवाणी करने से अधिक सटीक साबित होती है और अत्याधुनिक तरीकों के बराबर प्रदर्शन करती है, जबकि इसके लिए डोमेन-विशिष्ट फ़ाइन-ट्यूनिंग की आवश्यकता नहीं होती।
9 नवम्बर 2026
MathAdv: मशीन-निर्मित प्रमाणों की अंतिम सटीकता के पीछे क्या छिपा है?
गणित के 13 स्नातक और स्नातकोत्तर विषयों के कार्यों का यह नैदानिक समूह Lean 4 में स्वचालित प्रमेय-प्रमाणन प्रणालियों का मूल्यांकन केवल अंतिम परिणाम के आधार पर नहीं, बल्कि विषय पर उनकी पकड़, अनौपचारिक तर्क की गुणवत्ता और शर्तों को नए शब्दों में प्रस्तुत किए जाने पर उनकी मजबूती के आधार पर भी करता है। घटक-वार विश्लेषण से पता चलता है कि किसी समस्या को औपचारिक रूप में बदलना अब भी सबसे बड़ी बाधा है, और सफलता गणित के क्षेत्र तथा समस्या को प्रस्तुत करने के तरीके पर बहुत अधिक निर्भर करती है।
9 नवम्बर 2026