Nouveaux modèles d'IA Samsung Health Apprenez à comprendre les signaux corporels des usures
Samsung parie sur la médecine préventive, et de nouveaux développements dans l'intelligence artificielle sont attendus pour rapprocher ce moment. La division de recherche de Samsung Research America a introduit deux modèles d'IA fondamentaux conçus pour analyser les biosignaux recueillis par les montres intelligentes et autres appareils portables. Ces modèles ne sont pas seulement destinés à enregistrer des mesures, mais afin d'en extraire des renseignements utiles sur la santé — continuellement et sans intervention humaine.
Le travail s'inscrit dans le concept plus large de soins connectés que Samsung a discuté au Forum de la santé en juillet 2026. L'idée est de combiner les données des portables, de la médecine traditionnelle et des services partenaires en un seul système capable d'anticiper les problèmes avant qu'ils ne deviennent graves. Les nouveaux modèles constituent la base technique de cette approche : ils apprennent à comprendre comment les différents signaux du corps se rapportent les uns aux autres, et pour le faire directement sur l'appareil.
Pourquoi les algorithmes conventionnels manquent de biosignaux
Les données sur les articles à porter ne sont pas seulement le compte d'étapes et la fréquence cardiaque. Il se compose de séries chronologiques complexes, y compris les électrocardiogrammes (ECG), les photopléthysmogrammes (PPG), l'information sur le stade du sommeil et l'activité motrice. De tels signaux sont fortement dépendants du contexte: la même fréquence cardiaque peut signifier le stress, l'effort physique, ou la début de maladie. Il est difficile de former des modèles classiques sur toutes ces nuances, surtout lorsque les données médicales sont rares.
C'est pourquoi les chercheurs se sont tournés vers apprentissage auto-supervisé. Le modèle lui-même trouve des modèles dans de grands volumes de données non marquées, et ces indications peuvent ensuite être appliquées à des tâches spécifiques, comme la prédiction des risques cardiovasculaires ou la classification des stades du sommeil. Cette approche a déjà fait ses preuves dans le traitement du texte et de l'image, et elle est maintenant adaptée aux biosignaux.
Le modèle xMAE : apprendre à voir le cœur à travers le pouls
Le premier modèle s'appelle xMAE (Physio-Aware Masqué Reconstruction Cross-Modal). Sa principale caractéristique est la capacité de relier différents types de signaux. Plus précisément, xMAE apprend la relation entre les données PPG continues et les signaux ECG.
Pour rappel: ECG mesure directement l'activité électrique du cœur et permet d'évaluer le rythme, la variabilité et la détection d'anomalies telles que la fibrillation auriculaire. Mais sur les articles à porter, prendre un ECG nécessite d'arrêter et de placer un doigt sur une électrode – il ne fonctionne pas passivement. PPG, par contre, mesure en continu les changements de flux sanguin à travers un capteur optique. Cependant, il y a un retard entre l'impulsion électrique du cœur et l'onde de pouls, comme l'écart entre la foudre et le tonnerre. Le défi consiste à comprendre comment reconstruire un signal de l'autre.
xMAE résout ce problème : il apprend à reconstruire des segments "masqués" d'ECG à partir de données PPG. Le modèle a été préformé sur environ 9 400 heures d'enregistrements ECG et PPG simultanés. Par conséquent, le modèle peut estimer les caractéristiques cardiovasculaires à partir de PPG continu sans avoir besoin de mesures manuelles distinctes. Cela rend la surveillance cardiaque presque invisible pour l'utilisateur.
Dans les tests, xMAE a dépassé les modèles unimodaux et plusieurs approches d'apprentissage multimodal existantes dans 15 des 19 tâches d'évaluation. Ces tâches comprennent la prédiction des maladies cardiovasculaires, la détection des résultats anormaux de laboratoire et la détermination des stades du sommeil. En outre, les caractéristiques apprises se sont révélées robustes aux changements de positionnement des appareils et des capteurs, ouvrant la voie à un modèle unifié à travers différents gadgets portables.
Le modèle HiMAE : analyse compacte sur plusieurs échelles de temps
Le second modèle, HiMAE (Hierarchical Masked Autoencoder), répond à un défi différent. Les biosignaux changent à différents rythmes : le rythme cardiaque fluctue toutes les secondes, tandis que le rythme du sommeil se déroule en minutes et en heures. Pour capturer les deux types de modèles, HiMAE utilise plusieurs encodeurs qui analysent séparément les segments de données courts et longs. Cela permet au modèle de s'adapter à l'échelle de temps appropriée selon la tâche – par exemple, analyser la variabilité de la fréquence cardiaque ou prédire la qualité du sommeil.
L'entraînement de HiMAE est également construit sur la reconstruction de fragments de données masquées, de sorte qu'il ne nécessite pas un grand ensemble de données étiqueté. Dans le même temps, un seul modèle préformé peut gérer différents types de tâches : classification, prédiction numérique, et même production de données.
L'avantage clé de HiMAE est l'efficacité. Il obtient une grande précision avec une taille de modèle plus petite que les alternatives existantes et effectue des calculs en moins de 1 milliseconde sur un processeur de classe smartwatch. Cela signifie que l'analyse peut effectivement fonctionner sur un appareil sans envoyer de données dans le cloud. Pour l'utilisateur, cela se traduit par une intimité et une réponse instantanée, par exemple par un rythme cardiaque anormal.
Suivant
Selon Sharani Desai, responsable des algorithmes numériques de santé chez Samsung Research America, ces modèles ne sont que la base. À l'avenir, l'approche sera étendue à d'autres biosignaux et caractéristiques de santé tout en continuant de travailler sur des appareils avec des capteurs limités et des ressources informatiques. Subbu Venkatraman, chef du laboratoire de recherche en santé numérique, ajoute que la contribution essentielle du travail est de démontrer la viabilité des modèles de base en santé pour saisir les relations entre les signaux et les structures temporelles.
Ces deux modèles ont été acceptés pour publication lors de conférences prestigieuses — l'ICML (xMAE) et l'ICLR (HiMAE) — soulignant l'importance scientifique du travail. Mais surtout, il s'agit là d'un pas vers des vêtements qui deviennent plus qu'un simple compteur d'étapes et qui deviennent un assistant de santé personnel qui remarque des problèmes avant que la personne ne le fasse.
