Model Kesehatan Samsung Baru Belajar untuk Memahami Sinyal Tubuh dari Wearables
Samsung bertaruh pada obat pencegahan, dan perkembangan segar dalam kecerdasan buatan diharapkan untuk membawa saat yang lebih dekat. Divisi penelitian Samsung Amerika telah memperkenalkan dua model AI pendiri dirancang untuk menganalisis biodinamik yang dikumpulkan oleh smartwatch dan perangkat lain yang dapat dikenakan. Model ini tidak hanya dimaksudkan untuk merekam metrik, tapi untuk mengekstrak wawasan kesehatan berguna dari mereka - terus menerus dan tanpa campur tangan manusia.
Pekerjaan ini adalah bagian dari konsep Care Terkoneksi yang Samsung bahas di Forum Kesehatan pada Juli 2026. Idenya adalah untuk menggabungkan data dari bahan-bahan pakaian, obat-obatan tradisional, dan layanan mitra ke dalam satu sistem yang mampu mengantisipasi masalah sebelum mereka menjadi serius. Model baru adalah dasar teknis untuk pendekatan ini: mereka belajar memahami bagaimana sinyal tubuh berbeda berhubungan satu sama lain, dan untuk melakukannya secara langsung pada perangkat.
Mengapa algoritma konvensional jatuh pendek dengan bioaktif
Data dari wearables tidak hanya menghitung langkah dan detak jantung. Ini terdiri dari rangkaian waktu kompleks, termasuk elektrokardiogram (ECG), fotoplethysmogram (PPG), informasi tahap tidur, dan aktivitas motor. Sinyal tersebut sangat tergantung pada konteks: denyut jantung yang sama dapat berarti stres, tenaga fisik, atau Ada penyakit. Pelatihan model klasik pada semua nuansa ini sulit - terutama ketika diberi label data medis langka.
Itulah mengapa para peneliti berpaling ke sendiri-diawasi belajarModel itu sendiri menemukan pola dalam volume besar data yang tidak berlabel, dan wawasan ini kemudian dapat diterapkan untuk tugas tertentu - seperti memprediksi risiko kardiovaskular atau mengklasifikasikan tahap tidur. Pendekatan ini telah terbukti berhasil dalam pemrosesan teks dan gambar, dan sekarang sedang diadaptasi untuk bioaktif.
Model xMAE: belajar untuk melihat jantung melalui pulsa
Model pertama disebut xMAE (Physiolog- Hentay Cross- Modal Rekonstruksi). Fitur kuncinya adalah kemampuan untuk menghubungkan berbagai jenis sinyal. Khususnya, xMAE mempelajari hubungan antara data PPG dan sinyal ECG yang terus menerus.
Sebagai pengingat, ECG secara langsung mengukur aktivitas listrik jantung dan memungkinkan penilaian irama, variasi, dan deteksi anomali seperti fibrilasi atrial. Tapi pada pakaian, mengambil ECG membutuhkan berhenti dan menempatkan jari pada elektroda - itu tidak bekerja pasif. PPP, di sisi lain, terus-menerus mengukur aliran darah berubah melalui sensor optik. Namun, ada penundaan antara impuls listrik jantung dan gelombang pulsa - seperti celah antara petir dan guntur. Tantangannya adalah untuk memahami bagaimana merekonstruksi satu sinyal dari yang lain.
xMAE memecahkan masalah ini: ia belajar untuk merekonstruksi "bertopeng" segmen ECG dari data PPG. Model ini dilatih sekitar 9.400 jam untuk merekam ECG dan PPG secara simultan. Akibatnya, model dapat memperkirakan karakteristik kardiovaskular dari PPG terus menerus tanpa perlu pengukuran manual terpisah. Hal ini membuat pemantauan jantung hampir tidak terlihat oleh pengguna.
Dalam tes, xMAE menghasilkan model unimodal dan beberapa pembelajaran multimodal yang ada mendekati 15 dari 19 tugas evaluasi. Tugas-tugas ini termasuk memprediksi penyakit kardiovaskular, mendeteksi hasil lab abnormal, dan menentukan tahap tidur. Selain itu, fitur yang dipelajari terbukti kuat untuk berubah dalam penempatan perangkat dan sensor, membuka jalan untuk model unified di gadget yang berbeda-beda.
Model HiMAE: analisis kompak dalam beberapa skala waktu
Model kedua, HiMAE (Hierarkis Masked Autoencoder) memberikan tantangan lain. Biosmendesis berubah pada tingkat yang berbeda: denyut jantung berfluktuasi setiap detik, sementara pola tidur terungkap selama beberapa menit dan jam. Untuk menangkap kedua jenis pola, HiMAE menggunakan multiple encoders yang menganalisis segmen data pendek dan panjang secara terpisah. Hal ini memungkinkan model untuk beradaptasi dengan skala waktu yang sesuai tergantung pada tugas - sebagai contoh, menganalisis perubahan laju jantung atau memprediksi kualitas tidur.
Pelatihan HiMAE juga dibangun pada rekonstruksi fragmen data bertopeng, sehingga tidak memerlukan besar berlabel dataset. Pada saat yang sama, satu model yang terlatih dapat menangani berbagai jenis tugas: klasifikasi, prediksi numerik, dan bahkan generasi data.
Keuntungan kunci Himae adalah efisiensi. Ini mencapai akurasi tinggi dengan ukuran model yang lebih kecil daripada alternatif yang ada dan melakukan perhitungan di bawah 1 milidetik pada prosesor smartwatch-class. Ini berarti analisis benar-benar dapat berjalan on-perangkat tanpa mengirim data ke awan. Bagi pengguna, ini diterjemahkan ke privasi dan respon instan - misalnya, untuk irama jantung abnormal.
Apa selanjutnya
Menurut Sharani Desai, kepala algoritma kesehatan digital di Samsung Research America, model-model ini hanya yayasan. Di masa depan, pendekatan akan diperpanjang ke lain bioaktif dan fitur kesehatan sementara terus bekerja pada perangkat dengan sensor dan sumber daya komputasional terbatas. Subbu Venkatraman, kepala lab riset kesehatan digital, menambahkan bahwa kontribusi utama dari pekerjaan ini menunjukkan kelangsungan hidup model yayasan kesehatan untuk menangkap hubungan antara sinyal dan struktur temporal.
Kedua model telah diterima untuk publikasi di konferensi bergengsi - ICML (xMAE) dan ICLR (HiMAE) - mendasari makna ilmiah dari pekerjaan. Tapi yang paling penting, ini adalah langkah menuju pakaian menjadi lebih dari sekedar penghitung langkah, berkembang menjadi asisten kesehatan pribadi yang memperhatikan masalah sebelum orang itu melakukannya.
