Novos modelos de IA de saúde Samsung aprender a entender sinais de corpo de roupas
Samsung está apostando em medicina preventiva, e novos desenvolvimentos na inteligência artificial são esperados para aproximar esse momento. A divisão de pesquisa da Samsung Research America introduziu dois modelos de IA fundamentais projetados para analisar biosinais coletados por smartwatches e outros dispositivos wearable. Esses modelos são feitos não só para registrar métricas, mas para extrair insights de saúde úteis deles – continuamente e sem intervenção humana.
O trabalho faz parte do conceito mais amplo de Cuidado Conectado que a Samsung discutiu no Fórum da Saúde em julho de 2026. A ideia é combinar dados de wearables, medicina tradicional e serviços de parceiros em um único sistema capaz de antecipar problemas antes que eles se tornem sérios. Os novos modelos são a base técnica para essa abordagem: eles aprendem a entender como diferentes sinais corporais se relacionam uns com os outros, e fazê-lo diretamente no dispositivo.
Por que algoritmos convencionais ficam aquém dos biosinais
Dados de wearables não é apenas contagem de passos e frequência cardíaca. Consiste em séries temporais complexas, incluindo eletrocardiogramas (ECG), fotopletismogramas (PPG), informações do estágio do sono e atividade motora. Tais sinais são altamente dependentes do contexto: a mesma frequência cardíaca pode significar estresse, esforço físico ou início de doença. Treinar modelos clássicos sobre todas essas nuances é difícil, especialmente quando os dados médicos são escassos.
É por isso que os pesquisadores se voltaram para aprendizagem auto-supervisionadaO próprio modelo encontra padrões em grandes volumes de dados não marcados, e estes insights podem então ser aplicados a tarefas específicas, tais como prever riscos cardiovasculares ou classificar estágios de sono. Essa abordagem já provou sucesso no processamento de texto e imagem, e agora está sendo adaptada para biosinais.
O modelo xMAE: aprender a ver o coração através do pulso
O primeiro modelo é chamado xMAE (Reconstrução Mascarada por Fisiologia). Sua principal característica é a capacidade de ligar diferentes tipos de sinais. Especificamente, o xMAE aprende a relação entre dados contínuos de PPG e sinais de ECG.
Como lembrete: O ECG mede diretamente a atividade elétrica do coração e permite avaliar ritmo, variabilidade e detecção de anomalias, como fibrilação atrial. Mas em wearables, tomar um ECG requer parar e colocar um dedo em um eletrodo - ele não funciona passivamente. O PPG, por outro lado, mede continuamente as alterações do fluxo sanguíneo através de um sensor óptico. No entanto, há um atraso entre o impulso elétrico do coração e a onda de pulso – como a lacuna entre o relâmpago e o trovão. O desafio é entender como reconstruir um sinal do outro.
xMAE resolve esse problema: ele aprende a reconstruir segmentos "mascarados" de ECG a partir de dados de PPG. O modelo foi pré-treinado em cerca de 9.400 horas de registros simultâneos de ECG e PPG. Como resultado, o modelo pode estimar características cardiovasculares a partir de PPG contínua sem a necessidade de medidas manuais separadas. Isso torna o monitoramento cardíaco quase invisível para o usuário.
Em testes, xMAE superou modelos unimodais e várias abordagens de aprendizagem multimodal existentes em 15 de 19 tarefas de avaliação. Essas tarefas incluem predizer doenças cardiovasculares, detectar resultados laboratoriais anormais e determinar estágios do sono. Além disso, as características aprendidas mostraram-se robustas para mudanças na colocação do dispositivo e sensor, abrindo caminho para um modelo unificado em diferentes gadgets wearable.
O modelo HiMAE: análise compacta em múltiplas escalas de tempo
O segundo modelo — HiMAE (Hierarchical Masked Autoencoder) — aborda um desafio diferente. Os biosinais mudam em ritmos diferentes: o ritmo cardíaco flutua a cada segundo, enquanto os padrões de sono se desdobram ao longo de minutos e horas. Para capturar ambos os tipos de padrões, o HiMAE usa vários codificadores que analisam segmentos de dados curtos e longos separadamente. Isso permite que o modelo se adapte à escala de tempo adequada dependendo da tarefa, por exemplo, analisando a variabilidade da frequência cardíaca ou prevendo a qualidade do sono.
O treinamento do HiMAE também é construído sobre a reconstrução de fragmentos de dados mascarados, por isso não requer um grande conjunto de dados rotulados. Ao mesmo tempo, um único modelo pré-treinado pode lidar com diferentes tipos de tarefas: classificação, previsão numérica e até geração de dados.
A principal vantagem da HiMAE é a eficiência. Ele alcança alta precisão com um tamanho de modelo menor do que as alternativas existentes e realiza cálculos em menos de 1 milisegundo em um processador de classe smartwatch. Isso significa que a análise pode ser executada no dispositivo sem enviar dados para a nuvem. Para o usuário, isso se traduz em privacidade e resposta instantânea – por exemplo, para um ritmo cardíaco anormal.
E agora?
De acordo com Sharani Desai, chefe de algoritmos de saúde digital da Samsung Research America, esses modelos são apenas a fundação. No futuro, a abordagem será estendida para outros biosinais e recursos de saúde, enquanto continua a trabalhar em dispositivos com sensores limitados e recursos computacionais. Subbu Venkatraman, chefe do laboratório digital de pesquisa em saúde, acrescenta que a principal contribuição do trabalho é demonstrar a viabilidade de modelos de fundação em saúde para capturar relações entre sinais e estruturas temporais.
Ambos os modelos foram aceitos para publicação em conferências de prestígio - ICML (xMAE) e ICLR (HiMAE) - entendendo o significado científico do trabalho. Mas, o mais importante, este é um passo para que os wearables se tornem mais do que apenas um contador de passos, evoluindo para um assistente de saúde pessoal que percebe problemas antes da pessoa.
