Новые ИИ-модели Samsung Health учатся понимать сигналы организма с носимых гаджетов
Samsung делает ставку на профилактическую медицину, и свежие разработки в области искусственного интеллекта должны приблизить этот момент. Исследовательское подразделение Samsung Research America представило две фундаментальные ИИ-модели, предназначенные для анализа биосигналов, которые собирают умные часы и другие носимые устройства. Эти модели призваны не просто фиксировать показатели, а извлекать из них полезные выводы о состоянии здоровья — непрерывно и без участия человека.
Разработка ведётся в рамках более широкой концепции Connected Care, которую Samsung обсуждала на Health Forum в июле 2026 года. Идея в том, чтобы объединить данные с носимых устройств, традиционную медицину и партнёрские сервисы в единую систему, способную предугадывать проблемы до того, как они станут серьёзными. Новые модели — это технический фундамент для такого подхода: они учатся понимать, как связаны между собой разные сигналы организма, и делать это прямо на устройстве.
Почему обычные алгоритмы не справляются с биосигналами
Данные с носимых устройств — это не просто количество шагов и частота пульса. Это сложные временные ряды, включающие электрокардиограмму (ЭКГ), фотоплетизмограмму (PPG), информацию о фазах сна и двигательной активности. Такие сигналы сильно зависят от контекста: один и тот же пульс может означать стресс, физическую нагрузку или начало болезни. Обучить классические модели на всех этих нюансах сложно — особенно когда размеченных медицинских данных мало.
Именно поэтому исследователи обратились к самообучающемуся обучению (self-supervised learning). Модель сама находит закономерности в больших массивах немаркированных данных, а затем эти знания можно использовать для решения конкретных задач — например, для прогнозирования сердечно-сосудистых рисков или классификации стадий сна. Такой подход уже хорошо зарекомендовал себя в обработке текстов и изображений, и теперь его адаптируют для биосигналов.
Модель xMAE: учимся видеть сердце по пульсу
Первая модель называется xMAE (Physiology-Aware Masked Cross-Modal Reconstruction). Её главная особенность — умение связывать разные типы сигналов. В частности, xMAE изучает связь между непрерывными данными PPG и сигналами ЭКГ.
Напомним: ЭКГ напрямую измеряет электрическую активность сердца и позволяет оценивать ритм, вариабельность и выявлять аномалии вроде фибрилляции предсердий. Но на носимых устройствах для снятия ЭКГ требуется остановиться и приложить палец к электроду — пассивно это не работает. А вот PPG измеряет изменения кровотока через оптический датчик постоянно. Правда, между электрическим импульсом сердца и пульсовой волной есть задержка — как между молнией и громом. Нужно понять, как по одному сигналу восстановить другой.
xMAE решает эту задачу: она обучается восстанавливать «спрятанные» участки ЭКГ из данных PPG. Для предобучения модели использовали около 9 400 часов одновременных записей ЭКГ и PPG. В результате модель может оценивать сердечно-сосудистые характеристики по непрерывному PPG без необходимости в отдельных ручных измерениях. Это делает мониторинг сердца почти незаметным для пользователя.
В тестах xMAE показала результаты лучше одномодальных моделей и ряда существующих подходов к мультимодальному обучению в 15 из 19 оценочных задач. Среди задач — прогнозирование сердечно-сосудистых заболеваний, выявление аномальных результатов анализов и определение стадий сна. Более того, полученные признаки оказались устойчивыми к смене устройства и места крепления датчика, что открывает путь к единой модели для разных носимых гаджетов.
Модель HiMAE: компактный анализ на разных временных масштабах
Вторая модель — HiMAE (Hierarchical Masked Autoencoder) — решает другую задачу. Биосигналы меняются по-разному: сердечный ритм колеблется каждую секунду, а особенности сна проявляются за минуты и часы. Чтобы уловить и те, и другие закономерности, HiMAE использует несколько энкодеров, которые анализируют короткие и длинные сегменты данных отдельно. Это позволяет модели адаптироваться к нужному временному масштабу в зависимости от задачи — например, для анализа вариабельности ритма или прогнозирования качества сна.
Обучение HiMAE тоже построено на восстановлении маскированных фрагментов данных, поэтому ей не нужна большая размеченная выборка. При этом одна предобученная модель способна решать разные типы задач: классификацию, численное прогнозирование и даже генерацию данных.
Ключевое преимущество HiMAE — эффективность. Она показывает высокую точность при меньшем размере модели, чем существующие аналоги, и выполняет вычисления быстрее, чем за 1 миллисекунду на процессоре уровня смарт-часов. Это значит, что анализ реально запускается прямо на устройстве, не отправляя данные в облако. Для пользователя это означает приватность и мгновенную реакцию — например, на аномальный ритм сердца.
Что дальше
По словам главы отдела алгоритмов цифрового здоровья Samsung Research America Шарани Десаи, эти модели — лишь фундамент. В будущем подход будут расширять на другие биосигналы и функции здоровья, сохраняя работу на устройствах с ограниченными сенсорами и вычислительными ресурсами. Руководитель исследовательской лаборатории цифрового здоровья Суббу Венкатраман добавляет, что ключевой вклад работы — доказательство жизнеспособности health foundation models для улавливания взаимосвязей между сигналами и временных структур.
Пока обе модели приняты к публикации на престижных конференциях ICML (xMAE) и ICLR (HiMAE), что подчёркивает научную значимость разработки. Но главное — это шаг к тому, чтобы носимые устройства перестали быть просто шагомером и превратились в персонального ассистента здоровья, который замечает проблемы раньше, чем сам человек.
