新三星健康AI模型学习从可穿戴器中了解身体信号
三星投注预防医学,人工智能的新发展有望拉近这一时刻. 三星研究美国的研究部门引入了两个基础AI模型,旨在分析智能表和其他可穿戴设备收集的生物信号. 这些模型的本意不仅仅是记录度量衡,而是 不断地在没有人类干预的情况下从他们那里获取有益的健康见解。
这项工作是三星在2026年7月的卫生论坛上讨论的更广泛的连通护理概念的一部分. 其理念是将可穿戴、传统医学和伴侣服务的数据合并为一个单一系统,能够在问题变得严重之前预见到问题。 新的模型是这种方法的技术基础:它们学会理解不同身体信号如何相互关联,以及 直接在设备上这样做。
为什么传统算法没有生物信号
可穿戴器的数据不仅仅是步数和心率. 它由复杂的时间序列组成,包括心电图(ECG),光聚子图(PPG),睡眠阶段信息,以及运动活动. 这种信号高度依赖上下文:同样的心率可以指应力,体力锻炼,或者 发病。 在所有这些细微差别上对古典模型进行培训是困难的,特别是在贴有标签的医学数据稀缺的情况下。
这就是为什么研究人员转向 自我监督的学习模型本身在大量无标签的数据中发现了模式,这些见解随后可用于具体的任务——例如预测心血管风险或对睡眠阶段进行分类。 这种方法在文字和图像处理方面已经证明是成功的,现在正在根据生物信号加以调整。
XMAE模型:学习通过脉冲看心
第一个型号叫做xMAE(生理学-阿瓦雷·马斯凯德跨摩达尔重建). 它的关键特征是能够连接不同类型的信号. 具体而言,xMAE学习了持续的PPG数据和ECG信号之间的关系.
作为提醒:ECG直接测量心脏的电活性,并允许对节奏,变异性进行评估,并检测到诸如试射纤维化等异常现象. 但是,在可穿戴物上,服用ECG需要停止并用手指指着电极——它不会被动工作。 另一方面,PPG通过光学传感器不断测量血液流的变化. 然而,心脏的电冲动和脉冲波之间有延迟——比如闪电和雷电之间的间隔. 挑战在于了解如何从另一个信号中重建一个信号。
xMAE解决这个问题:它从PPG数据中学习重建ECG的"蒙面"部分. 该型号在约9,400小时的同步ECG和PPG录音上进行了预训. 因此,该模型可以从连续的PPG中估计心血管特征,而不需要单独手工测量. 这使得心脏监测几乎不为用户所知.
在测试中,XMAE在19项评价任务中有15项超越了单式模式和若干现有多式联运学习方法。 这些任务包括预测心血管疾病,检测异常的实验室结果,以及确定睡眠阶段. 此外,所学的特性证明对装置和传感器布置的改变是强有力的,为不同可穿戴装置的统一模型铺平了道路。
HIMAE模型:跨多个时间尺度的紧凑分析
第二种模式是HiMAE(高级蒙面自动编码器),处理不同的挑战。 生物信号以不同的速度变化:心律每秒波动一次,而睡眠模式则在几分钟和几个小时内展开. 为了捕捉这两种模式,HiMAE使用多个编码器,分别分析短数据段和长数据段. 这使得模型能够根据任务的不同而适应适当的时间尺度——例如分析心率变化或预测睡眠质量.
HiMAE的训练也建立在重建蒙面数据碎片上,因此不需要一个大的标签数据集. 同时,单一的预训模型可以处理不同类型的任务:分类,数值预测,甚至数据生成.
HIMAE的关键优势是效率. 它以比现有替代品小的模型尺寸实现高精度,并在智能表级处理器上进行不到1毫秒的计算. 这意味着分析实际上可以运行在设备上而不向云发送数据. 对于用户来说,这可以翻译为隐私和即时反应——例如,翻译为异常的心脏节奏.
接下来呢?
美国三星研究公司数字健康算法负责人沙拉尼·德赛(Sharani Desai)表示,这些模型只是基础. 今后,这一方法将推广到其他生物信号和健康特征,同时继续开发传感器和计算资源有限的装置。 数字健康研究实验室负责人Subbu Venkatraman补充说,这项工作的关键贡献是展示用于捕捉信号和时间结构之间关系的健康基础模型的可行性.
这两个模式都已被认可在著名的会议上发表——ICML(xMAE)和ICLR(HIMAE)——强调这项工作的科学意义。 但最重要的是,这是迈向可穿戴的一步, 它不仅仅是一个步骤的反面, 演变成一个个人保健助理, 注意问题 之前的人。
