Nel lavoro di Samsung Research sui biosegnali, dai wearable ai modelli xMAE e HiMAE: l’azienda sviluppa tecnologie di intelligenza artificiale per interpretare sonno, frequenza cardiaca e attività fisica in ottica Connected Care.
Samsung Research e la nuova lettura dei biosegnali
L’intelligenza artificiale per la salute entra sempre più nel lavoro quotidiano dei dispositivi indossabili. Smartwatch e wearable raccolgono dati su sonno, frequenza cardiaca e attività fisica; l’AI li analizza per individuare schemi utili e aiutare gli utenti a comprendere meglio il proprio benessere.
Il Digital Health Team di Samsung Research America sta lavorando proprio su questo passaggio: trasformare i biosegnali in insight più continui e personalizzati. La visione è quella della Connected Care, presentata da Samsung durante l’Health Forum di Galaxy Unpacked luglio 2026: un ecosistema in cui la salute digitale evolve da un approccio reattivo a uno più preventivo, personalizzato e connesso.
Modelli fondazionali per la salute, il ruolo dell’AI
Al centro della ricerca ci sono i modelli fondazionali per la salute, sistemi di AI capaci di estrarre caratteristiche significative da dati di biosignali non etichettati attraverso l’apprendimento auto-supervisionato. Dopo il preaddestramento su dataset sanitari su larga scala, questi modelli possono essere applicati all’analisi dei biosegnali, allo sviluppo di biomarcatori nuovi o migliorati e alla previsione di possibili problematiche di salute.
Samsung ha presentato due modelli basati sui dati raccolti dai wearable: xMAE, Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, e HiMAE, Hierarchical Masked Autoencoder. Il primo studia le relazioni temporali tra segnali diversi; il secondo interpreta i pattern di salute su più scale temporali.
xMAE, dal PPG agli insight cardiovascolari
Il modello xMAE lavora sul rapporto tra ECG e PPG, due segnali collegati all’attività cardiaca. L’elettrocardiogramma misura direttamente l’attività elettrica del cuore e aiuta a rilevare frequenza cardiaca, variabilità, ritmi anomali e rischio di condizioni come la fibrillazione atriale. Richiede però, in genere, una misurazione dedicata.
La fotopletismografia, o PPG, misura invece indirettamente la funzione cardiaca attraverso le variazioni del flusso sanguigno e può essere monitorata in modo passivo e continuo dagli smartwatch. I due segnali derivano dalla stessa attività del cuore, ma si manifestano con un ritardo temporale, come accade tra lampo e tuono.
xMAE è stato progettato per apprendere questa relazione: ricostruisce porzioni mascherate del segnale ECG usando il PPG, più semplice da acquisire nel tempo. L’obiettivo è analizzare con maggiore precisione caratteristiche legate alla salute cardiovascolare attraverso il PPG, senza richiedere misurazioni ECG manuali aggiuntive.
I risultati su xMAE
Il modello è stato preaddestrato con circa 9.400 ore di dati ECG e PPG. Nelle valutazioni indicate da Samsung, xMAE ha superato i modelli basati su un singolo biosegnale e le metodologie multimodali esistenti in 15 attività su 19.
Le prove hanno riguardato previsione di malattie cardiovascolari, rilevamento di risultati clinici anomali e classificazione delle fasi del sonno. Lo studio ha mostrato anche il potenziale del modello su dispositivi, aree del corpo e contesti di raccolta differenti. Il lavoro è stato accettato all’International Conference on Machine Learning.
HiMAE, il corpo letto su scale temporali diverse
HiMAE affronta un altro nodo dei dati wearable: il tempo. Segmenti brevi permettono di osservare fenomeni rapidi come il battito cardiaco; finestre più ampie aiutano invece a riconoscere pattern legati a sonno e attività fisica. Samsung paragona questo metodo a uno zoom progressivo su un’immagine, utile per cogliere dettagli diversi.
Il modello utilizza più encoder per analizzare separatamente segmenti brevi e lunghi, scegliendo la scala più adatta al compito richiesto. Durante l’addestramento ricostruisce le parti mancanti dei dati e impara così a riconoscere i pattern principali dei biosegnali anche quando i dati etichettati sono limitati.
HiMAE direttamente sul dispositivo
Un singolo modello HiMAE preaddestrato può gestire classificazioni, previsioni numeriche e generazione di dati. Secondo Samsung, pur essendo più compatto rispetto alle soluzioni esistenti, ha raggiunto prestazioni elevate e una forte efficienza computazionale.
Il dato più significativo riguarda l’esecuzione: HiMAE ha prodotto risultati in meno di un millisecondo su una CPU di classe smartwatch. Questo dimostra il potenziale dei modelli fondazionali per la salute eseguiti direttamente sul dispositivo, con analisi in tempo reale dei segnali grezzi senza supporto di server cloud. Il lavoro è stato accettato all’International Conference on Learning Representations.
xMAE e HiMAE nel percorso verso la Connected Care
xMAE e HiMAE rappresentano due linee complementari della ricerca Samsung. xMAE mette in relazione segnali fisiologici diversi, in particolare ECG e PPG; HiMAE lavora sulla struttura temporale dei dati raccolti dai wearable. Insieme puntano a fornire insight sulla salute più accurati, continui e personalizzati.
La direzione è quella indicata dalla Connected Care: dispositivi indossabili capaci non solo di raccogliere dati, ma di renderli più leggibili attraverso modelli AI addestrati per riconoscere relazioni, tempi e pattern. Per Samsung Research, il futuro della salute digitale passa da qui: biosegnali interpretati meglio, direttamente dove nascono.