Các mô hình AI của Samsung Health phân tích dữ liệu tín hiệu sinh học từ thiết bị đeo.

Nhóm Sức khỏe Kỹ thuật số của Samsung Research America đã giới thiệu hai mô hình nền tảng AI được thiết kế để học hỏi từ các tín hiệu sinh học có thể đeo được. Công trình này tập trung vào dữ liệu được thu thập bởi đồng hồ thông minh, bao gồm hoạt động tim mạch, giấc ngủ và hoạt động thể chất. Công ty đã thảo luận về tầm nhìn Chăm sóc Kết nối của mình tại Diễn đàn Sức khỏe trong sự kiện Galaxy Unpacked vào tháng 7/2026. Samsung đã mô tả một tương lai của chăm sóc phòng ngừa, cá nhân hóa và kết nối, được hỗ trợ bởi công nghệ y tế và các quan hệ đối tác chăm sóc sức khỏe. Nhóm nghiên cứu của họ định vị các mô hình nền tảng sức khỏe là một thành phần của những trải nghiệm sức khỏe người tiêu dùng mới. Bà Sharanya Desai, Trưởng bộ phận Thuật toán Sức khỏe Kỹ thuật số tại Samsung Research America, cho biết: “Nghiên cứu này có ý nghĩa quan trọng vì nó đặt nền tảng kỹ thuật để cung cấp các thông tin chi tiết về sức khỏe một cách hiệu quả, chính xác và liên tục thông qua một mô hình nền tảng sức khỏe. “Chúng tôi sẽ tiếp tục phát triển và nâng cao các mô hình nền tảng sức khỏe có thể áp dụng cho nhiều tín hiệu sinh học và tính năng sức khỏe khác nhau, có khả năng hoạt động trên thiết bị với các cảm biến và tài nguyên tính toán hạn chế.” Nghiên cứu mô hình nền tảng AI sức khỏe của Samsung Một mô hình nền tảng sức khỏe sử dụng học tự giám sát để xác định các đặc điểm trong dữ liệu tín hiệu sinh học chưa được gắn nhãn. Samsung cho biết việc huấn luyện trước trên các bộ dữ liệu sức khỏe lớn cho phép một mô hình hỗ trợ các tác vụ tiếp theo như phân tích tín hiệu sinh học, phát triển dấu ấn sinh học và dự đoán vấn đề sức khỏe. Nghiên cứu bao gồm hai mô hình với các mục tiêu khác nhau. xMAE, viết tắt của Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, học các mối quan hệ thời gian giữa các tín hiệu sinh học khác nhau. HiMAE, hay Hierarchical Masked Autoencoder, học các mẫu sức khỏe trên nhiều thang thời gian trong dữ liệu chuỗi thời gian có thể đeo được. Samsung cho biết xMAE đã được chấp nhận tại Hội nghị Quốc tế về Học máy (International Conference on Machine Learning). HiMAE đã được chấp nhận tại Hội nghị Quốc tế về Biểu diễn Học tập (International Conference on Learning Representations). Công ty mô tả cả hai là công trình nghiên cứu về các mối quan hệ sinh lý và cấu trúc thời gian trong dữ liệu tín hiệu sinh học. Các mô hình này giải quyết các phần khác nhau của phân tích dữ liệu thiết bị đeo. xMAE kết nối hai tín hiệu tim mạch đo hoạt động liên quan thông qua các cơ chế khác nhau. HiMAE phân tích dữ liệu ở các khoảng thời gian ngắn và dài, cho phép một mô hình được huấn luyện trước hỗ trợ phân loại, dự đoán số liệu và tạo dữ liệu. xMAE liên kết dữ liệu PPG liên tục với tín hiệu ECG Điện tâm đồ, hay ECG, đo trực tiếp hoạt động điện của tim. Samsung mô tả ECG hữu ích để đo nhịp tim và biến thiên nhịp tim. Nó cũng có thể xác định nhịp tim bất thường và các rủi ro liên quan đến các tình trạng như rung tâm nhĩ. Đọc ECG trên thiết bị đeo thường yêu cầu người dùng dừng lại và thực hiện phép đo chủ động. Quang phổ thể tích đồ, hay PPG, có một cách tiếp cận khác. PPG phát hiện những thay đổi trong lưu lượng máu và có thể hoạt động thụ động thông qua các cảm biến trong các thiết bị đeo như đồng hồ thông minh. Cả hai tín hiệu đều bắt nguồn từ hoạt động tim mạch. Chúng xảy ra với một độ trễ thời gian, mà Samsung so sánh với việc nghe thấy tiếng sấm sau khi nhìn thấy tia chớp. xMAE học mối quan hệ thời gian đó bằng cách tái tạo các phần bị che khuất của tín hiệu ECG từ dữ liệu PPG. Thiết kế này nhằm mục đích phân tích các đặc điểm sức khỏe tim mạch thông qua dữ liệu PPG được đo liên tục mà không cần các phép đo ECG thủ công riêng biệt. Quá trình huấn luyện trước của mô hình đã sử dụng khoảng 9.400 giờ dữ liệu ECG và PPG. Ông Subbu Venkatraman, Trưởng phòng thí nghiệm Nghiên cứu Sức khỏe Kỹ thuật số tại Samsung Research America, nhận định: “Các tín hiệu sinh học vốn dĩ rất năng động, với các đặc tính sinh lý thay đổi theo thời gian một cách độc đáo. Đóng góp chính của nghiên cứu này nằm ở việc chứng minh tính khả thi của các mô hình nền tảng sức khỏe có khả năng nắm bắt cả mối quan hệ giữa các tín hiệu và cấu trúc thời gian cơ bản của chúng. Chúng tôi vẫn cam kết thúc đẩy nghiên cứu AI sức khỏe nền tảng và chuyển đổi nó thành các giải pháp chăm sóc sức khỏe nhằm cải thiện đáng kể sức khỏe và hạnh phúc của con người”. Samsung báo cáo rằng xMAE đã vượt trội hơn các mô hình tín hiệu sinh học đơn phương thức và các phương pháp học đa phương thức hiện có trong 15 trên 19 tác vụ đánh giá. Các tác vụ này bao gồm dự đoán bệnh tim mạch, phát hiện kết quả xét nghiệm bất thường và phân loại giai đoạn giấc ngủ. Công ty cũng cho biết các đặc trưng đã học cho thấy tiềm năng sử dụng trên nhiều thiết bị cảm biến, vị trí cơ thể và môi trường thu thập dữ liệu. HiMAE phân tích dữ liệu thiết bị đeo trên nhiều thang thời gian Dữ liệu từ thiết bị đeo có thể mang thông tin khác nhau trong các khoảng thời gian khác nhau. Các đoạn ngắn có thể hiển thị các tín hiệu thay đổi nhanh chóng như nhịp tim. Các đoạn dài hơn có thể tiết lộ các mẫu hình hình thành theo thời gian, chẳng hạn như giấc ngủ hoặc hoạt động thể chất. HiMAE sử dụng nhiều bộ mã hóa để phân tích riêng biệt các đoạn dữ liệu ngắn và dài. Samsung cho biết cách sắp xếp này cho phép mô hình xác định thang thời gian cần thiết cho một tác vụ sức khỏe. Do đó, phân tích nhịp tim và dự đoán giấc ngủ có thể dựa vào các phần khác nhau của dữ liệu chuỗi thời gian. Phương pháp huấn luyện tái tạo các phần bị che của dữ liệu thiết bị đeo. Samsung cho biết điều này cho phép HiMAE học các mẫu hình từ tín hiệu sinh học trong trường hợp dữ liệu được gán nhãn còn hạn chế. Mô hình sau đó hỗ trợ phân loại, dự đoán số liệu và tạo dữ liệu từ một hệ thống được huấn luyện trước duy nhất. Samsung cho biết HiMAE đạt hiệu suất cao với mô hình nhỏ hơn so với các mô hình hiện có. Công ty cũng báo cáo rằng nó có thể tạo ra kết quả trong vòng chưa đầy một mili giây trên bộ xử lý trung tâm (CPU) cấp đồng hồ thông minh. Khả năng xử lý đó đặt việc phân tích của mô hình trên thiết bị thay vì trên máy chủ đám mây. Các mô hình nền tảng được huấn luyện trên các luồng sinh lý không được gán nhãn cung cấp một cơ chế để trích xuất các dấu hiệu chẩn đoán, chạy các phân loại sức khỏe dự đoán và tạo hướng dẫn cho người dùng từ phần cứng tiêu dùng mà không cần kết nối máy chủ liên tục. Xem thêm: Huấn luyện viên AI sức khỏe của Google sẽ sử dụng dữ liệu glucose của Abbott Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham dự AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được đồng tổ chức với các sự kiện khác.