サムスン、ウェアラブル生体信号を分析する AI 基盤モデルを発表
本文の状態
日本語全文を表示中
詳細モードで約7分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
AI News
サムスンリサーチアメリカのデジタルヘルスチームは、スマートウォッチのバイオ信号データを学習する2つのAI基盤モデル「xMAE」と「HiMAE」を発表し、オンデバイスでの高精度な健康分析の実現に向けた技術的基盤を構築した。
AI深層分析を開く2026年8月14日 23:15
AI深層分析
キーポイント
2 つの専用 AI モデルの発表
時系列データ間の生理学的関係を学習する「xMAE」と、複数の時間スケールで健康パターンを分析する「HiMAE」の 2 つのモデルが提案された。
自己教師あり学習による基盤技術
ラベル付きデータに依存せず大量の生体信号データを事前学習することで、バイオ信号分析や健康課題予測など多様な下流タスクを一つのモデルで支える仕組みを実現する。
PPG と ECG の連携解析
xMAE は受動的に測定可能な PPG データと、心拍変動や不整脈リスクを検出できる能動的な ECG シグナルを関連付け、より包括的な心臓活動の理解を目指す。
オンデバイスでの実装志向
限られたセンサーと計算資源を持つ端末上で動作可能なモデル開発を継続し、効率的かつ連続的な健康インサイトの提供を可能にする方針を示した。
xMAE モデルによる心臓健康機能の分析
xMAE は PPG データから ECG シグナルを再構築することで、時間差の関係性を学習し、手動での ECG 測定なしに心血管健康機能を分析する。このモデルは既存の単一モダリティやマルチモーダル学習手法よりも 19 の評価タスクのうち 15 で優れた性能を示した。
重要な引用
This research is significant because it lays the technical groundwork for delivering health insights that are efficient, precise, and continuous through a health foundation model.
We will continue to develop and advance health foundation models that can be applied to a variety of biosignals and health features that can operate on-device with limited sensors and computing resources.
"Biosignals are inherently dynamic, with unique time-varying physiological properties. The key contribution of this research lies in proving the viability of health foundation models capable of capturing both the inter-signal relationships and their underlying temporal structures."
"We remain committed to advancing foundational health AI research and translating it into healthcare solutions that meaningfully improve people's health and wellbeing."
編集コメントを表示
編集コメント
ウェアラブルデバイスのデータ解析において、オンデバイスでの処理能力を高めるための具体的なアーキテクチャ提案がなされた点は注目される。限られたリソース下で高精度なインサイトを生成する技術は、プライバシー保護とリアルタイム性の両立において重要な意味を持つ。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
サムスン・リサーチ・アメリカのデジタルヘルスチームは、ウェアラブル生体信号データから学習する 2 つの AI ファウンデーションモデルを発表しました。この研究の中心となるのは、スマートウォッチで計測される心拍活動、睡眠、身体活動などのデータです。
同社は 2026 年 7 月の「Galaxy Unpacked」で行われたヘルスフォーラムで、「コネクテッド・ケア（Connected Care）」のビジョンを共有しました。サムスンが描くのは、健康技術と医療機関との連携によって支えられた、予防的かつ個別化された継続的なケアの実現です。研究チームは、こうした健康ファウンデーションモデルを、新たな消費者向けヘルス体験を支える重要な要素の一つとして位置付けています。
サムスン・リサーチ・アメリカのデジタルヘルムアルゴリズム部門責任者であるシャラニャ・デサイ氏は、「この研究は、効率的で精度が高く、継続的な健康インサイトを提供する基盤モデルを構築するための技術的土台となる点で重要です」と述べています。
「私たちは、限られたセンサーと計算リソースの中で動作しうる多様な生体信号や健康機能に対応できるファウンデーションモデルの開発を続けていきます」
サムスンのヘルス AI ファウンデーションモデル研究
ヘルスファウンデーションモデルは、ラベルなしの生体信号データから特徴を抽出するために自己教師あり学習を活用します。サムスンによると、大規模な健康データセットで事前学習を行うことで、1 つのモデルが生体信号解析、バイオマーカー開発、健康リスク予測といった下流タスクをすべてサポートできるようになります。
今回の研究では、目的が異なる 2 つのモデルが紹介されています。
1 つ目は xMAE（Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning の略）で、異なる生体信号間の時間的な関係性を学習します。もう 1 つは HiMAE（Hierarchical Masked Autoencoder）で、ウェアラブル端末の時系列データにおける複数の時間スケールにわたる健康パターンを学習します。
Samsung は xMAE が「機械学習国際会議（ICML）」に採択されたと発表しています。一方、HiMAE は「表現学習国際会議（ICLR）」への採用が決まりました。同社は両モデルとも、生体信号データにおける生理学的な関係性や時間構造の解明に向けた取り組みであると説明しています。
これら 2 つのモデルは、ウェアラブルデータの分析における異なる課題に対応します。xMAE は、異なるメカニズムを通じて関連する活動を検出する 2 つの心臓信号を結びつけます。HiMAE は短期間と長期間の両方のデータ間隔を分析できるため、1 つの事前学習済みモデルで分類、数値予測、データの生成といった多様なタスクをサポートできます。
xMAE は連続的な PPG データと ECG 信号を結びつけます
心電図（ECG）は、心臓の電気活動を直接測定するものです。Samsung によると、ECG は心拍数や心拍変動の計測に有用です。また、不整脈の検出や、心房細動などの疾患に関連するリスクの評価にも役立ちます。
ウェアラブル機器による心電図（ECG）測定では、通常ユーザーが計測を一時停止して手動で実施する必要があります。一方、光電容积脈波（PPG）は異なるアプローチを採用しています。PPG は血流の変化を検出する技術であり、スマートウォッチなどのウェアラブルデバイスに搭載されたセンサーを通じて、ユーザーの意識を妨げない形で継続的に測定が可能です。
両者の信号は心臓活動に由来しており、発生時刻には時間差が生じます。これは雷光を見てから雷鳴が聞こえるまでの時間差に例えられます。xMAE はこの時間的関係を学習し、PPG データからマスクされた ECG 信号の一部を再構成することで、両者の関連性を理解します。
本設計の目的は、手動による ECG 測定を別途行わず、継続的に計測される PPG データを通じて心血管系の健康特徴量を分析することです。このモデルの事前学習には、約 9,400 時間に及ぶ ECG と PPG のデータが使用されました。
サムスンリサーチアメリカ社のデジタルヘルス研究ラボ所長である Subbu Venkatraman は、「生体信号は本質的に動的であり、時間とともに変化する特有の生理学的特性を持っています。本研究の主な貢献は、相互間の関係性とその背後にある時間構造を捉えることのできる健康基盤モデルの実現可能性を実証した点にあります。
「私たちは引き続き、基礎的なヘルス AI 研究を推進し、人々の健康とウェルビーイングに真の意味で寄与する医療ソリューションへと転換していくことにコミットしています。」
サムスンが発表した xMAE は、19 の評価タスクのうち 15 で単一モダルのバイオシグナルモデルや既存のマルチモーダル学習手法を上回る性能を示しました。対象となったタスクには、心血管疾患の予測、異常な検査結果の検出、睡眠ステージの分類が含まれます。同社はまた、このモデルが学習した特徴量が、異なるセンサーデバイス、身体部位、データ収集環境にわたって応用できる可能性を秘めていると述べています。
HiMAE は時間スケールを超えてウェアラブルデータを分析します
ウェアラブルデータは、期間によって異なる情報を運ぶことができます。短いセグメントでは心拍数など瞬時に変化する信号が捉えられますし、長いセグメントでは睡眠や身体活動のように時間をかけて形成されるパターンを明らかにできます。
HiMAE は複数のエンコーダーを用いて、短時間および長時間のデータセグメントをそれぞれ別々に分析します。サムスンによると、この構成によりモデルは健康タスクに必要な時間スケールを特定できるようになります。その結果、心拍数の解析と睡眠予測では、時系列データの異なる部分をそれぞれ活用することが可能になります。
学習プロセスでは、ウェアラブルデータのマスクされた部分が再構築されます。これにより、ラベル付きデータが限られている場合でも HiMAE はバイオシグナルからパターンを学習できます。その結果、単一の事前学習済みシステムで分類、数値予測、データ生成のすべてをサポートします。
サムスンによると、HiMAE は既存モデルよりも小型でありながら高い性能を発揮しました。同社はさらに、スマートウォッチクラスの CPU 上で 1 ミリ秒未満の結果を出力できることも報告しています。
この処理機能により、モデルによる分析はクラウドサーバー上ではなく、デバイス上で実行されます。ラベル付けされていない生理学的データストリームで学習されたファウンデーションモデルは、診断マーカーの抽出や予測的な健康分類の実行、ユーザーへのガイダンス生成といった機能を、消費者向けハードウェアから継続的なサーバー接続なしに実現する仕組みを提供します。
関連記事：Google AI ヘルスコーチが Abbott のグルコースデータを活用
本ニュースは TechForge Media によって提供されています。その他の企業向け技術イベントやウェビナーについては、こちらをご覧ください。
この記事は AI News に掲載されたものです：Samsung health AI models analyse wearable biosignal data
原文を表示
Samsung Research America’s Digital Health Team has presented two AI foundation models designed to learn from wearable biosignals. The work centres on data captured by smartwatches, including heart activity, sleep, and physical activity.
The company discussed its Connected Care vision at the Health Forum during Galaxy Unpacked in July 2026. Samsung described a future of preventive, personalised, and connected care, supported by health technology and healthcare partnerships. Its research team positions health foundation models as one component of new consumer health experiences.
Sharanya Desai, Head of Digital Health Algorithms at Samsung Research America, said: “This research is significant because it lays the technical groundwork for delivering health insights that are efficient, precise, and continuous through a health foundation model.
“We will continue to develop and advance health foundation models that can be applied to a variety of biosignals and health features that can operate on-device with limited sensors and computing resources.”
Samsung’s health AI foundation model research
A health foundation model uses self-supervised learning to identify features in unlabeled biosignal data. Samsung says that pretraining on large health datasets allows one model to support downstream tasks such as biosignal analysis, biomarker development, and health issue prediction.
The research covers two models with different aims. xMAE, short for Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, learns temporal relationships between different biosignals. HiMAE, or Hierarchical Masked Autoencoder, learns health patterns across multiple time scales in wearable time-series data.
Samsung says xMAE was accepted to the International Conference on Machine Learning. HiMAE was accepted to the International Conference on Learning Representations. The company describes both as work on physiological relationships and temporal structures in biosignal data.
The models address different parts of wearable-data analysis. xMAE connects two cardiac signals that measure related activity through different mechanisms. HiMAE analyses data at short and long intervals, allowing one pretrained model to support classification, numerical prediction, and data generation.
xMAE links continuous PPG data to ECG signals
Electrocardiograms, or ECGs, measure the heart’s electrical activity directly. Samsung describes ECG as useful for measuring heart rate and heart-rate variability. It can also identify abnormal heart rhythms and risks associated with conditions such as atrial fibrillation.
Wearable ECG readings generally require a user to pause and take an active measurement. Photoplethysmography, or PPG, takes a different approach. PPG detects changes in blood flow and can run passively through sensors in wearable devices such as smartwatches.
Both signals originate from cardiac activity. They occur with a time difference, which Samsung compares with hearing thunder after seeing lightning. xMAE learns that temporal relationship by reconstructing masked parts of an ECG signal from PPG data.
This design aims to analyse cardiovascular-health features through continuously measured PPG data without separate manual ECG measurements. The model’s pretraining used about 9,400 hours of ECG and PPG data.
Subbu Venkatraman, Head of the Digital Health Research Lab at Samsung Research America, commented: “Biosignals are inherently dynamic, with unique time-varying physiological properties. The key contribution of this research lies in proving the viability of health foundation models capable of capturing both the inter-signal relationships and their underlying temporal structures.
“We remain committed to advancing foundational health AI research and translating it into healthcare solutions that meaningfully improve people’s health and wellbeing.”
Samsung reports that xMAE outperformed unimodal biosignal models and existing multimodal learning methods in 15 of 19 evaluation tasks. Those tasks covered cardiovascular disease prediction, abnormal test-result detection, and sleep-stage classification. The company also says the learned features showed potential for use across sensor devices, body locations, and data-gathering environments.
HiMAE analyses wearable data across time scales
Wearable data can carry different information over different time periods. Short segments can show fast-changing signals such as heartbeats. Longer segments can reveal patterns that build over time, such as sleep or physical activity.
HiMAE uses multiple encoders to analyse short and long data segments separately. Samsung says this arrangement enables the model to identify the time scale needed for a health task. Heart-rate analysis and sleep prediction can therefore draw on different parts of the time-series data.
The training method reconstructs masked portions of wearable data. Samsung says this lets HiMAE learn patterns from biosignals where labelled data is limited. The model then supports classification, numerical prediction, and data generation from a single pretrained system.
Samsung says HiMAE achieved high performance with a smaller model than existing models. The company also reports that it can produce results in less than one millisecond on a smartwatch-class central processing unit.
That processing claim places the model’s analysis on the device rather than on cloud servers. Foundation models trained on unlabelled physiological streams provide a mechanism to extract diagnostic markers, run predictive health classifications, and generate user guidance from consumer hardware all without continuous server connectivity.
See also: Google AI health coach to use Abbott glucose data
Want to learn more about AI and big data from industry leaders? Check out AI & Big Data Expo taking place in Amsterdam, California, and London. The comprehensive event is part of TechEx and is co-located with other leading technology events including the Cyber Security & Cloud Expo. Click here for more information.
AI News is powered by TechForge Media. Explore other upcoming enterprise technology events and webinars here.
The post Samsung health AI models analyse wearable biosignal data appeared first on AI News.
News to Guide
ニュースの次に確認する
発表内容を、現在の料金や仕様と照らし合わせられる関連ガイドです。
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み