Neue KI-Modelle von Samsung zur Analyse von Biosignaldaten aus Wearables

Die Digital Health Teams von Samsung Research America haben mit der Vorstellung zweier neuartiger KI-Grundlagenmodelle, HiMAE und xMAE, einen signifikanten Fortschritt im Bereich der tragbaren Gesundheitstechnologien erzielt. Diese Modelle sind darauf ausgelegt, Biosignaldaten, die von Wearables wie Smartwatches erfasst werden, zu analysieren und daraus präzise gesundheitliche Erkenntnisse zu gewinnen. Die Entwicklung dieser Technologien steht im Einklang mit Samsungs Vision einer vernetzten Gesundheitsversorgung, die auf präventive, personalisierte und kontinuierliche Betreuung abzielt.

Die Rolle von KI in der Gesundheitsüberwachung durch Wearables

Wearable Devices haben sich zu einem integralen Bestandteil der modernen Gesundheitsüberwachung entwickelt. Sie erfassen kontinuierlich eine Vielzahl von Biosignalen, darunter Herzfrequenz, Schlafdaten und Aktivitätsmuster. Die Herausforderung besteht darin, diese riesigen Datenmengen in sinnvolle und umsetzbare Gesundheitsinformationen umzuwandeln. Hier setzen die neuen KI-Modelle von Samsung an.

Ein Grundlagenmodell in diesem Kontext ist ein KI-Modell, das durch selbstüberwachtes Lernen Merkmale aus unbeschrifteten Biosignaldaten identifiziert. Nach dem Vortraining mit großen Gesundheitsdatensätzen können solche Modelle für eine Vielzahl nachgelagerter Gesundheitsaufgaben eingesetzt werden, wie die Biosignalanalyse, die Entwicklung neuer Biomarker oder die Vorhersage von Gesundheitsproblemen.

xMAE: Verständnis kardialer Signale durch zeitliche Beziehungen

Das Modell xMAE, kurz für "Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning", befasst sich mit den komplexen zeitlichen Beziehungen zwischen verschiedenen Biosignalen. Ein zentrales Anwendungsfeld ist die Verknüpfung von Elektrokardiogramm (EKG) und Photoplethysmographie (PPG) zur Gewinnung kontinuierlicher kardialer Erkenntnisse.

EKG und PPG: Zwei Perspektiven auf dieselbe Aktivität

• EKG (Elektrokardiogramm): Misst die elektrische Aktivität des Herzens direkt. Es ist präzise für die Bestimmung der Herzfrequenz, der Herzfrequenzvariabilität und zur Identifizierung von Herzrhythmusstörungen wie Vorhofflimmern. Traditionell erfordert ein EKG eine aktive Messung durch den Nutzer.
• PPG (Photoplethysmographie): Misst indirekt die Herzfunktion durch die Erfassung von Veränderungen des Blutflusses. PPG kann passiv und kontinuierlich über Sensoren in Wearables erfasst werden.

Obwohl beide Signale von derselben kardialen Aktivität stammen, treten sie mit einer zeitlichen Verzögerung auf – vergleichbar mit dem Hören des Donners nach dem Sehen des Blitzes. xMAE wurde entwickelt, um diese zeitliche Beziehung zu erlernen. Es rekonstruiert maskierte Teile eines EKG-Signals aus den kontinuierlich gemessenen PPG-Daten. Dies ermöglicht eine präzisere Analyse kardiovaskulärer Gesundheitsmerkmale allein durch PPG, ohne die Notwendigkeit separater manueller EKG-Messungen.

Das Vortraining von xMAE umfasste etwa 9.400 Stunden EKG- und PPG-Daten. Samsung berichtet, dass xMAE unimodale Biosignalmodelle und bestehende multimodale Lernmethoden in 15 von 19 Bewertungsaufgaben übertraf. Diese Aufgaben umfassten die Vorhersage von Herz-Kreislauf-Erkrankungen, die Erkennung abnormaler Testergebnisse und die Klassifizierung von Schlafphasen. Die gewonnenen Erkenntnisse sollen auch über verschiedene Sensorgeräte, Körperregionen und Datenerfassungsumgebungen hinweg anwendbar sein.

HiMAE: Analyse von Wearable-Daten über verschiedene Zeitskalen

Das Modell HiMAE, oder "Hierarchical Masked Autoencoder", ist darauf ausgelegt, Gesundheitsmuster über mehrere Zeitskalen hinweg in tragbaren Zeitreihendaten zu verstehen. Die Information, die aus Wearable-Daten gewonnen werden kann, variiert stark je nach Analysezeitraum.

Analyse von Zeitskalen

• Kurze Zeitsegmente: Können schnell wechselnde Signale wie Herzschläge erfassen.
• Längere Zeitsegmente: Können sich über die Zeit aufbauende Muster wie Schlaf oder körperliche Aktivität aufdecken.

HiMAE verwendet mehrere Encoder, um kurze und lange Datensegmente separat zu analysieren. Diese Architektur ermöglicht es dem Modell, die für eine bestimmte Gesundheitsaufgabe erforderliche Zeitskala zu identifizieren, sei es die Herzfrequenzanalyse oder die Schlafvorhersage. Während des Trainings rekonstruiert das Modell maskierte Teile der Daten, wodurch es Muster in Biosignalen auch bei begrenzten beschrifteten Daten lernen kann. Ein einzelnes vortrainiertes HiMAE-Modell kann Klassifizierungs-, numerische Vorhersage- und Datengenerierungsaufgaben bewältigen.

Ein bemerkenswerter Aspekt von HiMAE ist seine Effizienz. Samsung gibt an, dass das Modell eine hohe Leistung bei gleichzeitig geringerer Größe als bestehende Modelle erreicht. Es kann Ergebnisse in weniger als einer Millisekunde auf einer Smartwatch-CPU liefern. Dies ist entscheidend, da es die Ausführung von Analysen direkt auf dem Gerät ermöglicht, ohne auf Cloud-Server angewiesen zu sein. Dies stellt einen wichtigen Schritt in Richtung On-Device-Gesundheitsgrundlagenmodelle dar, die Rohdaten in Echtzeit verarbeiten können.

Vision und Ausblick

Die Forschungsergebnisse zu xMAE und HiMAE stellen einen Fortschritt in der Entwicklung von KI-Modellen dar, die die physiologischen Beziehungen und zeitlichen Strukturen von Biosignalen präzise verstehen. Beide Modelle zielen darauf ab, genaue, kontinuierliche und personalisierte Gesundheitseinblicke zu liefern und über eine Vielzahl von Gesundheitsaufgaben hinweg zu generalisieren. Diese Entwicklungen sind ein integraler Bestandteil von Samsungs "Connected Care"-Vision, die darauf abzielt, die digitale Gesundheit von einer reaktiven Behandlung hin zu präventiven, personalisierten und vernetzten Erfahrungen zu bewegen.

Die Fähigkeit, komplexe Biosignaldaten direkt auf Wearables zu verarbeiten, eröffnet neue Möglichkeiten für die personalisierte Gesundheitsüberwachung und -vorsorge. Es wird erwartet, dass diese Technologien die Grundlage für zukünftige Gesundheitsanwendungen bilden, die den Nutzern helfen, ihre Gesundheit besser zu verstehen und proaktiv zu verwalten.

Bibliographie

• Daws, R. (2026, 14. August). Samsung health AI models analyse wearable biosignal data. Artificial Intelligence News.
• Daws, R. (2026, 14. August). Samsung health AI models analyse wearable biosignal data. prodSens.live.
• eWEEK Staff. (2026, 13. August). Samsung’s Health AI Runs Directly on Smartwatches — What It Could Mean for Galaxy Watch Owners. eWeek.
• Samsung Mobile Press. (2026, 13. August). From Biosignals to Health Insights: Samsung Research’s Work on Health Foundation Models.
• Samsung Research. (2026, 26. Januar). HiMAE: Hierarchical Masked Autoencoders Discover Resolution-Specific Structure in Wearable Time Series. ICLR.
• Samsung Research. (2026, 1. Mai). Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning. ICML.
• Samsung Research. (2026, 23. Juli). Cross-Biosignal Pretraining for Wearable Health AI.
• Lee, S. A., Tanade, C., Zhou, H., Lee, J., Thukral, M., Han, M., Choi, R., Khan, M. S. H., Lu, B., Gwak, M., Morshed, M., Nathan, V., Rahman, M. M., Zhu, L., Venkatraman, S., & Desai, S. (2026). HiMAE: Hierarchical masked autoencoders discover resolution-specific structure in wearable time series.
• Zhou, H., Lee, S. A., Tanade, C., Chun, K. S., Lee, J., Gwak, M., Thukral, M., Sung, J., & Desai, S. (2026). Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning. arXiv.