Samsung entraîne deux IA sur les signaux des montres

Samsung Research America a présenté deux modèles de fondation dédiés aux biosignaux de santé portables. L’annonce a été abordée en juillet 2026, lors du Health Forum organisé pendant Galaxy Unpacked. Les modèles apprennent à partir de données captées par des montres connectées. Ces données couvrent notamment l’activité cardiaque, le sommeil et l’activité physique. Samsung les présente comme une composante de sa vision Connected Care. Cette vision associe soins préventifs, personnalisation et connexions entre technologies de santé et partenaires médicaux. La source originale rapporte les travaux de l’équipe Digital Health de Samsung Research America.

Deux modèles spécialisés structurent cette recherche. xMAE apprend les relations temporelles entre plusieurs biosignaux. HiMAE étudie des données de séries temporelles à plusieurs échelles. Samsung indique qu’un modèle de fondation de santé utilise l’apprentissage auto-supervisé sur des données non annotées. Le préentraînement doit ensuite soutenir plusieurs tâches. Ces tâches comprennent l’analyse de biosignaux, le développement de biomarqueurs et la prédiction de problèmes de santé. xMAE a été accepté à l’International Conference on Machine Learning. HiMAE a été accepté à l’International Conference on Learning Representations. Les deux travaux portent sur les relations physiologiques et les structures temporelles.

xMAE relie PPG et ECG

Le modèle xMAE relie des données PPG continues à des signaux ECG. L’ECG mesure directement l’activité électrique du cœur. Samsung l’associe à la fréquence cardiaque, à sa variabilité et à la détection de rythmes anormaux. La PPG détecte les variations du flux sanguin avec des capteurs de montre. Elle peut fonctionner passivement pendant le port de l’appareil. Les deux signaux proviennent de l’activité cardiaque, mais présentent un décalage temporel. xMAE apprend ce décalage en reconstruisant des portions masquées d’un ECG à partir de données PPG. Son préentraînement a utilisé environ 9 400 heures de données ECG et PPG.

Les évaluations de Samsung couvrent 19 tâches. L’entreprise rapporte que xMAE a dépassé des modèles unimodaux et des méthodes multimodales existantes dans 15 tâches. Les évaluations portaient sur la prédiction de maladies cardiovasculaires, la détection de résultats d’examens anormaux et la classification des phases du sommeil. Samsung indique aussi que les représentations apprises présentent un potentiel d’utilisation entre plusieurs capteurs, emplacements corporels et environnements de collecte. Subbu Venkatraman, responsable du Digital Health Research Lab, souligne le caractère dynamique des biosignaux. Il attribue aux modèles la capacité de capturer des relations entre signaux et des structures temporelles.

HiMAE analyse plusieurs échelles

Le modèle HiMAE analyse séparément des segments courts et longs grâce à plusieurs encodeurs. Les segments courts peuvent représenter des signaux rapides, comme les battements cardiaques. Les segments longs peuvent révéler des tendances liées au sommeil ou à l’activité physique. Samsung indique que HiMAE identifie l’échelle temporelle nécessaire selon la tâche de santé. Le modèle prend en charge la classification, la prédiction numérique et la génération de données depuis un système préentraîné. Son apprentissage reconstruit des portions masquées de données portables. Samsung rapporte également une performance élevée avec un modèle plus petit que des modèles existants, ainsi qu’un résultat en moins d’une milliseconde sur un processeur de montre connectée.

La conception sur appareil constitue l’un des éléments mis en avant par Samsung. La revendication de latence concerne un processeur de montre connectée, avec un résultat inférieur à une milliseconde. Cette exécution place l’analyse sur l’appareil plutôt que sur des serveurs infonuagiques, selon la source. Samsung affirme que des modèles entraînés sur des flux physiologiques non annotés peuvent extraire des marqueurs diagnostiques. L’entreprise cite également la classification prédictive de santé et la génération de recommandations utilisateur. Sharanya Desai, responsable des algorithmes de santé numérique chez Samsung Research America, indique que l’équipe poursuivra le développement de modèles applicables à plusieurs biosignaux, avec des capteurs et des ressources de calcul limités.