三星电子（Samsung Electronics）近日展示了两款用于分析可穿戴设备采集的生物信号的AI技术成果，称为“健康基础模型”。
这项研究由三星美国研究院（Samsung Research America）数字健康团队负责，开发了两种模型：一种是学习生物信号间关系的“xMAE”，另一种是分析不同时间尺度健康数据的“HiMAE”。
从生物信号中学习健康特征
健康基础模型是一种能够从未标注的生物信号数据中学习与健康相关特征的AI模型。通过在大规模健康数据上进行预训练，该模型可用于生物信号分析、生物标志物开发、提升现有生物标志物的准确度以及健康风险预测等多种应用。
三星研究团队针对可穿戴设备推出了“xMAE”和“HiMAE”两款模型。xMAE的研究成果已被国际机器学习会议（ICML）收录，HiMAE则被国际学习表征会议（ICLR）采纳。
xMAE：通过PPG分析心脏状态
xMAE模型学习不同类型生物信号随时间变化的关联。
心电图（ECG）能直接测量心脏电活动，但通常需要用户主动操作测量。光电容积脉搏波（PPG）则通过血流变化间接测量心脏功能，且可通过智能手表等设备持续监测。
xMAE通过从PPG数据重建部分ECG数据，学习两种生物信号的时间关系。这样，无需手动测量ECG，也能从持续采集的PPG数据中分析与心血管健康相关的特征。
研究团队使用约9400小时的ECG和PPG数据对xMAE进行了预训练。
在心血管疾病预测、异常检测、睡眠阶段分类等19项评估任务中，xMAE在15项指标上超过了单一生物信号模型和现有多模态学习方法。
HiMAE：分析短期与长期变化
HiMAE模型针对可穿戴设备采集的健康数据，采用多时间尺度学习方法。
健康数据在不同时间长度的分析中可获得不同信息：短时间数据捕捉心率等快速变化，长期数据则揭示睡眠和身体活动等模式。
HiMAE通过多个编码器分别处理短期和长期数据，针对心率分析、睡眠预测等健康任务，从合适的时间尺度提取所需信息。
预训练的HiMAE模型支持分类、数值预测和数据生成等多种任务。
此外，该模型在提升性能的同时实现了体积缩小，可在智能手表级别的CPU上实现不到1毫秒的结果输出，支持无需依赖云服务器的设备端实时健康数据分析。
三星表示，未来将继续推进健康基础模型的研究，致力于实现适用于多种生物信号、可在有限传感器和计算资源条件下设备端运行的健康功能。
