三星发布两款健康AI基础模型，专注可穿戴生物信号分析

健康基础模型：三星数字健康研究新路径

三星研究院美国分部（Samsung Research America）数字健康团队近期公布了两项健康AI基础模型研究成果，聚焦于从智能手表等可穿戴设备采集的生物信号中提取深层健康洞察。这些信号涵盖心电活动、睡眠状态与身体活动等维度。该研究是三星‘互联照护’（Connected Care）愿景的技术支撑之一——该愿景在2026年7月Galaxy Unpacked健康论坛上正式提出，旨在构建预防性、个性化与互联互通的健康服务体系。

xMAE：打通PPG与ECG的时序映射

xMAE（Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning）是一种生理感知型跨模态掩码重建模型。其核心目标是学习不同生物信号间的动态时序关联，尤其聚焦于光电容积脉搏波（PPG）与心电图（ECG）之间的物理耦合关系。ECG直接测量心脏电活动，适用于心率、心率变异性及房颤等异常节律识别，但需用户主动配合测量；PPG则通过光学传感器被动、连续采集血流变化信号，更适配日常佩戴场景。两者虽同源心脏活动，却存在固有时间差——三星将其类比为‘先见闪电、后闻雷声’。

xMAE通过自监督预训练，学习从连续PPG数据中重建被掩码的ECG片段，从而建立二者间的隐式映射。模型使用约9400小时真实同步ECG-PPG数据完成预训练。实验显示，xMAE在19项下游任务中的15项表现优于单模态模型及现有多模态方法，覆盖心血管疾病预测、异常检验结果识别与睡眠分期等关键场景。三星指出，其学到的表征具备跨设备、跨身体部位与跨采集环境的泛化潜力。

HiMAE：分层建模多尺度生理模式

HiMAE（Hierarchical Masked Autoencoder）则致力于解决可穿戴时序数据的多尺度特性问题。短时窗口（如数秒）反映瞬态生理事件（如单次心跳），长时窗口（如数小时）承载渐进式健康模式（如睡眠周期或运动恢复趋势）。HiMAE采用分层编码器结构，对不同时间粒度的数据段进行独立建模，并通过掩码重建任务学习各尺度下的内在规律。这种设计使同一预训练模型能灵活适配多种下游任务——例如心率估计依赖高频细节，而睡眠阶段分类则需整合长周期节律信息。

xMAE与HiMAE均已获得国际机器学习领域权威会议认可：xMAE被ICML 2024接收，HiMAE被ICLR 2024接收。三星强调，二者共同指向一个技术方向：构建能同时捕捉‘信号间关系’与‘时序结构’的健康基础模型，为资源受限的端侧设备提供高效、精准、持续的健康分析能力。

技术定位与未来方向

三星数字健康算法负责人Sharanya Desai表示，该研究奠定了通过健康基础模型交付‘高效、精准、连续’健康洞察的技术基础。团队将持续拓展模型对更多生物信号类型与健康特征的支持能力，并优化其在低功耗传感器与有限算力设备上的部署性能。数字健康研究实验室负责人Subbu Venkatraman指出：‘生物信号本质是动态且具时变特性的，本研究的价值在于验证了健康基础模型在建模跨信号关联与内在时间结构上的可行性。’

编者观点：三星将基础模型范式系统性引入消费级健康硬件，凸显‘小模型、大场景、强落地’的技术演进路径——对中国可穿戴与数字健康企业而言，与其追逐通用大模型参数竞赛，不如深耕垂直领域数据闭环与轻量化智能，以端云协同方式构建临床可信、用户可用的健康AI产品力。