Вештачката интелигенција сè почесто се користи за анализа на био-сигнали што ги мерат уредите за носење, како што се паметните часовници. Преку препознавање значајни обрасци во здравствените податоци, вклучувајќи сон, срцев ритам и физичка активност, вештачката интелигенција им помага на корисниците подобро да го разберат и да управуваат со своето здравје.
На Здравствениот Форум („Health Forum“), одржан во рамките на Galaxy Unpacked настанот во јули 2026 година, Samsung ја претстави својата визија за Поврзана грижа (Connected Care) за следното поглавје на дигиталното здравје – иднина во која грижата за здравјето ќе се движи од реактивен третман кон превентивни, персонализирани и поврзани искуства, поддржани од доверливи здравствени иновации и партнерства низ целиот здравствен екосистем. Една од технологиите што ги овозможува овие нови искуства за корисниците е основниот здравствен модел.
Истражувачите од тимот за дигитално здравје при “Samsung Research America“ (SRA) развиваат нови ВИ технологии што овозможуваат континуирано разбирање на здравствената состојба на една личност преку био-сигнали, генерирање здравствени увиди и обезбедување соодветни здравствени насоки.
„Samsung“ неодамна претстави два основни модели базирани на податоци од уреди за носење : xMAE (физиолошки информирана маскирана меѓу-модална реконструкција за учење презентација на био-сигналите), модел кој ја учи временската поврзаност меѓу различни био-сигнали, и HiMAE (хиерархиски маскиран авто-енкодер), кој ги разбира здравствените обрасци од уредите за носење низ различни временски размери во временски серии. Двете истражувања претставуваат значаен напредок во развојот на моделите за здравје со вештачка интелигенција што подобро ги разбираат физиолошките односи и временската структура на био-сигналите.
Истражувањата на „Samsung“ за моделите xMAE и HiMAE беа прифатени за претставување на Меѓународната конференција за машинско учење (ICML), односно на Меѓународната конференција за репрезентации на учење (ICLR), што дополнително ја потврдува важноста на оваа работа.
Основни здравствени модели што ги читаат сигналите на телото: зошто се важни
Основен здравствен модел е модел со вештачка интелигенција што користи самостојно надгледувано учење за да научи значајни карактеристики од неозначени био-сигнални податоци. Откако ќе биде претходно обучен на големи количини здравствени податоци, моделот може да се примени за широк спектар последователни здравствени задачи, вклучувајќи анализа на био-сигнали, развој на нови или подобрени био-маркери и предвидување на здравствени состојби.
xMAE AI модел: континуирани кардиолошки увиди преку уредите за носење
Електрокардиограмот (ECG) на уредите за носење директно ја мери електричната активност на срцето и е корисен за мерење на срцевиот ритам и варијабилноста на срцевиот ритам, како и за откривање неправилен срцев ритам и ризици од состојби како атријална фибрилација. ECG е многу прецизен, но обично бара корисникот да застане и активно да изврши мерење. Од друга страна, фотоплетизмографијата (PPG) индиректно ја мери работата на срцето преку детекција на промени во протокот на крв и може пасивно и континуирано да се следи преку сензорите во уредите за носење, како што се паметните часовници.
Двата сигнали потекнуваат од истата срцева активност, но се појавуваат со одредено временско задоцнување, слично како што громот се слуша по молњата. xMAE е рамка за претходна обука на био-сигнали, дизајнирана да ја научи временската врска меѓу двата сигнали преку реконструкција на маскирани делови од ECG сигналот користејќи го полесно достапниот и континуирано мерлив PPG сигнал. Како резултат, карактеристиките поврзани со кардиоваскуларното здравје можат да се анализираат попрецизно со користење на PPG, без потреба од посебни рачни ECG мерења.
Истражувачите го обучиле xMAE моделот со приближно 9.400 часа ECG и PPG податоци. Моделот ги надминал моделите базирани на еден биосигнал и постојните мултимодални методи на учење во 15 од 19 задачи за евалуација, вклучувајќи предвидување кардиоваскуларни заболувања, откривање абнормални резултати од тестови и класификација на фази на сон. Истражувањето исто така го потврди потенцијалот научените карактеристики да се користат на различни сензорски уреди, различни делови од телото и различни услови за собирање податоци.
HiMAE AI модел: читање на телото на секоја временска скала директно на уредот
Здравствените податоци што ги собираат уредите за носење можат да откријат различни информации во зависност од временската скала на која се анализираат. На пример, кратките временски сегменти можат да откријат брзо променливи сигнали како срцевите отчукувања, додека подолгите сегменти можат да откријат обрасци што се акумулираат со текот на времето, како што се сонот или физичката активност. Ова е слично на зумирање на слика, при што се откриваат различни детали во зависност од нивото на зголемување.
HiMAE е модел базиран на самостојно надгледувано учење што учи репрезентации од податоци од уредите за носење на повеќе временски скали. Тој користи повеќе енкодери за одделна анализа на кратки и долги сегменти, што му овозможува да ги препознае информациите потребни за секоја здравствена задача, како анализа на срцев ритам или предвидување на сон, на соодветната временска скала. За време на обуката, моделот реконструира маскирани делови од податоците, што му овозможува да научи клучни обрасци во био-сигналите дури и кога количината на означени податоци е ограничена.
Еден претходно обучен HiMAE модел може да извршува класификација, нумеричко предвидување и генерирање податоци. Моделот постигнува високи перформанси, а притоа е помал од постојните модели. Дополнително, неговата пресметковна ефикасност е подобрена до степен што може да генерира резултати за помалку од една милисекунда на процесор од класата на паметен часовник. Најважно, HiMAE за првпат го демонстрира потенцијалот на здравствената фондација на уредот моделите – анализа на сурови здравствени сигнали во реално време, без потпирање на сервери на облак.
Следниот чекор кон Поврзаната грижа
Заедно, xMAE и HiMAE претставуваат значаен напредок во развојот на AI модели што прецизно ги разбираат физиолошките односи и временските структури карактеристични за био-сигналите. Двата модели имаат цел да обезбедат прецизни, континуирани и персонализирани здравствени увиди и да се применуваат на широк спектар здравствени задачи преку еден претходно обучен модел.
Повеќе за овие модели може да се слушне од истражувачите што стојат зад развојот на овие модели.
