W lipcu 2026 roku Samsung Research America zaprezentował dwa modele fundacyjne sztucznej inteligencji, które uczą się wzorców zdrowotnych bezpośrednio z surowych danych biosygnałowych zebranych przez smartwatche — bez konieczności ich wcześniejszego etykietowania. To nie jest kolejna aktualizacja aplikacji fitness: to próba stworzenia jednego pretrenowanego modelu zdolnego do analizy bicia serca, snu i aktywności fizycznej w czasie rzeczywistym, działającego na samym urządzeniu. Jeśli podejście to okaże się skalowalne, granica między smartwatchem a urządzeniem diagnostycznym stanie się znacznie trudniejsza do wyznaczenia.
Czym są zdrowotne modele fundacyjne Samsunga?
Model fundacyjny to duży model uczenia maszynowego pretrenowany na ogromnych zbiorach danych, który następnie można dostosować do wielu różnych zadań bez konieczności uczenia od zera. Samsung Research America zastosował tę architekturę do danych biosygnałowych — fizjologicznych sygnałów rejestrowanych przez czujniki wearables, takich jak praca serca, saturacja krwi czy aktywność elektryczna mięśni.
Kluczową metodą trenowania jest self-supervised learning (uczenie z samo-nadzorem), które pozwala modelowi uczyć się z danych pozbawionych etykiet. Dla branży zdrowia ma to ogromne znaczenie: etykietowanie medycznych danych biosygnałowych jest czasochłonne, kosztowne i wymaga udziału specjalistów klinicznych.
Sharanya Desai, Head of Digital Health Algorithms w Samsung Research America, stwierdziła w 2026 roku: „To badanie jest istotne, ponieważ kładzie techniczne fundamenty pod dostarczanie precyzyjnych, wydajnych i ciągłych informacji zdrowotnych za pośrednictwem modelu fundacyjnego.” Dodała, że celem jest działanie na urządzeniu z ograniczonymi czujnikami i zasobami obliczeniowymi.
Jak działają modele xMAE i HiMAE?
Samsung Research America przedstawił dwa odrębne modele, każdy zaprojektowany z myślą o innych aspektach analizy biosygnałów. Oba zostały zaakceptowane przez wiodące konferencje naukowe z dziedziny uczenia maszynowego w 2026 roku.
xMAE — łączenie PPG z ECG
xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) koncentruje się na nauce zależności czasowych między różnymi rodzajami biosygnałów sercowych. Model ten łączy dwa komplementarne sygnały: EKG (elektrokardiogram), który mierzy elektryczną aktywność serca, oraz PPG (fotopletizmografię), która wykrywa zmiany przepływu krwi przez skórę za pomocą czujnika optycznego.
EKG dostarcza precyzyjnych danych o rytmie serca — może identyfikować nieprawidłowości takie jak migotanie przedsionków (atrial fibrillation) — ale wymaga aktywnego pomiaru: użytkownik musi zatrzymać się i przyłożyć palec do odpowiedniego czujnika. PPG działa pasywnie przez cały czas noszenia zegarka, jednak dostarcza mniej bezpośrednich informacji o aktywności elektrycznej serca.
Samsung opisuje zależność między tymi sygnałami jako analogię do grzmotu i błyskawicy: oba zjawiska mają to samo źródło, lecz docierają do obserwatora z pewnym opóźnieniem. xMAE uczy się tej fizjologicznej zależności czasowej, co potencjalnie pozwala na wyprowadzanie informacji typowych dla EKG z ciągłego, pasywnego sygnału PPG.
Praca dotycząca xMAE została zaakceptowana na prestiżowej konferencji International Conference on Machine Learning (ICML) w 2026 roku — jednej z najważniejszych w dziedzinie uczenia maszynowego na świecie.
HiMAE — analiza wieloskalowa w czasie
HiMAE (Hierarchical Masked Autoencoder) podchodzi do zagadnienia z innej strony: zamiast łączyć różne typy sygnałów, analizuje ten sam sygnał w wielu skalach czasowych jednocześnie. Krótkie okna czasowe ujawniają chwilowe zdarzenia (np. pojedyncze uderzenie serca), podczas gdy długie okna pozwalają dostrzec trendy trwające minuty, godziny lub dni — na przykład wzorce snu.
Architektura hierarchiczna (hierarchical masked autoencoder) umożliwia jednemu pretrenowanemu modelowi obsługę trzech różnych typów zadań analitycznych: klasyfikacji (np. wykrywanie bezdechu sennego), predykcji numerycznej (np. szacowanie wartości biomarkerów) oraz generowania danych. Ta wielozadaniowość jest rzadką cechą w dziedzinie analizy biosygnałów.
HiMAE został zaakceptowany na konferencji International Conference on Learning Representations (ICLR) w 2026 roku — wydarzeniu uznawanym za jedno z najważniejszych forów wymiany wyników badań nad reprezentacją danych w sieciach neuronowych.
Redakcja IWD Partner: Przez lata branżowym standardem było projektowanie oddzielnych algorytmów dla każdego rodzaju pomiaru zdrowotnego — jeden model do tętna, inny do snu, jeszcze inny do aktywności. Samsung próbuje odwrócić tę logikę, idąc ścieżką przetartą przez duże modele językowe: naucz jeden model ogólnych reprezentacji, a potem dostosuj go do szczegółowych zadań. Pytanie, które pozostaje otwarte, brzmi: czy dane biosygnałowe z urządzeń konsumenckich są wystarczająco rzetelne, by takie podejście faktycznie poprawiło wyniki kliniczne — czy jedynie sprawi, że smartwatch będzie wyglądał mądrzej na ekranie telefonu?
Co odróżnia PPG od EKG w codziennym monitorowaniu zdrowia?
Rozróżnienie między PPG a EKG jest kluczowe dla zrozumienia, dlaczego praca xMAE ma praktyczne znaczenie. EKG rejestruje potencjały elektryczne generowane przez mięsień sercowy — to złoty standard diagnostyki kardiologicznej stosowany w klinikach od ponad stu lat. Smartwatche z jednoelektrodowym EKG, takie jak urządzenia z linii Samsung Galaxy Watch, umożliwiają pomiar trwający zazwyczaj 30 sekund podczas świadomej sesji użytkownika.
PPG jest zupełnie inną techniką: dioda LED emituje światło w kierunku skóry, a czujnik rejestruje ilość światła odbitego przez krew w naczyniach włosowatych. Przepływ krwi zmienia się rytmicznie z każdym uderzeniem serca, tworząc charakterystyczny sygnał falowy. PPG działa nieprzerwanie — użytkownik nie musi nic robić.
Łącząc pasywność PPG z diagnostyczną głębią EKG, xMAE stara się wypełnić lukę między wygodą a precyzją. Według wstępnych danych z 2026 roku (Samsung Research America) model ten potrafi identyfikować fizjologiczne korelaty typowych dla EKG nawet bez aktywnego pomiaru — choć wyniki te wymagają dalszej weryfikacji w niezależnych badaniach klinicznych.
Dlaczego zdrowotna AI w urządzeniach ubieralnych ma znaczenie?
Według prognoz rynkowych firmy Grand View Research, globalny rynek urządzeń ubieralnych w sektorze opieki zdrowotnej przekroczy wartość 195 miliardów dolarów do 2030 roku. Jednocześnie systemy opieki zdrowotnej na całym świecie stoją przed wyzwaniem rosnących kosztów leczenia chorób przewlekłych — chorób serca, cukrzycy i zaburzeń snu — które rozwijają się latami, często bez wyraźnych objawów.
Modele fundacyjne działające bezpośrednio na urządzeniu (on-device inference) eliminują konieczność przesyłania wrażliwych danych zdrowotnych do chmury przy każdym pomiarze. To istotna zmiana z perspektywy prywatności użytkownika i zgodności z regulacjami takimi jak europejskie RODO. Samsung w wizji Connected Care, zaprezentowanej podczas Galaxy Unpacked w lipcu 2026 roku, wprost pozycjonuje tę technologię jako komponent opieki prewencyjnej i spersonalizowanej.
Jeśli pretrenowane modele biosygnałowe okażą się wystarczająco precyzyjne, by wspierać wczesne wykrywanie migotania przedsionków lub bezdechu sennego u milionów użytkowników smartwatchy jednocześnie, skala potencjalnego oddziaływania na zdrowie publiczne staje się trudna do przecenienia. Migotanie przedsionków, według danych Europejskiego Towarzystwa Kardiologicznego (ESC) z 2023 roku, dotyka około 60 milionów ludzi na świecie i pozostaje jedną z głównych przyczyn udarów mózgu.
Powiązane pojęcia z AI i uczenia maszynowego
- Model fundacyjny (foundation model) — duży model uczenia maszynowego pretrenowany na rozległych zbiorach danych, który można następnie dostroić do wielu różnych zadań przy minimalnym dodatkowym trenowaniu.
- Self-supervised learning (uczenie z samo-nadzorem) — technika trenowania modeli bez potrzeby ręcznego etykietowania danych, w której model sam generuje sygnały nadzorcze ze struktury danych wejściowych.
- Masked autoencoder — architektura sieci neuronowej, która uczy się reprezentacji danych poprzez rekonstruowanie celowo zamaskowanych (ukrytych) fragmentów wejścia.
- Biosygnał (biosignal) — każdy mierzalny sygnał fizjologiczny pochodzący z organizmu żywego, taki jak EKG, PPG, sygnał oddechowy czy aktywność elektryczna mięśni (EMG).
- On-device inference — uruchamianie wnioskowania modelu AI bezpośrednio na urządzeniu końcowym (np. smartwatchu) bez przesyłania danych do zewnętrznych serwerów.
Na podstawie materiałów źródłowych.
