Von biologischen Signalen bis hin zu gesundheitlichen Erkenntnissen

LJUBLJANA, 15. August 2026, Künstliche Intelligenz wird zunehmend zur Analyse von biologischen Signalen verwendet, die von tragbaren Geräten wie Smartwatches gemessen werden. Durch die Erkennung bedeutender Muster in Gesundheitsdaten, einschließlich Schlaf, Herzfrequenz und körperlicher Aktivität, hilft künstliche Intelligenz den Benutzern, ihre Gesundheit besser zu verstehen und zu verwalten.

Bei einem Gesundheitsforum, das im Juli 2026 während der Galaxy Unpacked-Veranstaltung stattfand, präsentierte Samsung seine Vision für die vernetzte Versorgung, Connected Care, die das nächste Kapitel der digitalen Gesundheit vorstellt, eine Zukunft, in der die Versorgung von einer reaktiven Behandlung zu präventiven, persönlichen und vernetzten Erfahrungen übergeht, die durch vertrauenswürdige Gesundheitsinnovationen und Partnerschaften im gesamten Gesundheitsökosystem unterstützt werden.

Forscher des Digital Health-Teams von Samsung Research America (SRA) entwickeln neue KI-Technologien, die den Gesundheitszustand eines Menschen kontinuierlich anhand von biologischen Signalen verstehen, Gesundheitsinformationen erstellen und entsprechende Gesundheitsberatung bieten. Samsung-Forscher führten kürzlich zwei grundlegende Modelle ein, die mit Daten von tragbaren Geräten entwickelt wurden: xMAE (physiologisch bewusste maskierte multimodale Rekonstruktion zum Erlernen der Repräsentation biologischer Signale), die die zeitliche Beziehung zwischen verschiedenen biologischen Signalen erlernt, und HiMAE (hierarchischer maskierter Selbstcoder), der Gesundheitsmuster in verschiedenen Zeitskalen innerhalb von Zeitreihendaten von tragbaren Geräten versteht.

Beide Studien zeigen Fortschritte in Gesundheitsmodellen künstlicher Intelligenz, die in der Lage sind, physiologische Bedingungen und die zeitliche Struktur biologischer Signale besser zu verstehen. Die Arbeit von Samsung an den xMAE- und HiMAE-Modellen wurde auf der Internationalen Konferenz für maschinelles Lernen und der Internationalen Konferenz für Lernrepräsentationen akzeptiert, was die Bedeutung dieser Forschungsbemühungen hervorhebt.

Nach vorheriger Schulung an umfangreichen Gesundheitsdaten können diese Modelle für eine Vielzahl von nachfolgenden Gesundheitsaufgaben verwendet werden, einschließlich der Analyse biologischer Signale, der Entwicklung neuer oder verbesserter biologischer Indikatoren und der Vorhersage von Gesundheitsproblemen.

Ein Elektrokardiogramm ist sehr genau, erfordert aber normalerweise, dass Benutzer eine Pause einlegen und es aktiv messen. Auf der anderen Seite misst die Photoplethysmographie indirekt die Herzfunktion, indem sie Veränderungen des Blutflusses erkennt und passiv und kontinuierlich mit Sensoren in tragbaren Geräten wie Smartwatches gemessen werden kann. Beide Signale stammen aus der gleichen Herzaktivität, erscheinen aber mit einer gewissen Zeitverzögerung, ähnlich wie Donner nach dem Sehen eines Blitzes gehört wird.

xMAE ist ein Vor-Training-Framework für biologische Signale, das entworfen wurde, um die zeitliche Beziehung zwischen beiden Signalen zu erlernen, indem maskierte Teile des Elektrokardiogrammsignals mit dem Photoplethysmographie-Signal rekonstruiert werden, das einfacher und kontinuierlich messbar ist. Infolgedessen können Merkmale im Zusammenhang mit der kardiovaskulären Gesundheit mit der Photoplethysmographie genauer analysiert werden, ohne dass separate manuelle Messungen des Elektrokardiogramms erforderlich sind. Die Forscher trainierten das xMAE-Modell mit etwa 9.400 Stunden Elektrokardiogramm- und Photoplethysmographie-Daten. Das Modell übertraf unmodelle Modelle biologischer Signale und bestehende.