คลื่นไฟฟ้าหัวใจ (ECG) แม่นยำก็จริง แต่ต้องหยุดขยับตัวแล้วเอานิ้วกดที่เม็ดมงกุฎนาฬิกาถึงจะวัดได้ ส่วนสัญญาณโฟโตพลีทิสโมกราฟี (PPG) ใช้งานสะดวกแต่ก็ถูกวิจารณ์มาตลอดว่าแม่นยำไม่พอ คราวนี้ Samsung Research America ไม่เลือกข้างไหน แต่เลือกให้สัญญาณทั้งสองแบบมาเสริมจุดอ่อนซึ่งกันและกัน
ตามเวลาไทเป วันที่ 14 สิงหาคม สื่อต่างประเทศ Artificial Intelligence News รายงานว่า ทีมสุขภาพดิจิทัลของ Samsung Research America เปิดตัวโมเดลพื้นฐานด้านสุขภาพ 2 ตัว ได้แก่ xMAE และ HiMAE โดยเจาะกลุ่มข้อมูลกิจกรรมหัวใจ การนอนหลับ และการเคลื่อนไหวร่างกายที่เก็บจากอุปกรณ์สวมใส่อย่างสมาร์ทวอทช์ ใช้การเรียนรู้แบบ self-supervised ดึงลักษณะเด่นออกมาจากสัญญาณดิบจำนวนมหาศาลที่ไม่มีการติดป้ายกำกับโดยตรง
xMAE: สอนให้ PPG เข้าใจช่วงเวลาแบบ ECG
xMAE มีชื่อเต็มว่า "Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning" สิ่งที่มันทำนั้นชัดเจนมาก คือเรียนรู้ความสัมพันธ์เชิงเวลาระหว่าง PPG กับ ECG ทีมงานใช้ข้อมูล PPG และ ECG กว่า 9,400 ชั่วโมงมาเทรนล่วงหน้า ให้โมเดลจดจำว่าสัญญาณทั้งสองแบบสอดคล้องกันอย่างไรบนแกนเวลา ผลลัพธ์คือสมาร์ทวอทช์ต่อจากนี้แค่ใช้ PPG ที่วัดกันอยู่แล้วเป็นปกติ ก็สามารถคำนวณย้อนกลับหาลักษณะเฉพาะของหัวใจและหลอดเลือดที่ใกล้เคียงระดับ ECG ได้ ไม่ต้องให้ผู้ใช้หยุดแล้ววัดคลื่นไฟฟ้าหัวใจด้วยมืออีก Samsung ระบุว่า xMAE ทำผลงานเหนือกว่าวิธี multimodal ที่มีอยู่เดิมใน 15 จาก 19 งานประเมิน และงานวิจัยนี้ยังได้รับการตีพิมพ์ในงานประชุมระดับท็อปด้าน machine learning อย่าง ICML ด้วย
HiMAE: ประมวลผล 1 มิลลิวินาทีบน CPU ของสมาร์ทวอทช์
ถ้า xMAE แก้ปัญหาเรื่อง "วัดอะไร" HiMAE ก็แก้ปัญหาเรื่อง "ทำให้เร็วขึ้นได้อย่างไร" โมเดล "Hierarchical Masked Autoencoder" ตัวนี้ใช้ encoder ต่างชุดกันแบ่งหน้าที่ประมวลผลสัญญาณในสเกลเวลาต่างกัน—อย่างการเต้นของหัวใจที่เปลี่ยนแปลงเร็วในช่วงเวลาสั้นๆ กับคุณภาพการนอนหลับที่สะสมในช่วงเวลายาว จะถูกอ่านแยกกัน ขนาดของโมเดลเล็กกว่าโซลูชันที่มีอยู่เดิม แต่กลับให้ผลลัพธ์ได้ในเวลาไม่ถึง 1 มิลลิวินาทีบน CPU ระดับสมาร์ทวอทช์ ไม่ต้องต่อคลาวด์ประมวลผล หมายความว่าการวิเคราะห์เสร็จสิ้นแบบเรียลไทม์ ข้อมูลสุขภาพที่ละเอียดอ่อนก็ไม่ต้องอัปโหลดขึ้นเซิร์ฟเวอร์ งานวิจัยนี้ได้รับการยอมรับจากงานประชุม International Conference on Learning Representations (ICLR) แล้ว
Sharanya Desai หัวหน้าฝ่ายอัลกอริทึมสุขภาพดิจิทัลจาก Samsung Research America เผยว่า สิ่งนี้วางรากฐานทางเทคนิคสำหรับการให้ข้อมูลเชิงลึกด้านสุขภาพที่มีประสิทธิภาพ แม่นยำ และต่อเนื่อง โดยในอนาคตจะขยายไปสู่อุปกรณ์ที่มีทรัพยากรการประมวลผลจำกัดมากขึ้น ขณะที่ Subbu Venkatraman หัวหน้าห้องปฏิบัติการวิจัยสุขภาพดิจิทัล ก็เน้นย้ำว่านี่เป็นการพิสูจน์ว่าโมเดลพื้นฐานด้านสุขภาพสามารถจับโครงสร้างเชิงเวลาที่ซ่อนอยู่เบื้องหลังสัญญาณแบบไดนามิกได้ ทีมงานจะเดินหน้าแปลงผลการวิจัยให้กลายเป็นแอปพลิเคชันทางการแพทย์ที่ช่วยยกระดับสุขภาพได้จริงต่อไป
ทั้งสองเทคโนโลยีนี้สอดคล้องกับวิสัยทัศน์ "Connected Care" ที่ Samsung เปิดตัวเมื่อเดือนกรกฎาคม 2026 ปัจจุบันยังไม่มีการเปิดเผยกำหนดการวางจำหน่ายผลิตภัณฑ์จริงหรือรุ่นที่รองรับ
