Samsung : deux modèles d’IA santé pour montres connectées

Samsung Research America dévoile deux modèles d’IA santé centrés sur les signaux captés par les montres. L’entreprise rapporte des gains face à des approches existantes sur 15 des 19 tâches testées et une inférence en moins d’une milliseconde sur un CPU de smartwatch. Les travaux, acceptés à ICML et ICLR, visent des analyses continues sur l’appareil et s’inscrivent dans la vision Connected Care présentée en juillet 2026.

Samsung rapporte des gains sur 15 tâches et une inférence locale quasi instantanée

Samsung rapporte que xMAE a dépassé des modèles unimodaux et des méthodes multimodales existantes dans 15 des 19 tâches d’évaluation, couvrant la prédiction cardiovasculaire, la détection d’anomalies de tests et la classification des stades de sommeil. L’entreprise affirme par ailleurs que HiMAE atteint des performances élevées malgré une taille inférieure à des modèles existants et peut produire des résultats en moins d’une milliseconde sur un processeur de type smartwatch. Cette capacité, décrite comme plaçant l’analyse sur l’appareil plutôt que dans le cloud, s’accompagne selon Samsung d’un potentiel de transfert des caractéristiques apprises entre dispositifs de capteurs, emplacements corporels et contextes de collecte. Des modèles fondamentaux entraînés sur des flux physiologiques non étiquetés sont présentés comme un mécanisme pour extraire des marqueurs diagnostiques, réaliser des classifications prédictives et générer des conseils depuis du matériel grand public, sans dépendre d’une connexion serveur continue.

xMAE apprend à projeter l’ECG depuis la PPG pour le cardiovasculaire en continu

Les électrocardiogrammes mesurent directement l’activité électrique du cœur et, selon Samsung, servent à évaluer fréquence cardiaque et variabilité, tout en identifiant des anomalies de rythme et des risques liés notamment à la fibrillation auriculaire. Ces mesures portables exigent en général une action de l’utilisateur, quand la photopléthysmographie détecte passivement les variations de flux sanguin via les capteurs des montres. Samsung souligne que les deux signaux, issus de la même activité cardiaque, présentent un décalage temporel comparable au tonnerre après l’éclair. xMAE apprend cette relation en reconstruisant des portions masquées d’ECG à partir de données PPG, avec l’objectif déclaré d’analyser des caractéristiques cardiovasculaires depuis des PPG continues sans relever d’ECG manuel. Le pré-entraînement a mobilisé environ 9 400 heures de données ECG et PPG.

HiMAE isole l’échelle temporelle utile et couvre classification, régression et génération

Les données portables portent des informations qui varient avec la durée d’observation : des segments brefs tracent des signaux rapides, tandis que des fenêtres longues révèlent des motifs de sommeil ou d’activité physique. HiMAE s’appuie sur plusieurs encodeurs pour traiter séparément courts et longs segments et, selon Samsung, déduire l’échelle temporelle pertinente pour une tâche donnée. Son entraînement reconstruit des portions masquées pour apprendre dans des contextes où l’étiquetage est rare. À partir d’un seul modèle pré-entraîné, HiMAE prend en charge classification, prédiction numérique et génération de données, tout en analysant simultanément des intervalles courts et longs.

Deux modèles, un cadre auto-supervisé et des acceptations à ICML et ICLR

Le cadre revendiqué repose sur l’auto-supervision pour extraire des représentations à partir de biosignaux non étiquetés, avec, selon Samsung, un apport au diagnostic via l’analyse de signaux, au développement de biomarqueurs et à la prédiction de problèmes de santé. La recherche décrit deux approches complémentaires : xMAE pour l’apprentissage des relations temporelles inter-signaux et HiMAE pour les motifs multi-échelles dans des séries temporelles portables. Samsung présente ces travaux comme centrés sur les relations physiologiques et les structures temporelles, chaque modèle traitant une composante distincte de l’analyse des données de dispositifs portables. Les deux études ont été acceptées respectivement à la Conférence Internationale sur l’Apprentissage Automatique et à la Conférence Internationale sur les Représentations d’Apprentissage.

Connected Care et projets: ce que disent Sharanya Desai et Subbu Venkatraman

Lors du Health Forum de Galaxy Unpacked en juillet 2026, Samsung a exposé sa vision Connected Care d’une prise en charge préventive, personnalisée et connectée, et positionné les modèles fondamentaux comme un levier des futures expériences grand public. Sharanya Desai, responsable des algorithmes de santé numérique, estime que les travaux posent les bases techniques d’insights de santé efficaces, précis et continus. Elle annonce la poursuite du développement de modèles applicables à divers biosignaux et capables de fonctionner sur des appareils aux capteurs et ressources limités. Subbu Venkatraman, qui dirige le laboratoire, décrit des biosignaux intrinsèquement dynamiques et avance que l’apport central est de montrer la viabilité de modèles capturant relations inter-signaux et structures temporelles. Il indique l’intention de faire progresser ces recherches et de les traduire en solutions utiles au bien-être des personnes.