L’IA dei wearable Samsung non è una promessa, è già realtà
Due studi Samsung spiegano i vantaggi di sfruttare l’IA applicata ai dati prodotti dai wearable, con benefici concreti sulla salute
In coincidenza di praticamente qualsiasi annuncio nel mondo IT, il ruolo assegnato all’Intelligenza Artificiale è tale da rivoluzionare un prodotto o un servizio. Almeno, nelle dichiarazioni. Per fare luce sul proprio progetto, in occasione del recente appuntamento per il lancio dei nuovi prodotti, Samsung ne ha approfittato per chiarire più in dettaglio, come l’IA venga sfruttata, in particolare all’interno degli smartwatch.
Di recente, Samsung ha presentato due modelli fondazionali basati sui dati raccolti dai dispositivi indossabili: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), che apprende le relazioni temporali tra diversi biosignali, e HiMAE (Hierarchical Masked Autoencoder), che interpreta i pattern di salute su differenti scale temporali all’interno delle serie storiche generate dai dispositivi wearable.
L’utilità per l’utente finale di un modello fondazionale per la salute è un sistema di intelligenza artificiale che utilizza l’apprendimento auto-supervisionato per estrarre caratteristiche significative da dati di biosignali non etichettati, per arrivare ad analisi e indicazioni più precise, dettagliate e personalizzate. Dopo una fase di addestramento su dataset sanitari su larga scala, questi modelli possono essere applicati a un’ampia gamma di attività, tra cui l’analisi dei biosignali, lo sviluppo di biomarcatori nuovi o migliorati e la previsione di possibili problematiche di salute.
Molto più di un ECG
Un punto di partenza importante per l’IA Samsung è l’ECG, ormai presente su tantissimi smartwatch. Sebbene un comune sensore si possa considerare ormai sufficientemente preciso, richiede generalmente di interrompere l’attività in corso per effettuare una misurazione dedicata. La fotopletismografia (PPG), invece, misura indirettamente la funzione cardiaca rilevando le variazioni del flusso sanguigno e può essere monitorata in modo passivo e continuo attraverso i sensori integrati in dispositivi wearable come gli smartwatch.
I due segnali derivano dalla stessa attività cardiaca, ma si manifestano con un certo ritardo temporale, proprio come il tuono viene percepito dopo aver visto il lampo. xMAE è un sistema di preaddestramento per biosignali progettato per apprendere questa relazione temporale ricostruendo le porzioni mascherate del segnale ECG utilizzando il segnale PPG, più semplice da acquisire e monitorare in modo continuo. Grazie a questo approccio, è possibile analizzare con maggiore precisione caratteristiche correlate alla salute cardiovascolare, senza richiedere misurazioni ECG manuali aggiuntive.
Questo primo studio ha permesso di capire come migliorare la previsione di malattie cardiovascolari, il rilevamento di risultati clinici anomali e la classificazione delle fasi del sonno. Ha inoltre dimostrato il potenziale delle caratteristiche apprese dal modello anche su differenti dispositivi, aree del corpo e contesti di raccolta dei dati.
A ciascuno le proprie analisi
Nel caso di AI HiMAE, si parte dalla variabilità dei dati a seconda della situazione. Per esempio, periodi di breve durata consentono di osservare fenomeni rapidi come il battito cardiaco, mentre finestre temporali più lunghe possono mettere in evidenza attività in un arco di tempo magiore, come il sonno o l’attività fisica. È un po’ come osservare un’immagine effettuando continui zoom per cogliere dettagli diversi.
HiMAE è un modello di apprendimento auto-supervisionato che apprende rappresentazioni dai dati raccolti dai wearable su più scale temporali. Utilizza diversi interpreti sofware per analizzare separatamente segmenti brevi e lunghi, consentendo al modello di individuare le informazioni più rilevanti per ciascun compito, come l’analisi della frequenza cardiaca o la previsione del sonno, alla scala temporale più appropriata. Durante la fase di addestramento, il modello ricostruisce le porzioni mancanti dei dati, imparando così a riconoscere i principali pattern presenti nei biosignali anche quando la disponibilità di dati etichettati sia limitata.
Questo permette di gestire attività di classificazione, previsioni numeriche e generazione di dati. Pur essendo più compatto rispetto alle soluzioni esistenti, il modello ha raggiunto livelli elevati di prestazione e una notevole efficienza computazionale, arrivando a produrre risultati in meno di un millisecondo su una CPU di classe smartwatch. Ancora più importante, dimostra per la prima volta il potenziale dei modelli fondazionali per la salute eseguiti direttamente sul dispositivo, consentendo l’analisi in tempo reale dei segnali grezzi senza il supporto di server cloud.
Nel loro insieme, xMAE e HiMAE sono considerati da Samsung come un importante progresso nello sviluppo di modelli di IA collegati a smartwatch e wearable più in generale, capaci di comprendere meglio le relazioni fisiologiche e le strutture temporali caratteristiche dei biosignali. Entrambi i puntano a fornire dettagli sulla salute accurati, continui e personalizzati.
Pubblicato il 31/8/2026
