Des signaux biologiques aux informations liées au bien-être : Samsung Research mène des travaux sur les modèles de base dans le secteur de la santé

De nos jours, l’AI est largement utilisée pour analyser les signaux biologiques mesurés par des appareils portables, comme des montres connectées. En repérant les schémas importants au sein des données (sommeil, rythme cardiaque, activité physique, etc.), l’AI aide les utilisateurs à mieux gérer et mieux appréhender leur propre corps.

Lors du forum sur le bien-être organisé par le Galaxy Unpacked 2026, Samsung a présenté sa vision de l’avenir du bien-être numérique : un avenir où les soins passent du traitement réactif à des expériences préventives, personnalisées et connectées, soutenues par une innovation fiable et des partenariats efficaces. Parmi ces technologies, on compte le modèle de base du bien-être.

Les chercheurs du Samsung Research America (SRA), faisant partie de l’équipe dédiée au bien-être numérique, développent actuellement de nouvelles technologies AI. Leur but est de pouvoir comprendre en continu l’état de santé d’un individu à partir de ses signaux biologiques, dans le but de générer des informations utiles et des conseils personnalisés.

En outre, ces chercheurs ont récemment introduit deux modèles de base reposant sur des données issues d’appareils portables : xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), capable d’apprendre le lien temporel entre divers signes biologiques, ainsi que HiMAE (Hierarchical Masked Autoencoder), qui reconnaît les schémas à différentes échelles de temps dans les séries chronologiques issues d’appareils portables. Ces deux études montrent l’avancée des modèles d’AI en matière de bien-être, aujourd’hui en mesure de mieux comprendre les liens physiologiques et la structure temporelle des signaux biologiques.

Les travaux effectués par Samsung sur les modèles xMAE et HiMAE ont été reconnus par la Conférence internationale sur l’apprentissage automatique (ICML) ainsi que la Conférence internationale sur l’apprentissage des représentations (ICLR), soulignant davantage l’importance de ces recherches.

L’importance des modèles de base en matière de bien-être pour la lecture des signaux corporels 

Un modèle de base sur le bien-être correspond à un modèle AI utilisant un apprentissage autonome pour extraire des caractéristiques significatives à partir de données de signaux biologiques non étiquetées. Après s’être entraînés sur de nombreuses données de bien-être, les modèles peuvent alors prendre en charge de multiples tâches dont l’analyse des signaux biologiques, le développement ou l’optimisation de marqueurs biologiques, ainsi que la prédiction de problèmes médicaux.

Le modèle AI xMAE : un suivi cardiaque en continu grâce aux appareils portables

Un électrocardiogramme (ECG) réalisé à l’aide d’appareils portables mesure directement l’activité électrique du cœur. Son objectif est de déterminer la fréquence cardiaque ainsi que sa variabilité, afin d’identifier les rythmes cardiaques anormaux et les risques liés à des pathologies telles que la fibrillation auriculaire. L’ECG est extrêmement précis, mais impose aux utilisateurs de s’arrêter pour prendre des mesures actives. En revanche, la photopléthysmographie (PPG) permet de mesurer indirectement la fonction cardiaque en détectant les variations du débit sanguin. Celle-ci peut être réalisée de manière passive et continue grâce à des capteurs intégrés à des appareils portables, comme les montres connectées.

L’origine de ces deux signaux provient de la même activité cardiaque, bien que ceux-ci n’apparaissent pas exactement en même temps (à la manière d’un éclair, qu’on entend avant de le voir). xMAE est un cadre de pré-entraînement des signaux biologiques conçu pour apprendre le lien temporel entre deux signaux. Afin d’y arriver, l’outil reconstruit les parties masquées du signal ECG à l’aide du signal PPG, plus facile à mesurer et disponible en continu. De cette manière, les fonctionnalités cardiovasculaires peuvent être analysées plus précisément via le PPG, sans nécessiter des mesures ECG différentes.

Les chercheurs ont pré-entraîné le modèle xMAE grâce à environ 9 400 heures de données ECG et PPG. Les résultats obtenus furent meilleurs que les modèles de signaux biologiques unimodaux et les méthodes d’apprentissage multimodales existantes dans 15 des 19 tâches d’évaluation. Parmi celles-ci, on compte la prédiction des maladies cardiovasculaires, la détection de résultats d’examens anormaux et la classification des phases de sommeil. L’étude a également confirmé la possibilité d’utiliser les caractéristiques identifiées sur plusieurs capteurs, à différents endroits du corps et dans différents environnements de collecte de données.

Le modèle AI xMAE : comprendre le corps à toutes les échelles de temps sur l’appareil

Les données de bien-être mesurées à partir d’appareils portables peuvent révéler plusieurs informations en fonction de l’échelle de temps analysée. Par exemple, les segments à court terme peuvent révéler des signaux évoluant rapidement, tels que les battements cardiaques. En revanche, des segments à long terme peuvent identifier des schémas répétitifs qui s’accumulent avec le temps, comme le sommeil ou l’activité physique. Cette approche est similaire à l’analyse de différentes informations en zoomant sur une image.

HiMAE est un modèle d’apprentissage autonome capable d’apprendre la représentation à partir d’appareils portables, et à travers diverses échelles de temps. Cet outil utilise plusieurs encodeurs pour analyser séparément les segments courts et longs, permettant au modèle d’identifier les informations nécessaires à chaque tâche liée à la santé. Parmi celles-ci se trouvent l’analyse de la fréquence cardiaque ou encore la prédiction du sommeil, à l’échelle de temps appropriée. Durant l’entraînement, le modèle reconstruit les parties masquées des données. De cette manière, il peut apprendre les schémas clés dans les signaux biologiques même lorsque les données étiquetées sont limitées.

Un seul modèle HiMAE pré-entraîné gère la classification, la prédiction numérique et la génération des données. Ce modèle a pu atteindre des performances élevées, tout en étant plus petit que les modèles existants. Celui-ci a également permis d’améliorer l’efficacité des calculs, au point de pouvoir produire des résultats en moins d’une milliseconde sur un processeur central (CPU) de type montre connectée. Plus important encore, HiMAE a prouvé le potentiel des modèles de base intégrés en matière de bien-être et ce, pour la première fois. Capables d’analyser en temps réel des signaux de santé bruts, ils n’ont pas besoin de recourir à des serveurs dans le cloud.

La prochaine étape vers les soins connectés

Ensemble, xMAE et HiMAE représentent une réelle avancée en matière de modèles AI pouvant précisément comprendre les liens physiologiques et les structures temporelles, uniques aux signaux biologiques. Ces deux modèles visent à fournir des informations précises, continues et personnalisées concernant la santé, ainsi qu’à généraliser plusieurs tâches d’un seul modèle pré-entraîné. La suite de cet article vous permettra d’en savoir plus sur cette étude.