Des biosignaux aux renseignements sur la santé : le travail de Samsung Research sur les modèles de base en santé

L’IA est largement utilisée pour analyser les biosignaux mesurés par les appareils vestimentaires comme les montres intelligentes. En identifiant des tendances significatives dans les données de santé, notamment celles relatives au sommeil, à la fréquence cardiaque et à l’activité physique, l’IA aide les utilisateurs à mieux comprendre et gérer leur santé.

Le Forum de la santé, qui s’est tenu lors de l’événement Galaxy Unpacked en juillet 2026, a également permis de présenter la vision des soins de santé connectés de Samsung pour la prochaine étape de la santé numérique — un avenir où les soins passent d’un traitement réactif à des expériences préventives, personnalisées et connectées, soutenues par des innovations et des partenariats en santé de confiance dans l’ensemble de l’écosystème des soins de santé. Une technologie qui contribue à alimenter ces nouvelles expériences des consommateurs est le modèle de base en santé.

Les chercheurs de l’équipe de santé numérique de Samsung Research America (SRA) développent de nouvelles technologies d’IA visant à analyser en continu l’état de santé d’une personne à partir de ses signaux biologiques, à en tirer des informations pertinentes et à proposer des conseils de santé adaptés.

Les chercheurs de Samsung ont récemment lancé deux modèles de base s’appuyant sur les données des appareils vestimentaires : xMAE (reconstruction multimodale masquée tenant compte de la physiologie pour l’apprentissage de la représentation des signaux biologiques), qui apprend la relation temporelle entre les différents signaux biologiques, et HiMAE (auto-encodeur masqué hiérarchique), qui analyse les tendances de santé à différentes échelles de temps dans les séries chronologiques issues des appareils vestimentaires. Les deux études démontrent l’avancement des modèles de santé d’IA qui peuvent mieux comprendre les relations physiologiques et la structure temporelle des biosignaux.

Le travail de Samsung sur les modèles xMAE et HiMAE a été accepté à la Conférence internationale sur l’apprentissage artificiel (ICML) et à la Conférence internationale sur les représentations de l’apprentissage (ICLR), respectivement, soulignant l’importance de cette recherche.

Modèles de base en santé lisant les signaux du corps : pourquoi ils sont importants pour la santé

Un modèle de base en santé est un modèle d’IA qui utilise l’apprentissage autosupervisé pour apprendre des caractéristiques significatives à partir de données de biosignaux non étiquetées. Après avoir été préentraînés sur des ensembles de données de santé à grande échelle, ces modèles peuvent être utilisés pour réaliser un large éventail de tâches en aval dans le domaine de la santé, notamment l’analyse des signaux biologiques, le développement de biomarqueurs nouveaux ou améliorés, ainsi que la prédiction de problèmes de santé.

Modèle d’IA xMAE : un suivi cardiaque en continu grâce aux appareils vestimentaires

Un électrocardiogramme (ECG) sur les appareils vestimentaires mesure directement l’activité électrique du cœur et est utile pour mesurer la fréquence cardiaque et la variabilité de la fréquence cardiaque, en identifiant les rythmes cardiaques anormaux et les risques d’affections telles que la fibrillation auriculaire. L’ECG est très précis, mais nécessite généralement que les utilisateurs s’arrêtent un instant pour effectuer une mesure active. D’autre part, la photopléthysmographie (PPG) peut indirectement mesurer la fonction cardiaque en détectant les changements dans le débit sanguin et peut être mesurée passivement et continuellement par des capteurs dans des appareils vestimentaires tels que les montres intelligentes.

Les deux signaux proviennent de la même activité cardiaque, mais ils apparaissent avec un certain décalage temporel, un peu comme le tonnerre que l’on entend après avoir vu l’éclair. xMAE est un cadre de préentraînement des signaux biologiques conçu pour apprendre la relation temporelle entre les deux signaux en reconstruisant des parties masquées du signal ECG en utilisant le signal de la PPG mesuré plus facilement et continuellement. Par conséquent, les caractéristiques liées à la santé cardiovasculaire peuvent être analysées plus précisément à l’aide de la PPG sans nécessiter de mesures ECG manuelles distinctes.

Les chercheurs ont préentraîné xMAE en utilisant environ 9 400 heures de données ECG et PPG. Ce modèle a obtenu de meilleurs résultats que les modèles de signaux biologiques unimodaux et les méthodes d’apprentissage multimodales existantes dans 15 des 19 tâches d’évaluation, notamment 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 apprises sur différents capteurs, à différents endroits du corps et dans différents environnements de collecte de données.

Modèle d’IA HiMAE : lecture des données corporelles à toutes les échelles de temps sur l’appareil

Les données de santé mesurées à partir d’appareils vestimentaires peuvent révéler différentes informations selon l’échelle de temps à laquelle elles sont analysées. Par exemple, des segments de courte durée peuvent révéler des signaux évoluant rapidement, tels que les battements cardiaques, tandis que des segments plus longs permettent de mettre en évidence des tendances qui s’accumulent au fil du temps, comme le sommeil ou l’activité physique. Cela est similaire à l’examen de différentes informations en effectuant un zoom avant et arrière sur une image.

HiMAE est un modèle d’apprentissage autosupervisé qui apprend des représentations à partir de données issues d’appareils vestimentaires sur plusieurs échelles de temps. Il utilise plusieurs encodeurs pour analyser séparément les segments courts et longs, ce qui permet au modèle d’identifier les informations requises pour chaque tâche de santé, comme l’analyse de la fréquence cardiaque ou la prédiction du sommeil, à l’échelle de temps appropriée. Pendant l’entraînement, le modèle reconstruit les parties masquées des données. Cela lui permet d’apprendre les schémas clés dans les biosignaux même lorsque les données étiquetées sont limitées.

Un seul modèle HiMAE préentraîné gère la classification, la prédiction numérique et la génération de données. Ce modèle a atteint des performances élevées tout en étant plus compact que les modèles existants. Il a également amélioré l’efficacité informatique au point de pouvoir produire des résultats en moins d’une milliseconde sur une unité centrale de traitement de classe montre intelligente. Mais surtout, HiMAE démontre pour la première fois le potentiel des modèles de base en santé intégrés aux appareils : ils permettent d’analyser en temps réel des signaux de santé bruts, sans recourir à des serveurs dans le nuage.

La prochaine étape vers les soins connectés

Ensemble, xMAE et HiMAE représentent une avancée dans les modèles d’IA qui comprennent avec précision les relations physiologiques et les structures temporelles uniques aux biosignaux. Ces deux modèles ont pour objectif de fournir des informations de santé précises, continues et personnalisées, et de permettre une généralisation à de nombreuses tâches liées à la santé à partir d’un seul modèle préentraîné. Découvrez les travaux des chercheurs à l’origine de cette étude ci-dessous.