Von Herzschlag bis Schlafmuster: Wie AI-Modelle von Samsung Wearable-Daten übersetzen

AI analysiert immer öfter Biosignale, die von Wearables wie Smartwatches erfasst werden. Indem sie aussagekräftige Muster in Gesundheitsdaten erkennt – darunter Schlaf, Herzfrequenz und körperliche Aktivität – hilft AI den Nutzer*innen, ihre Gesundheit zu verstehen und aktiv zu steuern.

Um dieses Thema ging es beim Health Forum im Rahmen des Galaxy Unpacked im Juli 2026.
Hier stellte Samsung seine Connected-Care-Vision für das nächste Kapitel der digitalen Wellness vor: eine Zukunft, in der Versorgung sich von reaktiver Behandlung hin zum präventiven, personalisierten und vernetzten Erlebnis entwickelt, getragen von einem vertrauenswürdigen Ecosystem. Eine Technologie, die diese neuen Consumer-Erlebnisse antreibt, ist das Health Foundation Model.

Forscher*innen des Digital Health Teams bei Samsung Research America (SRA) entwickeln neue AI-Technologien¹, um Hinweise zum persönlichen Wohlbefinden einer Person bereitzustellen.

Samsung Forscher*innen haben kürzlich zwei Foundation Models auf Basis von Wearable-Daten vorgestellt: 1., xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), das die zeitlichen Zusammenhänge zwischen verschiedenen Biosignalen erlernt, sowie 2., HiMAE (Hierarchical Masked Autoencoder), das Gesundheitsmuster über verschiedene Zeitskalen hinweg in Wearable-Zeitreihendaten versteht. Beide Studien belegen den Fortschritt von Gesundheits-AI-Modellen, die physiologische Zusammenhänge und die zeitliche Struktur von Biosignalen besser erfassen können.

Die Forschung von Samsung zu den Modellen xMAE und HiMAE wurden auf der International Conference on Machine Learning (ICML) bzw. der International Conference on Learning Representations (ICLR) angenommen – ein Beleg für die wissenschaftliche Bedeutung dieser Forschung.

So funktionieren Health Foundation Models

Ein Health Foundation Model ist ein KI-Modell, das selbstüberwachtes Lernen (Self-Supervised Learning) einsetzt, um aussagekräftige Merkmale aus nicht beschrifteten Biosignaldaten zu extrahieren. Nach dem Vortraining auf großen Gesundheitsdatensätzen können die Modelle für ein breites Spektrum nachgelagerter Gesundheitsaufgaben eingesetzt werden. Darunter fällt die Analyse von Biosignalen, die Entwicklung neuer oder verbesserter Biomarker sowie die Vorhersage von Gesundheitsrisiken.

Das xMAE-AI-Modell: Kontinuierliche kardiale Einblicke über Wearables

Ein Elektrokardiogramm (EKG) auf Wearables misst direkt die elektrische Aktivität des Herzens. Es bestimmt Herzfrequenz und Herzfrequenzvariabilität, erkennt aber auch Herzrhythmusstörungen und Risiken für Erkrankungen wie Vorhofflimmern. EKG ist hochpräzise, erfordert jedoch in der Regel, dass Nutzer*innen eine aktive Messung durchführen² und dabei innehalten. Photoplethysmographie (PPG) hingegen kann die Herzfunktion indirekt messen, indem sie Veränderungen im Blutfluss erfasst. Dadurch lässt sich PPG passiv und kontinuierlich über Sensoren in Wearables wie Smartwatches aufzeichnen.

Beide Signale entstammen derselben kardialen Aktivität, treten jedoch mit einer gewissen Zeitverzögerung auf – ähnlich wie Donner erst nach dem Blitz zu hören ist. xMAE ist ein Biosignal-Pretraining-Framework, das darauf ausgelegt ist, die zeitliche Beziehung zwischen beiden Signalen zu erlernen, indem es maskierte Abschnitte des EKG-Signals mithilfe des leichter und kontinuierlich messbaren PPG-Signals rekonstruiert. Dadurch können kardiovaskuläre Gesundheitsmerkmale präzise über PPG analysiert werden, ohne separate, manuelle EKG-Messungen.

Die Forscher haben xMAE mit rund 9.400 Stunden EKG- und PPG-Daten vortrainiert. Das Modell übertraf unimodale Biosignalmodelle sowie bestehende multimodale Lernmethoden in 15 von 19 Evaluierungsaufgaben. Darunter fielen die Vorhersage kardiovaskulärer Erkrankungen, die Erkennung auffälliger Testergebnisse³ und die Klassifizierung von Schlafphasen. Die Studie bestätigte zudem das Potenzial, die erlernten Merkmale geräte-, körperstellen- und umgebungsübergreifend einzusetzen.

Das HiMAE-KI-Modell: den Körper auf jeder Zeitskala verstehen

Gesundheitsdaten, die von Wearables erfasst werden, können je nach Zeitskala ihrer Analyse unterschiedliche Informationen liefern. Kurze Zeitabschnitte etwa können schnell verändernde Signale wie Herzschläge sichtbar machen, während längere Zeitabschnitte Muster aufdecken, die sich über die Zeit aufbauen, wie Schlaf oder körperliche Aktivität. Das ähnelt dem Prinzip, beim Hinein- und Herauszoomen in ein Bild jeweils andere Details zu erkennen.

HiMAE ist ein selbstüberwachtes Lernmodell (Self-Supervised Learning), das Repräsentationen aus Wearable-Daten über mehrere Zeitskalen hinweg erlernt. Es verwendet mehrere Encoder, um kurze und lange Datensegmente separat zu analysieren. So kann das Modell die für jede Gesundheitsaufgabe relevanten Informationen auf der jeweils passenden Zeitskala identifizieren, etwa für die Herzfrequenzanalyse oder die Schlafvorhersage. Während des Trainings rekonstruiert das Modell maskierte Abschnitte der Daten. Das ermöglicht es, zentrale Muster in Biosignalen auch dann zu erlernen, wenn nur begrenzt beschriftete Daten vorliegen.

Der nächste Schritt in Richtung Connected Care

Gemeinsam stellen xMAE und HiMAE einen Fortschritt bei AI-Modellen dar, die die physiologischen Zusammenhänge und zeitlichen Strukturen von Biosignalen präzise erfassen. Beide Modelle zielen darauf ab, präzise, kontinuierliche und personalisierte Gesundheitserkenntnisse zu liefern und mit einem einzigen vortrainierten Modell eine Vielzahl von Gesundheitsaufgaben abzudecken.

1. Die AI-Modelle von Samsung sind Gegenstand laufender Forschung und stellen aktuell keine verfügbaren Produkt-Features dar. ↩︎
2. Bei der Samsung Health Monitor-App, die eine EKG-Aufzeichnung ermöglicht, handelt es sich um ein Medizinprodukt. Die EKG-Funktion kann bei der Feststellung von Herzrhythmusstörungen unterstützen. Sie sucht aber niemals nach Anzeichen für einen Herzinfarkt. Die App ist nicht dazu gedacht, eine ärztliche Diagnose oder eine Behandlung durch einen Arzt/eine Ärztin zu ersetzen. Bei Bedenken um die Gesundheit sollten Nutzer*innen unbedingt einen Arzt/eine Ärztin aufsuchen. Die App ist nicht für Nutzer*innen bestimmt, die jünger als 22 Jahre sind. Weitere wichtige Hinweise findest du in der Bedienungsanleitung. Bitte lies die Bedienungsanleitung und Hinweise gründlich vor dem Erstgebrauch durch. ↩︎
3. Die genannten Ergebnisse beziehen sich auf Benchmark-Aufgaben aus wissenschaftlichen Studien und stellen keine Aussagen zu aktuellen oder künftigen Produkten von Samsung dar. ↩︎