Des biosignaux aux informations sur le bien-être : les travaux de Samsung Research sur les modèles de fondation

L’intelligence artificielle (IA) est aujourd’hui largement utilisée pour analyser les biosignaux mesurés par les appareils connectés, tels que les montres intelligentes. En identifiant des tendances pertinentes dans les données liées notamment au sommeil, à la fréquence cardiaque et à l’activité physique, l’IA aide les utilisateurs à mieux comprendre leur corps et leur bien-être au quotidien.

Le Health Forum organisé lors du Galaxy Unpacked de juillet 2026 a été l’occasion de présenter la vision de Samsung en matière de bien-être connecté : un avenir où l’accompagnement devient plus préventif, personnalisé et connecté, grâce à des innovations fiables et à des partenariats au sein de l’écosystème bien-être. Parmi les technologies qui contribuent à rendre possibles ces nouvelles expériences figurent les modèles de fondation appliqués aux données physiologiques.

Les chercheurs de la Digital Health Team de Samsung Research America (SRA) développent de nouvelles technologies d’IA capables d’interpréter en continu les biosignaux d’une personne, d’en tirer des informations pertinentes et de lui proposer des recommandations adaptées.

Les chercheurs de Samsung ont récemment présenté deux modèles de fondation reposant sur les données issues d’appareils connectés : xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), qui apprend les relations temporelles entre différents biosignaux, et HiMAE (Hierarchical Masked Autoencoder), qui analyse les tendances à différentes échelles temporelles dans les séries de données recueillies par les appareils connectés. Ces deux études illustrent les progrès réalisés dans le développement de modèles d’IA capables de mieux comprendre les relations physiologiques et la structure temporelle des biosignaux.

Les travaux de Samsung sur les modèles xMAE et HiMAE ont respectivement été acceptés à l’International Conference on Machine Learning (ICML) et à l’International Conference on Learning Representations (ICLR), soulignant l’importance de ces recherches.

Des modèles de fondation capables d’interpréter les signaux du corps

Un modèle de fondation appliqué au bien-être est un modèle d’IA qui utilise l’apprentissage auto-supervisé pour identifier des caractéristiques pertinentes à partir de biosignaux non étiquetés. Après avoir été pré-entraînés sur de grands volumes de données, ces modèles peuvent être utilisés pour de nombreuses applications, notamment l’analyse des biosignaux, le développement ou l’amélioration de biomarqueurs et l’identification de certaines évolutions physiologiques.

Modèle d’IA xMAE : mieux comprendre l’activité cardiaque grâce aux appareils connectés

L’électrocardiogramme (ECG) disponible sur certains appareils connectés mesure directement l’activité électrique du cœur. Il peut notamment être utilisé pour mesurer la fréquence cardiaque et sa variabilité ou identifier certaines anomalies du rythme cardiaque. Bien que l’ECG offre une grande précision, il nécessite généralement que l’utilisateur interrompe son activité pour effectuer volontairement une mesure.

À l’inverse, la photopléthysmographie (PPG) permet d’observer indirectement l’activité cardiaque en détectant les variations du flux sanguin. Grâce aux capteurs intégrés aux appareils connectés tels que les montres intelligentes, cette mesure peut être réalisée de manière passive et continue.

Ces deux signaux proviennent de la même activité cardiaque, mais apparaissent avec un certain décalage temporel, à l’image du tonnerre que l’on entend après avoir vu un éclair. xMAE est un cadre de pré-entraînement conçu pour apprendre la relation temporelle entre ces deux biosignaux. Pour cela, il reconstruit les portions masquées du signal ECG à partir du signal PPG, plus facile à mesurer en continu. Cette approche permet d’analyser plus précisément certaines informations liées à l’activité cardiovasculaire à partir du PPG, sans nécessiter de mesure ECG manuelle distincte.

Les chercheurs ont pré-entraîné xMAE à partir d’environ 9 400 heures de données ECG et PPG. Le modèle a surpassé les modèles de biosignaux unimodaux ainsi que les méthodes d’apprentissage multimodal existantes dans 15 des 19 tâches d’évaluation, notamment pour la prédiction de pathologies cardiovasculaires, la détection de résultats anormaux et la classification des phases de sommeil. L’étude a également confirmé le potentiel d’utilisation des caractéristiques apprises avec différents capteurs, sur différentes parties du corps et dans différents environnements de collecte de données.

Modèle d’IA HiMAE : interpréter les signaux du corps à différentes échelles temporelles, directement sur l’appareil

Les données physiologiques mesurées par les appareils connectés peuvent révéler différentes informations selon l’échelle temporelle à laquelle elles sont analysées. Par exemple, de courts segments permettent d’observer des signaux qui évoluent rapidement, comme les battements du cœur, tandis que des périodes plus longues permettent d’identifier des tendances qui se construisent dans le temps, notamment celles liées au sommeil ou à l’activité physique. Le principe est comparable au fait de zoomer ou de dézoomer sur une image pour en observer différents niveaux d’information.

HiMAE est un modèle d’apprentissage auto-supervisé qui apprend à représenter les données issues des appareils connectés à plusieurs échelles temporelles. Il utilise plusieurs encodeurs pour analyser séparément les segments courts et longs, permettant ainsi d’identifier les informations nécessaires à chaque tâche — comme l’analyse de la fréquence cardiaque ou du sommeil — à l’échelle temporelle la plus adaptée.

Lors de son entraînement, le modèle reconstruit les parties masquées des données. Cette approche lui permet d’identifier les principales tendances présentes dans les biosignaux, même lorsque les données étiquetées disponibles sont limitées.

Un seul modèle HiMAE pré-entraîné peut prendre en charge des tâches de classification, de prédiction numérique et de génération de données. Il a obtenu des performances élevées tout en étant plus compact que les modèles existants. Son efficacité de calcul lui permet également de produire des résultats en moins d’une milliseconde sur un processeur (CPU) de type montre connectée.

Plus important encore, HiMAE démontre pour la première fois le potentiel des modèles de fondation fonctionnant directement sur l’appareil pour analyser en temps réel les signaux physiologiques bruts, sans dépendre de serveurs cloud.

Une nouvelle étape vers le bien-être connecté

Ensemble, xMAE et HiMAE représentent une avancée dans le développement de modèles d’IA capables de comprendre avec précision les relations physiologiques et les structures temporelles propres aux biosignaux.

Les deux modèles visent à fournir des informations plus précises, continues et personnalisées pour aider chacun à mieux comprendre son corps et son bien-être, tout en permettant à un même modèle pré-entraîné de s’adapter à de nombreuses applications.

« Ces travaux sont importants car ils posent les bases technologiques permettant de fournir, grâce à un modèle de fondation, des informations précises, continues et obtenues efficacement à partir des données liées au bien-être » a déclaré Sharanya Desai, Équipe Digital Health, Samsung Research America. « Nous allons poursuivre le développement de ces modèles afin qu’ils puissent analyser différents types de biosignaux et proposer de nouvelles fonctionnalités liées au bien-être, directement sur l’appareil, même avec des capteurs et des ressources de calcul limités. »

« Les biosignaux évoluent constamment et possèdent des caractéristiques physiologiques qui varient dans le temps. L’un des principaux apports de ces travaux est de démontrer que les modèles de fondation peuvent comprendre à la fois les relations entre différents signaux et leur évolution dans le temps » explique Subbu Venkatraman, Équipe Digital Health, Samsung Research America. « Nous allons continuer à faire progresser nos recherches en IA dans ce domaine afin de les transformer en solutions concrètes, capables de contribuer de manière significative au bien-être de chacun. »