삼성리서치, 헬스 파운데이션 모델 기반 웨어러블 AI 연구 공개

심박수, 수면, 활동량 등 웨어러블 기기가 측정하는 생체신호 속에서 건강의 흐름을 읽어내는 AI 기술이 빠르게 발전하고 있다. 최근 갤럭시 언팩 2026 현장에서 진행된 헬스 포럼에서 삼성전자는 ‘사용자 맞춤형 인사이트 제공을 통한 예방적이고 개인화된 커넥티드 케어 경험’이라는 헬스 비전을 공유한 바 있다. 이러한 비전을 현실로 구현하기 위해 뒷받침 되어야할 것은 바로 고도화된 AI 기술. 그 바탕에는 헬스 파운데이션 모델(Foundation Model)이 있다.

삼성리서치 아메리카(SRA)의 디지털 헬스 연구진은 웨어러블 생체신호를 학습해 정밀한 건강 인사이트를 제공하는 헬스 파운데이션 모델 AI 연구를 진행하고 있다. 연구진은 서로 다른 생체신호의 시간적 관계를 학습하는 ‘xMAE’ (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning)와 웨어러블 시계열 데이터를 계층적으로 분석하는 ‘HiMAE’ (Hierarchical Masked Autoencoder)를 공개했다. 두 건의 연구는 각각 세계 유수 AI 학회인 ICML(International Conference on Machine Learning)과 ICLR(International Conference on Learning Representations)에 채택되어 우수성을 인정받았다.

다양한 헬스 AI의 기반이 되는 ‘헬스 파운데이션 모델’

그렇다면 파운데이션은 무엇이고 어떤 역할을 할까? 파운데이션 모델은 방대한 데이터를 미리 학습해 두었다가, 이를 바탕으로 다양한 과제에 응용할 수 있는 AI 모델을 말한다. 마치 기본적인 요리 실력을 갖춘 사람이 레시피만 있으면 다양한 종류의 요리를 두루 만들어낼 수 있는 것과 같다.

대규모 의료·건강 데이터를 사전 학습한 헬스 파운데이션 모델은 질환 예측, 생체신호 분석, 수면 단계 분류 등 다양한 건강 관리에 활용할 수 있다. 특정 목적에 맞춰 개별 모델을 각각 개발하는 기존 방식과 달리, 하나의 사전 학습 모델을 여러 과제에 맞게 조정해 활용할 수 있다는 점이 특징이다. 파운데이션 모델은 정답 정보가 없는 데이터에서도 공통된 패턴과 특징을 학습하는 자기지도학습(Self-Supervised Learning)을 활용해 데이터 구축 부담을 줄이고, 다양한 건강 관리 경험을 제공할 수 있어 그 중요성이 커지고 있다.

약 9,400시간의 학습으로, 스마트워치의 맥박 데이터와 심혈관 건강 상관관계 정밀분석

심전도(electrocardiogram, ECG)*는 심장의 전기적 활동을 직접 측정해 심방세동이나 부정맥, 심박변이도 등을 정밀하게 분석하는 데 유용하지만, 사용자가 직접 측정 동작을 수행해야 하는 경우가 많아 일상의 지속적인 모니터링에는 제약이 있다. 반면 광혈류측정(photoplethysmography, PPG)**은 스마트워치 등의 센서를 통해 혈류 변화를 비교적 쉽고 지속적으로 측정할 수 있다.

두 신호는 같은 심장 활동에서 발생하지만 번개가 친 뒤 천둥이 들리는 것처럼 일정한 시간 차이를 두고 나타난다. xMAE는 이러한 선후관계와 시간 차이를 학습해, 측정이 쉬운 PPG 신호를 활용해 가려진 ECG 구간을 재구성해내도록 설계된 생체신호 사전 학습 프레임워크다. 이를 통해 실제 활용 단계에서는 웨어러블 센서를 통해 측정 가능한 PPG 신호를 기반으로, 별도의 ECG 측정 없이도 심혈관 건강 관련 특징을 보다 정밀하게 분석하는데 기여한다.

연구진은 약 9,400시간 분량의 ECG·PPG 데이터를 활용해 사전 학습을 진행했다. 그 결과 xMAE는 심혈관 질환 예측과 비정상 검사 결과 탐지, 수면 단계 분류 등 19개 평가 과제 가운데 15개에서 단일 생체신호 및 기존 학습 방식보다 높은 성능을 확보했다. 또한 센서 기기와 측정 위치, 데이터 측정 환경이 달라진 경우에도 학습된 특징을 활용할 수 있는 가능성을 확인했다.

* 심전도검사는 심장이 수축하기 위해 발생하는 전기적 신호를 피부에 부착한 전극을 통해 감지하여 그래프로 기록하는 검사
** 광혈류측정은 PPG(광혈류) 신호를 이용해 심박수, 혈압, 산소포화도 등 생체지표를 비침습적으로 추정하는 기술

헬스 데이터를 다양한 시간 범위로 분석, 필요한 생체신호를 효율적으로 확인

웨어러블 기기를 통해 측정되는 건강 데이터는 살펴보는 시간의 길이에 따라 의미가 달라진다. 예를 들어 짧은 시간 간격으로 분석하면 심장 박동처럼 빠르게 변하는 신호를 확인할 수 있고, 긴 시간 구간에서는 수면이나 활동량처럼 일정 시간 동안 누적되는 패턴을 파악할 수 있다. 사진을 확대하거나 축소해 서로 다른 정보를 살펴보는 것과 유사하다.

HiMAE는 웨어러블 데이터를 여러 시간 단위로 나눠 학습하는 자기지도학습 모델이다. 이 모델은 마치 카메라로 줌인해서 세밀한 부분을 보고, 줌아웃해서 전체 흐름을 파악하듯, 짧은 시간의 변화와 긴 시간의 흐름을 각각 다른 층(layer)에서 나누어 분석한다. 그 덕분에 심박 분석처럼 순간적인 변화가 주요한 상황과 수면 예측처럼 긴 흐름을 봐야하는 상황 모두에서 필요한 정보를 알맞게 찾아낼 수 있다. 학습 과정에서는 일부 가려둔 데이터를 재구성하도록 해 별도의 정답 정보가 부족한 경우에도 생체신호의 주요 패턴을 학습할 수 있도록 했다.

이를 통해 하나의 사전 학습 모델을 분류와 수치 예측, 데이터 생성 등 다양한 과제에 활용할 수 있다. 연구 결과, 기존 모델보다 크기가 작으면서도 주요 평가에서 높은 성능을 확인했으며, 스마트워치의 중앙처리장치(CPU)에서 1밀리초 이내에 결과를 도출할 수 있을 만큼 연산 효율도 높였다. 특히 HiMAE는 클라우드 서버에 의존하지 않고, 기기 자체에서 실시간으로 생체신호(raw health signals)를 분석함으로써 온디바이스(on-device) 헬스 파운데이션 모델의 가능성을 최초로 입증해 보였다는 의의가 있다.

커넥티드 헬스케어를 향한 다음 걸음

xMAE와 HiMAE는 생체신호가 지닌 고유한 생리학적 관계와 시간적 구조를 정밀하게 이해하는 AI 모델의 앞날을 보여준다. 두 모델은 정밀하고 지속적이며 개인화된 건강 인사이트를 제공하고, 하나의 사전 학습 모델로 다양한 과제를 수행하는 것을 목표로 한다. 이번 연구를 이끈 주요 연구진의 포부를 들어보았다.

다양한 건강 과제의 기반으로 주목받고 있는 헬스 파운데이션 모델. 앞으로 삼성이 열어갈 헬스 AI 연구를 기대해보자.