Van biosignalen naar welzijnsinzichten: onderzoek naar AI-modellen door Samsung Research

AI wordt steeds vaker ingezet om biosignalen te analyseren die door wearables zoals smartwatches worden gemeten. Gegevens over bijvoorbeeld slaap, hartslag en lichamelijke activiteiten worden met AI geanalyseerd op belangrijke patronen zodat de gebruiker zijn of haar welzijn beter begrijpt en stappen kan nemen.

Tijdens het Health Forum dat afgelopen juli tijdens Galaxy Unpacked 2026 werd gehouden heeft Samsung zijn visie op Connected Care gepresenteerd, de volgende stap in digitaal welzijn: een toekomst waarin de focus verschuift naar voorkomen in plaats van genezen. Dat wil Samsung doen met gepersonaliseerde en verbonden ervaringen, ondersteund door betrouwbare innovaties en nauwe samenwerking. Een van de technologieën die deze nieuwe ervaringen voor consumenten aanstuurt, is het Health Foundation Model.

Onderzoekers van het Digital Health Team van Samsung Research America (SRA) werken aan nieuwe AI-technologieën die op basis van biosignalen continu inzicht in iemands welzijn geven en richtlijnen ter ondersteuning van het welzijn kunnen bieden.

Onlangs hebben Samsung-onderzoekers twee modellen geïntroduceerd die met gegevens van wearables werken: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) leert de tijdsrelatie tussen verschillende biosignalen herkennen en HiMAE (Hierarchical Masked Autoencoder) kijkt naar welzijnspatronen in verschillende tijdschalen van tijdreeksgegevens van wearables. Beide onderzoeken laten zien dat AI-modellen op het gebied van welzijn fysiologische verbanden en de tijdsstructuur van biosignalen steeds beter begrijpen.

Hoe belangrijk deze ontwikkeling is, blijkt uit het feit dat het Samsung-onderzoek naar xMAE- en HiMAE-modellen voor respectievelijk de International Conference on Machine Learning (ICML) en de International Conference on Learning Representations (ICLR) is geaccepteerd.

Health Foundation Models die het lichaam lezen: hoe kunnen ze ons welzijn verbeteren? 

Een Health Foundation Model is een zelflerend AI-model dat ongelabelde biosignalen leest en daaruit praktische gegevens haalt. Het model wordt getraind met grote hoeveelheden gegevens over het welzijn en kan dan voor uiteenlopende toepassingen worden ingezet, zoals het analyseren van biosignalen, ontwikkelen van nieuwe of verbeterde biomarkers of voorspellen van gezondheidsproblemen.

xMAE AI-model: continu inzicht in de hartgezondheid met wearables

Een elektrocardiogram (ECG) in een wearable meet rechtstreeks de elektrische activiteit van het hart, zodat het je hartslag en hartslagvariabiliteit kan meten, en hartritmestoornissen en het risico op aandoeningen zoals atriumfibrilleren kan herkennen. ECG-metingen zijn heel nauwkeurig, maar de gebruiker moet wel even de tijd nemen om de meting zelf te starten. PPG (fotoplethysmografie) werkt anders. Deze technologie meet de hartfunctie indirect door veranderingen in de bloedstroom te detecteren, iets wat continu en passief door sensoren in wearables zoals een smartwatch kan worden gedaan.

Beide signalen komen voort uit dezelfde hartactiviteit, maar worden gemeten met een bepaald tijdsverschil, vergelijkbaar met het eerst zien en dan horen van bliksem en donder. xMAE is een kader voor het trainen van biosignaalmodellen en specifiek ontwikkeld om de relatie in tijd tussen beide signalen te leren herkennen. Hierbij reconstrueert het model ontbrekende delen van het ECG-signaal op basis van het gemakkelijker en continu te meten PPG-signaal. Met PPG kunnen bepaalde kenmerken die verband houden met de cardiovasculaire gezondheid nauwkeuriger worden geanalyseerd zonder dat daarvoor handmatige ECG-metingen nodig zijn.

De onderzoekers trainden xMAE met ongeveer 9400 uur aan ECG- en PPG-gegevens. Bij 15 van de 19 evaluatiepunten presteerde het model beter dan unimodale modellen (met één type biosignaal) en bestaande multimodale methoden. Deze evaluatiepunten waren onder meer het voorspellen van hart- en vaatziekten, herkennen van afwijkende meetresultaten en classificeren van slaapfasen. Het onderzoek bevestigde bovendien dat de geleerde gegevens ook met verschillende sensoren, op verschillende plekken op het lichaam en in uiteenlopende omstandigheden kunnen worden gebruikt.

AI-model voor HiMAE: inzicht in het lichaam in verschillende tijdschalen

De gegevens die wearables meten, kunnen allerlei informatie opleveren, afhankelijk van de tijdschaal waarin ze worden geanalyseerd. Korte tijdssegmenten kunnen bijvoorbeeld signalen zichtbaar maken die snel veranderen, zoals de hartslag. Langere tijdssegmenten kunnen juist patronen laten zien die zich over een langere periode ontwikkelen, zoals slaap of lichamelijke activiteit. Je kunt dit vergelijken met in- en uitzoomen op een afbeelding: afhankelijk van de schaal zie je andere details.

HiMAE is een zelflerend model dat leert om gegevens van wearables in verschillende tijdschalen te interpreteren. Het model gebruikt meerdere encoders om korte en lange segmenten afzonderlijk van elkaar te analyseren. Zo kan het model voor iedere welzijnsgerelateerde taak de informatie in de juiste tijdschaal herkennen, bijvoorbeeld voor het analyseren van de hartslag of voorspellen van slaap. Tijdens het trainen reconstrueert het model de ontbrekende gegevens. Daardoor kan het belangrijke patronen in biosignalen leren herkennen, ook wanneer er maar beperkte hoeveelheden gelabelde gegevens beschikbaar zijn.

Eén voorgetraind HiMAE-model kan worden gebruikt voor classificatie, numerieke voorspellingen en het genereren van gegevens. Het model liet zeer goede resultaten zien en is bovendien kleiner dan bestaande modellen. Ook de verwerkingsefficiëntie is sterk verbeterd: op een processor van het type dat in smartwatches wordt gebruikt, genereert het model resultaten in minder dan één milliseconde. En nog belangrijker, HiMAE laat voor het eerst de mogelijkheden zien van AI-modellen die rechtstreeks op het apparaat draaien en die de gemeten signalen in realtime kunnen analyseren, zonder afhankelijk te zijn van cloudservers.

De volgende stap naar Connected Care

xMAE en HiMAE vormen samen een belangrijke ontwikkeling in AI-modellen die in staat zijn om de fysiologische samenhang en tijdsstructuur van biosignalen nauwgezet te begrijpen. Beide modellen zijn erop gericht om nauwkeurige, continue en persoonlijke welzijnsinzichten te bieden en kunnen vanuit één voorgetraind model voor uiteenlopende welzijnstoepassingen worden gebruikt. Lees hieronder meer over het onderzoek en de onderzoekers achter deze ontwikkeling.