Từ tín hiệu sinh học đến những hiểu biết chuyên sâu về sức khỏe: Nghiên cứu của Samsung về các mô hình nền tảng sức khỏe

AI đang ngày càng được ứng dụng rộng rãi để phân tích các tín hiệu sinh học thu thập từ các thiết bị đeo như đồng hồ thông minh. Bằng cách nhận diện các xu hướng trong dữ liệu sức khỏe – bao gồm giấc ngủ, nhịp tim và hoạt động thể chất – AI giúp người dùng hiểu rõ và chủ động quản lý sức khỏe của bản thân hiệu quả hơn.

Diễn đàn Sức khỏe tại Galaxy Unpacked tháng 7/2026 đã chia sẻ tầm nhìn Chăm sóc kết nối của Samsung về chương mới trong chăm sóc sức khỏe số – hướng tới một tương lai nơi hoạt động chăm sóc sức khỏe chuyển từ điều trị bị động sang các trải nghiệm chủ động phòng ngừa, cá nhân hóa và kết nối, được hỗ trợ bởi những đổi mới trong chăm sóc sức khỏe cùng các mối quan hệ hợp tác trên toàn hệ sinh thái y tế đáng tin cậy. Một trong những công nghệ đang góp phần thúc đẩy những trải nghiệm mới này dành cho người dùng chính là mô hình nền tảng sức khỏe.

Các nhà nghiên cứu từ Nhóm Sức khỏe số tại Samsung Research America (SRA) đang phát triển những công nghệ AI mới nhằm liên tục phân tích tình trạng sức khỏe của một người thông qua các tín hiệu sinh học, từ đó đưa ra những thông tin hữu ích về sức khỏe và cung cấp hướng dẫn phù hợp.

Các nhà nghiên cứu Samsung gần đây đã giới thiệu hai mô hình nền tảng dựa trên dữ liệu từ thiết bị đeo: xMAE (Tái tạo đa phương thức ẩn dựa trên nhận thức sinh lý học để học biểu diễn tín hiệu sinh học), mô hình học mối quan hệ theo thời gian giữa các tín hiệu sinh học khác nhau, và HiMAE (Bộ mã hóa tự động ẩn theo cấu trúc phân cấp), mô hình phân tích các mẫu sức khỏe trên nhiều khoảng thời gian khác nhau trong dữ liệu chuỗi thời gian từ thiết bị đeo. Cả hai nghiên cứu đều cho thấy những tiến bộ trong các mô hình AI y tế, giúp nâng cao khả năng hiểu mối quan hệ sinh lý và cấu trúc theo thời gian của các tín hiệu sinh học.

Nghiên cứu của Samsung về các mô hình xMAE và HiMAE lần lượt được chấp nhận tại Hội nghị Quốc tế về Học máy (ICML) và Hội nghị Quốc tế về Học biểu diễn (ICLR), cho thấy tầm quan trọng của những nghiên cứu này.

Các mô hình nền tảng sức khỏe có khả năng đọc tín hiệu cơ thể: Vì sao chúng quan trọng đối với sức khỏe

Mô hình nền tảng sức khỏe là một mô hình AI sử dụng phương pháp học tự giám sát để học các đặc trưng hữu ích từ dữ liệu tín hiệu sinh học chưa được gắn nhãn. Sau khi được huấn luyện trước trên dữ liệu sức khỏe quy mô lớn, các mô hình này có thể được ứng dụng cho nhiều tác vụ sức khỏe khác nhau, bao gồm phân tích tín hiệu sinh học, phát triển các dấu ấn sinh học mới hoặc cải tiến, và dự đoán các vấn đề sức khỏe.

Mô hình AI xMAE: Phân tích liên tục sức khỏe tim mạch từ thiết bị đeo

Điện tâm đồ (ECG) trên các thiết bị đeo trực tiếp đo hoạt động điện của tim, giúp theo dõi nhịp tim, độ biến thiên nhịp tim, đồng thời phát hiện nhịp tim bất thường và nguy cơ mắc các tình trạng như rung nhĩ. ECG có độ chính xác cao nhưng thường yêu cầu người dùng dừng hoạt động và thực hiện phép đo chủ động. Trong khi đó, quang thể tích (PPG) có thể gián tiếp đánh giá hoạt động tim thông qua những thay đổi trong lưu lượng máu, đồng thời được các cảm biến trên thiết bị đeo như đồng hồ thông minh đo một cách thụ động và liên tục.

Hai tín hiệu này đều bắt nguồn từ cùng một hoạt động của tim, nhưng xuất hiện với độ trễ nhất định, tương tự như việc chúng ta nhìn thấy tia chớp trước khi nghe tiếng sấm. xMAE là một khung tiền huấn luyện tín hiệu sinh học được phát triển để học mối quan hệ theo thời gian giữa hai tín hiệu này. Mô hình thực hiện điều đó bằng cách tái tạo những phần tín hiệu ECG bị ẩn dựa trên tín hiệu PPG, vốn dễ thu thập và có thể được đo liên tục. Nhờ vậy, các đặc điểm liên quan đến sức khỏe tim mạch có thể được phân tích chính xác hơn thông qua PPG mà không cần người dùng thực hiện thêm phép đo ECG thủ công.

Các nhà nghiên cứu đã huấn luyện trước xMAE trên khoảng 9.400 giờ dữ liệu ECG và PPG. Mô hình thể hiện khả năng vượt trội so với các mô hình tín hiệu sinh học đơn phương thức và những phương pháp học đa phương thức hiện có ở 15 trong 19 tác vụ đánh giá, bao gồm dự đoán bệnh tim mạch, phát hiện kết quả xét nghiệm bất thường và phân loại các giai đoạn giấc ngủ. Nghiên cứu cũng cho thấy tiềm năng ứng dụng các đặc trưng mà mô hình học được trên nhiều loại cảm biến, vị trí đeo trên cơ thể và môi trường thu thập dữ liệu khác nhau.

Mô hình AI HiMAE: Phân tích dữ liệu cơ thể ở nhiều khung thời gian ngay trên thiết bị

Dữ liệu sức khỏe thu thập từ các thiết bị đeo thông minh có thể phản ánh những thông tin khác nhau tùy thuộc vào khung thời gian được phân tích. Chẳng hạn, các khoảng thời gian ngắn có thể cho thấy các tín hiệu thay đổi nhanh như nhịp tim, trong khi các khoảng thời gian dài hơn lại giúp phát hiện những xu hướng tích tụ theo thời gian, như chu kỳ giấc ngủ hay hoạt động thể chất. Điều này tương tự như việc thu phóng một bức ảnh để quan sát các cấp độ thông tin khác nhau.

Mô hình học tự giám sát từ dữ liệu thiết bị đeo trên nhiều khung thời gian

HiMAE là mô hình học tự giám sát, có khả năng học các đặc trưng từ dữ liệu thiết bị đeo trên nhiều khung thời gian khác nhau. Mô hình sử dụng nhiều bộ mã hóa để phân tích độc lập các phân đoạn dữ liệu ngắn và dài, qua đó xác định chính xác thông tin cần thiết cho từng tác vụ sức khỏe cụ thể, như phân tích nhịp tim hay dự đoán giấc ngủ, ở khung thời gian phù hợp nhất. Trong quá trình huấn luyện, HiMAE tự tái tạo các phần dữ liệu bị ẩn, từ đó học được các xu hướng cốt lõi trong tín hiệu sinh học ngay cả khi nguồn dữ liệu được gắn nhãn còn hạn chế.

Chỉ với một mô hình HiMAE được huấn luyện trước, hệ thống có thể xử lý đồng thời các tác vụ phân loại, dự đoán chỉ số và khởi tạo dữ liệu. Mô hình đạt hiệu suất vượt trội trong khi sở hữu kích thước nhỏ gọn hơn đáng kể so với các mô hình hiện hành. Đáng chú ý, hiệu quả tính toán của HiMAE được tối ưu hóa đến mức có thể trả kết quả trong chưa đầy 1 mili giây trên bộ xử lý (CPU) dành cho đồng hồ thông minh. Quan trọng hơn, HiMAE lần đầu tiên chứng minh tiềm năng của các mô hình nền tảng sức khỏe chạy trực tiếp trên thiết bị — phân tích dữ liệu sinh học thô theo thời gian thực mà không phụ thuộc vào máy chủ đám mây.

Bước tiến mới hướng tới chăm sóc sức khỏe kết nối

Cùng nhau, xMAE và HiMAE đại diện cho bước tiến đột phá của các mô hình AI có khả năng hiểu chính xác mối quan hệ sinh lý và cấu trúc thời gian đặc trưng của các tín hiệu sinh học. Cả hai mô hình đều hướng tới mục tiêu cung cấp những thông tin chuyên sâu về sức khỏe một cách chính xác, liên tục và cá nhân hóa, đồng thời mở rộng cho nhiều tác vụ sức khỏe khác nhau chỉ từ một mô hình huấn luyện trước duy nhất. Hãy lắng nghe thêm chia sẻ từ các nhà nghiên cứu đứng sau công trình này ở phần dưới đây.