Samsung phát triển mô hình AI phân tích dữ liệu sinh học từ thiết bị đeo

Đội ngũ Y tế Kỹ thuật số của Samsung Research America vừa giới thiệu hai mô hình nền tảng AI được thiết kế để học hỏi từ các tín hiệu sinh học thu thập qua thiết bị đeo. Nghiên cứu này tập trung vào dữ liệu từ đồng hồ thông minh, bao gồm hoạt động tim mạch, giấc ngủ và hoạt động thể chất.

Công ty đã thảo luận về tầm nhìn "Connected Care" (Chăm sóc kết nối) tại Diễn đàn Sức khỏe trong sự kiện Galaxy Unpacked vào tháng 7 năm 2026. Samsung mô tả một tương lai của dịch vụ chăm sóc mang tính phòng ngừa, cá nhân hóa và kết nối, được hỗ trợ bởi công nghệ y tế và các quan hệ đối tác chăm sóc sức khỏe. Đội ngũ nghiên cứu của hãng định vị các mô hình nền tảng sức khỏe là một thành phần trong trải nghiệm sức khỏe người dùng mới.

Sharanya Desai, Trưởng bộ phận Thuật toán Y tế Kỹ thuật số tại Samsung Research America, cho biết: “Nghiên cứu này rất quan trọng vì nó đặt nền tảng kỹ thuật cho việc cung cấp các thông tin chi tiết về sức khỏe một cách hiệu quả, chính xác và liên tục thông qua một mô hình nền tảng sức khỏe.”

“Chúng tôi sẽ tiếp tục phát triển và nâng cao các mô hình nền tảng sức khỏe có thể áp dụng cho nhiều loại tín hiệu sinh học và tính năng sức khỏe khác nhau, vốn có thể vận hành ngay trên thiết bị với các cảm biến và tài nguyên tính toán hạn chế.”

Nghiên cứu mô hình nền tảng AI sức khỏe của Samsung

Một mô hình nền tảng sức khỏe sử dụng phương pháp học tự giám sát (self-supervised learning) để xác định các đặc trưng trong dữ liệu tín hiệu sinh học chưa được gán nhãn. Samsung cho biết việc tiền huấn luyện trên các tập dữ liệu sức khỏe lớn cho phép một mô hình hỗ trợ các tác vụ hạ nguồn như phân tích tín hiệu sinh học, phát triển dấu ấn sinh học và dự đoán các vấn đề sức khỏe.

Nghiên cứu bao gồm hai mô hình với các mục tiêu khác nhau. xMAE, viết tắt của Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning (Tái tạo đa phương thức có che giấu nhận thức sinh lý để học biểu diễn tín hiệu sinh học), giúp học các mối quan hệ thời gian giữa các tín hiệu sinh học khác nhau. HiMAE, hay Hierarchical Masked Autoencoder (Bộ mã hóa tự động che giấu phân cấp), học các mô hình sức khỏe trên nhiều thang thời gian trong dữ liệu chuỗi thời gian từ thiết bị đeo.

Samsung cho biết xMAE đã được chấp nhận tại Hội nghị Quốc tế về Học máy (International Conference on Machine Learning). HiMAE được chấp nhận tại Hội nghị Quốc tế về Biểu diễn Học tập (International Conference on Learning Representations). Công ty mô tả cả hai đều là công trình nghiên cứu về các mối quan hệ sinh lý và cấu trúc thời gian trong dữ liệu tín hiệu sinh học.

Các mô hình này giải quyết các phần khác nhau của việc phân tích dữ liệu thiết bị đeo. xMAE kết nối hai tín hiệu tim mạch đo lường các hoạt động liên quan thông qua các cơ chế khác nhau. HiMAE phân tích dữ liệu ở các khoảng thời gian ngắn và dài, cho phép một mô hình đã được tiền huấn luyện hỗ trợ việc phân loại, dự đoán số liệu và tạo dữ liệu.

xMAE liên kết dữ liệu PPG liên tục với tín hiệu ECG

Điện tâm đồ (ECG) đo lường trực tiếp hoạt động điện của tim. Samsung mô tả ECG hữu ích cho việc đo nhịp tim và sự biến thiên nhịp tim. Nó cũng có thể xác định các nhịp tim bất thường và các rủi ro liên quan đến các tình trạng như rung tâm nhĩ.

Các kết quả đo ECG từ thiết bị đeo thường yêu cầu người dùng phải dừng lại và thực hiện phép đo chủ động. Photoplethysmography (PPG) áp dụng một cách tiếp cận khác. PPG phát hiện những thay đổi trong lưu lượng máu và có thể chạy thụ động thông qua các cảm biến trong thiết bị đeo như đồng hồ thông minh.

Cả hai tín hiệu đều bắt nguồn từ hoạt động tim mạch. Chúng xảy ra với một khoảng chênh lệch thời gian, điều mà Samsung so sánh giống như việc nghe thấy tiếng sấm sau khi nhìn thấy tia chớp. xMAE học mối quan hệ thời gian đó bằng cách tái tạo các phần bị che giấu của tín hiệu ECG từ dữ liệu PPG.

Thiết kế này nhằm mục đích phân tích các đặc trưng sức khỏe tim mạch thông qua dữ liệu PPG được đo liên tục mà không cần các phép đo ECG thủ công riêng biệt. Quá trình tiền huấn luyện của mô hình đã sử dụng khoảng 9.400 giờ dữ liệu ECG và PPG.

Subbu Venkatraman, Trưởng phòng Nghiên cứu Y tế Kỹ thuật số tại Samsung Research America, nhận xét: “Các tín hiệu sinh học vốn dĩ rất năng động, với các đặc tính sinh lý thay đổi theo thời gian độc đáo. Đóng góp chính của nghiên cứu này nằm ở việc chứng minh tính khả thi của các mô hình nền tảng sức khỏe có khả năng nắm bắt cả mối quan hệ giữa các tín hiệu và cấu trúc thời gian cơ bản của chúng.”

“Chúng tôi vẫn cam kết thúc đẩy nghiên cứu AI nền tảng về sức khỏe và chuyển đổi nó thành các giải pháp chăm sóc sức khỏe giúp cải thiện đáng kể sức khỏe và sự an lạc của con người.”

Samsung báo cáo rằng xMAE đã vượt trội hơn các mô hình tín hiệu sinh học đơn phương thức và các phương pháp học đa phương thức hiện có trong 15 trên 19 tác vụ đánh giá. Các tác vụ đó bao gồm dự đoán bệnh tim mạch, phát hiện kết quả xét nghiệm bất thường và phân loại giai đoạn giấc ngủ. Công ty cũng cho biết các đặc trưng đã học cho thấy tiềm năng sử dụng trên nhiều thiết bị cảm biến, vị trí cơ thể và môi trường thu thập dữ liệu khác nhau.

HiMAE phân tích dữ liệu thiết bị đeo trên các thang thời gian

Dữ liệu từ thiết bị đeo có thể mang các thông tin khác nhau trong các khoảng thời gian khác nhau. Các phân đoạn ngắn có thể hiển thị các tín hiệu thay đổi nhanh như nhịp tim. Các phân đoạn dài hơn có thể tiết lộ các mô hình hình thành theo thời gian, chẳng hạn như giấc ngủ hoặc hoạt động thể chất.

HiMAE sử dụng nhiều bộ mã hóa để phân tích các phân đoạn dữ liệu ngắn và dài một cách riêng biệt. Samsung cho biết cách sắp xếp này cho phép mô hình xác định thang thời gian cần thiết cho một tác vụ sức khỏe. Do đó, việc phân tích nhịp tim và dự đoán giấc ngủ có thể dựa trên các phần khác nhau của dữ liệu chuỗi thời gian.

Phương pháp huấn luyện này tái tạo các phần bị che giấu của dữ liệu thiết bị đeo. Samsung cho biết điều này cho phép HiMAE học các mô hình từ tín hiệu sinh học ngay cả khi dữ liệu được gán nhãn còn hạn chế. Sau đó, mô hình hỗ trợ việc phân loại, dự đoán số liệu và tạo dữ liệu từ một hệ thống tiền huấn luyện duy nhất.

Samsung cho biết HiMAE đạt hiệu suất cao với mô hình nhỏ hơn so với các mô hình hiện có. Công ty cũng báo cáo rằng nó có thể tạo ra kết quả trong chưa đầy một mili giây trên bộ xử lý trung tâm (CPU) của đồng hồ thông minh.

Tuyên bố về khả năng xử lý đó đặt việc phân tích của mô hình ngay trên thiết bị thay vì trên các máy chủ đám mây. Các mô hình nền tảng được huấn luyện trên các luồng dữ liệu sinh lý chưa được gán nhãn cung cấp một cơ chế để trích xuất các dấu hiệu chẩn đoán, thực hiện phân loại sức khỏe dự đoán và tạo hướng dẫn cho người dùng từ phần cứng tiêu dùng mà không cần kết nối máy chủ liên tục.

Xem thêm: Huấn luyện viên sức khỏe AI của Google sẽ sử dụng dữ liệu glucose từ Abbott

Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham khảo AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin.

AI News được vận hành bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới tại đây.