Samsung apresenta modelos de fundação para analisar biossinais de wearables

Samsung apresenta dois modelos de fundação para analisar biossinais de wearables

A Samsung deu um passo concreto rumo ao que chama de Connected Care — uma visão de saúde preventiva, personalizada e conectada. A equipe de Saúde Digital da Samsung Research America apresentou dois modelos de fundação de IA projetados para aprender com biossinais captados por smartwatches: batimentos cardíacos, sono e atividade física. O anúncio foi detalhado no Health Forum realizado durante o Galaxy Unpacked, em julho de 2026.

A ideia central é que um modelo de fundação de saúde use aprendizado auto-supervisionado para identificar padrões em dados de biossinais não rotulados. Com pré-treinamento sobre grandes volumes de dados, um único modelo passa a suportar tarefas como análise de biossinais, desenvolvimento de biomarcadores e previsão de problemas de saúde.

Os dois modelos: xMAE e HiMAE

Os dois modelos atacam partes diferentes da análise de dados vestíveis.

xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) aprende as relações temporais entre biossinais diferentes. Na prática, ele conecta dois sinais cardíacos que medem atividades relacionadas por mecanismos distintos: o ECG (eletrocardiograma, que mede a atividade elétrica do coração diretamente) e o PPG (fotopletismografia, que detecta mudanças no fluxo sanguíneo e roda passivamente nos sensores do relógio). Os dois sinais se originam da mesma atividade cardíaca, mas com uma diferença de tempo — a Samsung compara com ouvir o trovão depois de ver o relâmpago. O xMAE aprende essa relação reconstruindo partes mascaradas de um sinal de ECG a partir de dados de PPG, o que permite analisar saúde cardiovascular continuamente, sem exigir medições manuais de ECG. O pré-treinamento usou cerca de 9.400 horas de dados de ECG e PPG.

HiMAE (Hierarchical Masked Autoencoder) aprende padrões de saúde em múltiplas escalas de tempo em séries temporais de wearables. Dados vestíveis carregam informações diferentes em períodos diferentes: segmentos curtos mostram sinais que mudam rápido (batimentos), enquanto segmentos longos revelam padrões que se acumulam (sono, atividade física). O HiMAE usa múltiplos encoders para analisar segmentos curtos e longos separadamente, identificando a escala de tempo adequada a cada tarefa — e assim suporta classificação, previsão numérica e geração de dados a partir de um único sistema pré-treinado.

Resultados e reconhecimento acadêmico

Os dois trabalhos passaram pelo crivo das principais conferências de aprendizado de máquina: o xMAE foi aceito na ICML (International Conference on Machine Learning) e o HiMAE na ICLR (International Conference on Learning Representations).

Segundo a Samsung, o xMAE superou modelos de biossinal unimodais e métodos multimodais existentes em 15 de 19 tarefas de avaliação, cobrindo previsão de doenças cardiovasculares, detecção de resultados anormais de exames e classificação de estágios de sono. A empresa também afirma que as características aprendidas mostraram potencial de uso entre diferentes dispositivos sensores, partes do corpo e ambientes de coleta. O HiMAE, por sua vez, alcançou alto desempenho com um modelo menor que os existentes e consegue produzir resultados em menos de um milissegundo em um smartwatch — uma exigência crucial para processamento no dispositivo com sensores e recursos limitados.

Sharanya Desai, chefe de Algoritmos de Saúde Digital da Samsung Research America, resumiu a aposta: “Esta pesquisa é significativa porque estabelece a base técnica para entregar insights de saúde eficientes, precisos e contínuos por meio de um modelo de fundação de saúde. Continuaremos a desenvolver modelos de fundação de saúde que possam ser aplicados a uma variedade de biossinais e recursos de saúde capazes de operar no dispositivo.”

Subbu Venkatraman, chefe do Digital Health Research Lab, complementou: “Biossinais são inerentemente dinâmicos, com propriedades fisiológicas que variam no tempo. A contribuição-chave desta pesquisa está em provar a viabilidade de modelos de fundação de saúde capazes de capturar tanto as relações entre sinais quanto suas estruturas temporais subjacentes.”

O que isso significa

O movimento da Samsung sinaliza a direção de um setor: levar modelos de fundação para dentro do relógio, em vez de depender da nuvem. A promessa é um monitoramento de saúde contínuo, passivo e preventivo — detectando sinais sutis de condições como fibrilação atrial sem exigir que o usuário pare para medir ativamente. Ainda é pesquisa aplicada, não um produto disponível: a Samsung descreve os modelos como “base técnica” para experiências futuras de saúde do consumidor, dentro de um ecossistema de parcerias de saúde.