La IA se está utilizando ampliamente para analizar bioseñales medidas por dispositivos vestibles, como los smartwatches. Al identificar patrones significativos en los datos de salud —incluidos el sueño, la frecuencia cardíaca y la actividad física—, esta tecnología ayuda a los usuarios a comprender y gestionar mejor su salud.

En este contexto, Samsung impulsa su visión de Cuidado Conectado (Connected Care), orientada hacia experiencias de salud más preventivas, personalizadas y conectadas. Investigadores de Samsung Research America desarrollan modelos avanzados de IA capaces de analizar estas señales, generar insights de salud y ofrecer orientación adecuada.

Recientemente, investigadores de Samsung presentaron dos modelos basados en datos obtenidos de dispositivos inteligentes de uso personal: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), que aprende la relación temporal entre diferentes bioseñales, e HiMAE (Hierarchical Masked Autoencoder), que identifica patrones de salud en distintas escalas de tiempo a partir de datos temporales.

Los estudios sobre xMAE e HiMAE fueron aceptados, respectivamente, en la Conferencia Internacional sobre Aprendizaje Automático (ICML) y en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR), lo que destaca la relevancia de esta investigación.

Modelos de IA avanzada de salud que leen las señales del cuerpo: por qué son importantes para la salud

Un modelo avanzado de IA para la salud utiliza aprendizaje autosupervisado para identificar características significativas a partir de bioseñales no etiquetadas. Después de ser preentrenados con grandes volúmenes de datos de salud, estos modelos pueden aplicarse a una amplia variedad de tareas, como la interpretación de bioseñales, el desarrollo de biomarcadores nuevos o mejorados y la predicción de posibles problemas de salud.

Modelo de IA xMAE: Insights cardíacos continuos desde Wearables

El electrocardiograma (ECG) mide directamente la actividad eléctrica del corazón y ofrece alta precisión, pero requiere una medición activa. La fotopletismografía (PPG), en cambio, puede registrar de forma pasiva y continua cambios en el flujo sanguíneo mediante sensores de dispositivos vestibles, como los smartwatches.

El xMAE aprende la relación temporal entre ambas señales y utiliza los datos continuos de PPG para reconstruir información del ECG. Esto permite analizar características relacionadas con la salud cardiovascular sin necesidad de realizar mediciones manuales independientes.

Para su entrenamiento, los investigadores utilizaron aproximadamente 9.400 horas de datos de ECG y PPG. El modelo superó a otros métodos en 15 de 19 tareas de evaluación, incluidas la predicción de enfermedades cardiovasculares, la detección de resultados anormales y la clasificación de las etapas del sueño. Además, demostró potencial para aplicarse en diferentes dispositivos, zonas del cuerpo y entornos de recopilación de datos.

Modelo de IA HiMAE: Lectura del cuerpo en cada escala de tiempo en el dispositivo

HiMAE es un modelo de aprendizaje autosupervisado que analiza datos de dispositivos vestibles en diferentes escalas de tiempo. Esto le permite identificar patrones de salud de corto y largo plazo, como los latidos del corazón, el sueño o la actividad física, incluso cuando los datos etiquetados son limitados.

El modelo puede realizar distintas tareas de salud y, gracias a su tamaño y eficiencia, generar resultados en menos de un milisegundo en una CPU con capacidades similares a las de un smartwatch. Además, demuestra el potencial de analizar señales de salud directamente en el dispositivo y en tiempo real, sin depender de servidores en la nube.

El siguiente paso hacia el Cuidado Conectado

En conjunto, xMAE e HiMAE representan avances en el desarrollo de modelos de IA capaces de comprender con precisión las relaciones fisiológicas y las estructuras temporales propias de las bioseñales. Ambos modelos buscan generar insights de salud precisos, continuos y personalizados, además de generalizarse a múltiples tareas a partir de modelo preentrenado.