La inteligencia artificial se está consolidando como una herramienta clave para el análisis de bioseñales recogidas por dispositivos vestibles, entre ellos los smartwatches. A partir de patrones detectados en datos vinculados con el sueño, la frecuencia cardíaca y la actividad física, esta tecnología permite a los usuarios comprender mejor su estado de salud y gestionar de manera más informada distintos aspectos de su bienestar.
En ese marco, Samsung está reforzando su visión de Cuidado Conectado, una propuesta orientada a impulsar experiencias de salud más preventivas, personalizadas y conectadas. Para ello, investigadores de Samsung Research America trabajan en modelos avanzados de IA capaces de interpretar señales fisiológicas, generar información útil sobre la salud y ofrecer orientación adecuada a partir de esos datos.
Recientemente, la compañía presentó dos modelos desarrollados con información obtenida de dispositivos inteligentes de uso personal. El primero, xMAE, cuyo nombre completo es Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning, está diseñado para aprender la relación temporal entre distintas bioseñales. El segundo, HiMAE, o Hierarchical Masked Autoencoder, identifica patrones de salud en diferentes escalas de tiempo a partir de datos temporales.
La relevancia de esta línea de investigación quedó reflejada en la aceptación de ambos estudios en dos de las principales citas académicas del sector. El trabajo sobre xMAE fue aceptado en la Conferencia Internacional sobre Aprendizaje Automático, ICML, mientras que el de HiMAE fue incluido en la Conferencia Internacional sobre Representaciones de Aprendizaje, ICLR.
Estos desarrollos se apoyan en modelos de IA avanzada para salud que emplean aprendizaje autosupervisado con el fin de detectar características significativas en bioseñales no etiquetadas. Tras un preentrenamiento con grandes volúmenes de datos de salud, estas herramientas pueden aplicarse a tareas diversas, como la interpretación de señales biológicas, la creación de biomarcadores nuevos o mejorados y la predicción de posibles problemas de salud.
En el caso de xMAE, el modelo busca aportar información cardíaca continua a partir de wearables. El electrocardiograma, o ECG, mide directamente la actividad eléctrica del corazón y ofrece una alta precisión, aunque requiere una medición activa. La fotopletismografía, conocida como PPG, permite en cambio un registro pasivo y continuo de los cambios en el flujo sanguíneo mediante sensores integrados en dispositivos vestibles.
xMAE aprovecha esa diferencia para aprender la relación temporal entre ambas señales y utilizar los datos continuos de PPG para reconstruir información del ECG. De esta manera, el sistema permite analizar características vinculadas con la salud cardiovascular sin necesidad de realizar mediciones manuales independientes.
