三星研究部門（Samsung Research）正積極投入健康領域的人工智慧（AI）研究，特別是開發健康基礎模型（Health Foundation Models），旨在透過穿戴式裝置分析生物訊號，提供更精準、個人化的健康洞察。
這些健康基礎模型是一種人工智慧模型，它能透過自我監督學習，從未標記的生物訊號（Biosignals，指人體產生的生理訊號，如心跳、呼吸等）資料中學習特徵。之後，這些模型便能應用於生物訊號分析、生物標誌物開發及健康問題預測等任務。這項技術是三星「互聯照護」（Connected Care）願景的核心，期望能實現預防性、個人化與互聯的健康體驗。
三星研究美國分部（Samsung Research America）的數位健康團隊已開發出兩款關鍵模型：xMAE 和 HiMAE。其中，xMAE（Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning）是一種能理解生理學原理的生物訊號模型。它利用光體積變化描記法（PPG）訊號來重建被遮蔽的心電圖（ECG）訊號，學習不同生物訊號之間的時間關係。簡單來說，這讓裝置僅透過 PPG 訊號（一種可被動且連續測量的血流變化），就能像心電圖一樣精確分析心血管健康，無需額外手動測量。xMAE 模型在預訓練時使用了約 9,400 小時的心電圖與 PPG 資料，並在 19 項評估任務中，有 15 項表現優於單一生物訊號模型。
另一個由三星開發的 HiMAE（Hierarchical Masked Autoencoder）模型，則能從穿戴式裝置的時間序列資料中，學習不同時間尺度下的健康模式。這個模型透過多個編碼器（encoder），分別分析短時程與長時程的資料片段，實現跨時間尺度的學習。HiMAE 的一大亮點是其高效率與在裝置端運行的潛力。它比現有模型更小，且能在智慧型手錶等級的中央處理器（CPU）上，於不到一毫秒的時間內產生結果，顯示了在裝置端即時分析健康訊號的潛力，無需依賴雲端伺服器。
這兩款模型都致力於從單一預訓練模型中，提供精準、連續且個人化的健康洞察，並能應用於多種健康任務。它們的研究成果已分別獲得國際機器學習大會（International Conference on Machine Learning, ICML）與國際表徵學習大會（International Conference on Learning Representations, ICLR）的認可。
