La IA aplicada a wearables avanza con dos nuevos modelos de Samsung para leer bioseñales del cuerpo y generar información de salud en múltiples tareas.
La inteligencia artificial (IA) se está utilizando de forma creciente para interpretar bioseñales captadas mediante dispositivos vestibles, como los smartwatches. Al detectar patrones relevantes en datos vinculados a la salud —incluidos el sueño, la frecuencia cardíaca y la actividad física—, la IA permite que los usuarios comprendan mejor su estado y gestionen su bienestar de manera más informada.
En el marco del Galaxy Unpacked de julio de 2026, el Foro de Salud incluyó la visión de Samsung de Cuidado Conectado (Connected Care) para el siguiente capítulo de la salud digital. El objetivo descrito es pasar de una atención centrada en el tratamiento reactivo hacia experiencias preventivas, personalizadas y conectadas, respaldadas por “innovación en salud confiable” y por alianzas en todo el ecosistema de la salud.
Para impulsar estas nuevas experiencias, Samsung indicó que una de las tecnologías en desarrollo es el modelo fundacional de salud (health foundation model). En ese contexto, investigadores del Equipo de Salud Digital de Samsung Research America (SRA) trabajan en tecnologías de IA destinadas a comprender de forma continua el estado de salud de una persona a partir de bioseñales, generar insights de salud y proporcionar orientación adecuada.
Samsung presentó recientemente dos modelos fundacionales basados en datos de dispositivos vestibles: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning) e HiMAE (Hierarchical Masked Autoencoder). Según la información aportada, xMAE está diseñado para aprender la relación temporal entre diferentes bioseñales, mientras que HiMAE se centra en comprender patrones de salud en distintas escalas de tiempo dentro de series temporales procedentes de wearables.
Los trabajos con xMAE e HiMAE fueron aceptados en dos conferencias internacionales de referencia: la Conferencia Internacional sobre Aprendizaje Automático (ICML) y la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR), respectivamente.
Un modelo fundacional de salud para leer bioseñales
Samsung definió el modelo fundacional de salud como un modelo de IA que emplea aprendizaje autosupervisado para aprender características significativas a partir de datos de bioseñales no etiquetados. Tras un preentrenamiento con datos a gran escala, estos modelos pueden aplicarse a múltiples tareas secundarias en salud, como la lectura de bioseñales, el desarrollo de biomarcadores nuevos o mejorados y la predicción de problemas de salud.
En el caso del xMAE, el enfoque se apoya en señales obtenidas por wearables a través de electrocardiograma (ECG) y fotopletismografía (PPG). El ECG mide directamente la actividad eléctrica del corazón y se utiliza para estimar la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca, detectar ritmos cardíacos anormales y evaluar riesgos asociados a condiciones como la fibrilación auricular. Sin embargo, el ECG suele requerir que el usuario realice una medición activa y una pausa.
Frente a eso, la PPG puede medir de manera indirecta la función cardíaca al detectar cambios en el flujo sanguíneo, y se puede registrar de forma pasiva y continua mediante sensores integrados en dispositivos vestibles, como smartwatches.
Aunque ambas señales se originan en la misma actividad cardíaca, aparecen con una diferencia de tiempo. Para describir esa relación temporal, el material menciona la analogía: “El xMAE es un marco de preentrenamiento de bioseñales diseñado para aprender la relación temporal entre las dos señales mediante la reconstrucción de partes enmascaradas de la señal de ECG utilizando la señal de PPG”. El objetivo es que las características relacionadas con la salud cardiovascular se analicen con mayor precisión utilizando PPG sin necesidad de mediciones manuales independientes de ECG.
De acuerdo con Samsung, el xMAE se preentrenó con aproximadamente 9.400 horas de datos de ECG y PPG. En evaluaciones posteriores, el modelo superó a los modelos unimodales y a métodos multimodales existentes en 15 de 19 tareas. Entre las tareas incluidas figuran la predicción de enfermedades cardiovasculares, la detección de resultados anormales en pruebas y la clasificación de etapas del sueño. Además, el estudio señaló el potencial de usar las características aprendidas en distintos dispositivos, con variaciones en zonas del cuerpo y entornos de recopilación de datos.
HiMAE: lectura del cuerpo en cada escala de tiempo
Samsung también describió el HiMAE a partir de la idea de que los datos de salud de wearables pueden aportar información distinta según la escala de tiempo utilizada para analizarlos. En el material se indica que los segmentos cortos pueden revelar señales que cambian rápidamente —como los latidos del corazón—, mientras que los segmentos más largos pueden mostrar patrones acumulados con el tiempo, como el sueño o la actividad física. La analogía usada por Samsung para explicar el concepto compara el proceso con el zoom de una imagen: “Esto es similar a examinar diferente información al acercar o alejar el zoom de una imagen”.
El HiMAE, según el texto, es un modelo de aprendizaje autosupervisado que aprende representaciones a partir de datos de dispositivos vestibles en múltiples escalas de tiempo. Para ello, emplea múltiples codificadores que analizan de forma separada segmentos cortos y largos, con el fin de identificar la información necesaria para cada tarea de salud en la escala adecuada, por ejemplo el análisis de la frecuencia cardíaca o la predicción del sueño.
Durante el entrenamiento, el modelo reconstruye partes enmascaradas de los datos, lo que —según Samsung— le permite aprender patrones clave incluso con datos etiquetados limitados.
El material señala también que un único modelo HiMAE preentrenado puede manejar clasificación, predicción numérica y generación de datos. En cuanto a rendimiento, indicaron que obtuvo un alto nivel de desempeño y que es más pequeño que los modelos existentes. Además, se informó de una mejora en eficiencia computacional, con capacidad de generar resultados en menos de un milisegundo en una CPU de categoría smartwatch.
Uno de los objetivos destacados es el despliegue en el dispositivo: el estudio afirma que HiMAE muestra por primera vez el potencial de los modelos fundacionales de salud directamente en el wearable, analizando señales de salud brutas en tiempo real sin depender de servidores en la nube.
El siguiente paso hacia el Cuidado Conectado
Samsung planteó que xMAE e HiMAE representan un avance en modelos de IA capaces de comprender con precisión relaciones fisiológicas y estructuras temporales específicas de las bioseñales. Ambos modelos buscan ofrecer insights de salud precisos, continuos y personalizados, además de poder generalizarse a través de múltiples tareas de salud usando un único modelo preentrenado.
El contenido del anuncio de Samsung en torno a estos modelos se inscribe dentro de la estrategia descrita para el Cuidado Conectado: convertir la salud digital en experiencias preventivas, personalizadas y conectadas apoyadas en innovación y en alianzas del ecosistema sanitario, con el desarrollo de tecnologías como los modelos fundacionales de salud para interpretar bioseñales desde wearables.
