[イーデイリーJAEMIN SONG 記者] サムスン電子は、スマートウォッチで測定した心拍数や睡眠、活動量などの生体信号を総合的に分析し、個人に合わせた健康情報を提供する人工知能（AI）技術を高度化します。

14日、サムスン電子によると、サムスンリサーチ・アメリカ（SRA）のデジタルヘルス研究チームは、ウェアラブル生体信号を学習するヘルス・ファウンデーション・モデル「xMAE」と「HiMAE」を開発しました。この2つの研究は、それぞれ世界的なAI学会である国際機械学習会議（ICML）と国際表現学習会議（ICLR）に採択されました。

ヘルス・ファウンデーション・モデルとは、大規模な医療・健康データを事前に学習させた後、疾患予測や生体信号の分析、睡眠段階の分類など、様々な課題に活用するAIモデルです。用途ごとに個別のモデルを開発する従来の方式とは異なり、1つのモデルを複数の健康管理機能に合わせて調整することができます。

xMAEは、異なる生体信号の前後関係と時間差を学習します。心電図（ECG）は、心臓の電気的活動を直接測定することで不整脈や心房細動などを精密に分析できますが、ユーザーが直接測定しなければならない場合が多く、継続的なモニタリングには制約があります。一方、光血流量測定（PPG）は、スマートウォッチのセンサーを利用して、血流の変化を日常的に測定することができます。

xMAEは、同じ心臓活動において一定の時間差を置いて発生するECGとPPGの関係を学習します。これに基づき、測定しやすいPPGを活用して、欠落したECG区間を再構成するように設計されています。別途ECGを測定しなくても、ウェアラブルから得られたPPGを基に、心血管の健康に関する特徴をより精密に分析するために活用できるとのことです。

研究チームは、約9400時間分のECG・PPGデータを活用してxMAEを事前学習させました。その結果、心血管疾患の予測や異常検査結果の検出、睡眠段階の分類など、19の評価課題のうち15課題において、単一の生体信号や従来の学習方式よりも高い性能を示しました。また、センサー機器や測定位置・環境が異なっても、学習した特徴を活用できる可能性も確認されました。

HiMAEは、ウェアラブルデータを複数の時間単位に分割して分析するモデルです。心拍のように短時間で現れる変化と、睡眠・活動量のように長時間かけて蓄積される傾向を、それぞれ異なる層で学習します。データの一部を隠した後、それを再構成させることで、別途の正解情報が不足していても、生体信号の主要なパターンを把握できるようにしました。

研究の結果、HiMAEは既存モデルよりもサイズが小さいにもかかわらず、主要な評価において高い性能を発揮しました。スマートウォッチの中央処理装置（CPU）で1ミリ秒以内に結果を導き出せるほど、演算効率も向上させました。クラウドサーバーに依存せず、デバイス自体でリアルタイムに生体信号を分析する「オンデバイス・ヘルス・ファウンデーション・モデル」の可能性を実証したとのことです。

研究を率いたSRAデジタルヘルスチームのシャランヤ・デサイ研究員は、「より効率的で精密かつ持続的な健康インサイトを提供する技術基盤を築きました」と述べ、「限られたセンサーや演算リソースでも動作するヘルスAIモデルの開発に貢献したい」と語りました。

SRAデジタルヘルスチームのスブ・ベンカタラマン研究員は、「生体信号間の関係や時間的構造を学習するヘルス・ファウンデーション・モデルの可能性を示した」とし、「様々な健康管理に活用できるヘルスAIの研究を継続していく」と述べました。