تیم سلامت دیجیتال سامسونگ ریسرچ آمریکا دو مدل پایه هوش مصنوعی طراحی کرده است که از دادههای بیوسگنال پوشیدنی یاد میگیرند. این پژوهش بر دادههای ثبتشده توسط ساعتهای هوشمند شامل فعالیت قلبی، خواب و فعالیت بدنی متمرکز است.
شرکت سامسونگ در انجمن سلامت طی رویداد گلکسی آنپکد در ژوئیه ۲۰۲۶، چشمانداز مراقبت متصل خود را تشریح کرد. سامسونگ آیندهای از مراقبت پیشگیرانه، شخصیسازیشده و متصل را توصیف کرد که توسط فناوری سلامت و مشارکتهای مراقبت بهداشتی پشتیبانی میشود. تیم تحقیقاتی این شرکت، مدلهای پایه سلامت را یکی از اجزای تجربیات جدید مصرفکننده در حوزه سلامت میداند.
شارانیا دسای، رئیس الگوریتمهای سلامت دیجیتال در سامسونگ ریسرچ آمریکا، گفت: «این پژوهش مهم است زیرا پایه فنی لازم را برای ارائه بینشهای سلامت کارآمد، دقیق و مداوم از طریق مدل پایه سلامت فراهم میکند.»
«ما به توسعه و پیشرفت مدلهای پایه سلامت ادامه خواهیم داد که بتوانند به انواع بیوسگنالها و ویژگیهای سلامت اعمال شوند و روی دستگاه با سنسورها و منابع محاسباتی محدود عمل کنند.»
پژوهش مدل پایه هوش مصنوعی سلامت سامسونگ
مدل پایه سلامت از یادگیری خودنظارتی برای شناسایی ویژگیها در دادههای بیوسگنال بدون برچسب استفاده میکند. سامسونگ اعلام کرد که پیشآموزش روی مجموعهدادههای بزرگ سلامت، امکان پشتیبانی یک مدل از وظایف پاییندستی مانند تحلیل بیوسگنال، توسعه نشانگرهای زیستی و پیشبینی مشکلات سلامت را فراهم میکند.
این پژوهش دو مدل با اهداف متفاوت را پوشش میدهد. xMAE، مخفف بازسازی متقاطع-وجهی پوشیدهشده آگاه از فیزیولوژی برای یادگیری بازنمایی بیوسگنال، روابط زمانی بین بیوسگنالهای مختلف را یاد میگیرد. HiMAE، یا خودرمزگذار پوشیدهشده سلسلهمراتبی، الگوهای سلامت را در چندین مقیاس زمانی در دادههای سری زمانی پوشیدنی یاد میگیرد.
سامسونگ اعلام کرد xMAE در کنفرانس بینالمللی یادگیری ماشین پذیرفته شده است. HiMAE نیز در کنفرانس بینالمللی بازنماییهای یادگیری پذیرفته شده است. این شرکت هر دو را کارهایی در زمینه روابط فیزیولوژیکی و ساختارهای زمانی در دادههای بیوسگنال توصیف میکند.
این مدلها بخشهای متفاوتی از تحلیل دادههای پوشیدنی را هدف قرار میدهند. xMAE دو سیگنال قلبی را که فعالیت مرتبط را از طریق مکانیسمهای متفاوت اندازهگیری میکنند به هم متصل میکند. HiMAE دادهها را در بازههای کوتاه و بلند تحلیل میکند و به یک مدل پیشآموزشدیده اجازه میدهد از طبقهبندی، پیشبینی عددی و تولید داده پشتیبانی کند.
xMAE دادههای PPG پیوسته را به سیگنالهای ECG متصل میکند
الکتروکاردیوگرامها یا ECGها، فعالیت الکتریکی قلب را مستقیماً اندازهگیری میکنند. سامسونگ ECG را برای اندازهگیری ضربان قلب و تنوع ضربان قلب مفید میداند. همچنین میتواند ریتمهای غیرعادی قلب و خطرات مرتبط با شرایطی مانند فیبریلاسیون دهلیزی را شناسایی کند.
خوانشهای ECG پوشیدنی معمولاً نیازمند توقف کاربر و انجام اندازهگیری فعال است. فوتوپلتیسموگرافی یا PPG رویکرد متفاوتی دارد. PPG تغییرات جریان خون را تشخیص میدهد و میتواند به صورت غیرفعال از طریق سنسورهای دستگاههای پوشیدنی مانند ساعتهای هوشمند اجرا شود.
هر دو سیگنال از فعالیت قلبی ناشی میشوند و با اختلاف زمانی رخ میدهند که سامسونگ آن را با شنیدن رعد پس از دیدن برق مقایسه میکند. xMAE این رابطه زمانی را با بازسازی بخشهای پوشیدهشده سیگنال ECG از دادههای PPG یاد میگیرد.
این طراحی با هدف تحلیل ویژگیهای سلامت قلبی-عروقی از طریق دادههای PPG اندازهگیریشده به صورت مداوم و بدون نیاز به اندازهگیری دستی جداگانه ECG انجام شده است. پیشآموزش مدل از حدود ۹۴۰۰ ساعت داده ECG و PPG استفاده کرده است.
سابو ونکاترامان، رئیس آزمایشگاه تحقیقات سلامت دیجیتال در سامسونگ ریسرچ آمریکا، اظهار داشت: «بیوسگنالها ذاتاً پویا هستند و ویژگیهای فیزیولوژیکی منحصربهفرد وابسته به زمان دارند. سهم کلیدی این پژوهش در اثبات قابلیت مدلهای پایه سلامت برای ثبت روابط بینسیگنالی و ساختارهای زمانی زیربنایی آنها نهفته است.»
«ما متعهد به پیشبرد پژوهش هوش مصنوعی پایه سلامت و ترجمه آن به راهحلهای مراقبت بهداشتی هستیم که به طور معناداری سلامت و رفاه افراد را بهبود میبخشند.»
سامسونگ گزارش داد که xMAE در ۱۵ مورد از ۱۹ وظیفه ارزیابی، از مدلهای بیوسگنال تکوجهی و روشهای یادگیری چندوجهی موجود بهتر عمل کرده است. این وظایف شامل پیشبینی بیماری قلبی-عروقی، تشخیص نتایج غیرعادی آزمایش و طبقهبندی مراحل خواب بود. این شرکت همچنین اعلام کرد ویژگیهای یادگرفتهشده پتانسیل استفاده در دستگاههای سنسور مختلف، مکانهای بدن و محیطهای جمعآوری داده را نشان میدهند.
HiMAE دادههای پوشیدنی را در مقیاسهای زمانی مختلف تحلیل میکند
دادههای پوشیدنی میتوانند اطلاعات متفاوتی را در دورههای زمانی متفاوت حمل کنند. بخشهای کوتاه میتوانند سیگنالهای سریعالتغییر مانند ضربان قلب را نشان دهند. بخشهای طولانیتر میتوانند الگوهایی را آشکار کنند که در طول زمان شکل میگیرند، مانند خواب یا فعالیت بدنی.
HiMAE از چندین رمزگذار برای تحلیل جداگانه بخشهای کوتاه و بلند داده استفاده میکند. سامسونگ میگوید این ساختار به مدل اجازه میدهد مقیاس زمانی مورد نیاز برای یک وظیفه سلامت را شناسایی کند. بنابراین تحلیل ضربان قلب و پیشبینی خواب میتوانند از بخشهای متفاوتی از دادههای سری زمانی بهره ببرند.
روش آموزش بخشهای پوشیدهشده دادههای پوشیدنی را بازسازی میکند. سامسونگ اعلام کرد این امر به HiMAE اجازه میدهد الگوها را از بیوسگنالهایی که دادههای برچسبدار محدودی دارند یاد بگیرد. سپس مدل از طبقهبندی، پیشبینی عددی و تولید داده از یک سیستم پیشآموزشدیده واحد پشتیبانی میکند.
سامسونگ میگوید HiMAE با مدلی کوچکتر از مدلهای موجود، عملکرد بالایی کسب کرده است. این شرکت همچنین گزارش داد که میتواند نتایج را در کمتر از یک میلیثانیه روی واحد پردازش مرکزی کلاس ساعت هوشمند تولید کند.
این ادعای پردازشی، تحلیل مدل را روی دستگاه به جای سرورهای ابری قرار میدهد. مدلهای پایه آموزشدیده روی جریانهای فیزیولوژیکی بدون برچسب، مکانیزمی برای استخراج نشانگرهای تشخیصی، اجرای طبقهبندیهای پیشبینیکننده سلامت و تولید راهنمایی کاربر از سختافزار مصرفکننده فراهم میکنند، بدون نیاز به اتصال مداوم سرور.
نظرات
ثبت نظر جدید
هنوز نظری ثبت نشده است. اولین نفر باشید!