記事日付：2026年8月14日
記事日付：2026年8月14日
ウェアラブル端末で計測される生体信号の解析にAIが広く活用されている。
日本国内においてもスマートウォッチ等のウェアラブル端末の普及に伴い、睡眠や心拍数、身体活動などの健康データを活用したヘルスケアへの関心が高まっている。
生体信号の相関を学習し精度を高めるxMAE
心電図（ECG）は心臓の電気的活動を直接測定し精度が高い一方、ユーザーが手動で計測を止める必要がある。
対して光電容積脈波（PPG）は血流変化から心機能を間接的に測定し、継続的な計測が可能である。
サムスンが開発したxMAEは、これら二つの信号の時間的関係を学習する事前学習フレームワークである。
PPG信号を用いてECG信号の欠損部分を再構築することで、手動計測なしに心血管系の健康指標をより精密に分析できる。
約9,400時間のデータを用いた学習により、心血管疾患の予測や睡眠段階の分類など、多くの評価タスクで既存手法を上回る性能を示した。
オンデバイスでリアルタイム処理を行うHiMAE
HiMAEは、ウェアラブル端末のデータから複数の時間スケールでパターンを学習する自己教師あり学習モデルである。
短時間の心拍から長時間の睡眠パターンまでを単一のモデルで処理し、スマートウォッチ級のCPUで1ミリ秒未満の処理速度を実現した。
クラウドサーバーに依存せず、端末内でリアルタイムに生体信号を解析できる点が特徴であり、オンデバイスでのヘルスケアAIの可能性を実証した。
導入判断における技術的視点
これらのモデルは、ラベル付きデータが限られた環境下でも生体信号の重要なパターンを学習可能である。
今後、ヘルスケア分野でのAI導入を検討する際は、単なる性能指標だけでなく、オンデバイス処理によるプライバシー保護や、異なるセンサー環境への汎用性を比較材料とすることが重要となる。
コメント