Samsung Research America’nın Digital Health ekibi, akıllı saatlerden toplanan biyosinyalleri anlamaya yönelik iki yeni yapay zekâ temel modeli sundu. Çalışma; kalp etkinliği, uyku ve fiziksel aktivite gibi giyilebilir cihaz verilerine odaklanıyor. Şirket, bu yaklaşımı önleyici, kişiselleştirilmiş ve bağlantılı bakım vizyonunun teknik yapı taşlarından biri olarak konumlandırıyor.
Buradaki temel fikir, etiketlenmemiş büyük biyosinyal veri kümeleri üzerinde ön eğitim almış tek bir modelin, daha sonra farklı sağlık görevlerine uyarlanabilmesi. Samsung’un anlattığı çerçevede bu görevler arasında biyosinyal analizi, biyobelirteç geliştirme ve olası sağlık sorunlarının tahmini yer alıyor. Ekip ayrıca bu modellerin sınırlı sensör ve işlem kaynaklarıyla doğrudan cihaz üzerinde çalışabilecek şekilde ilerletilmesini hedefliyor.
Araştırma iki ayrı modele dayanıyor: xMAE ve HiMAE. xMAE, farklı biyosinyaller arasındaki zamansal ilişkiyi öğrenmeye odaklanıyor. HiMAE ise giyilebilir cihazlardan gelen zaman serisi verilerinde, kısa ve uzun ölçekli sağlık örüntülerini birlikte analiz ediyor. Samsung, xMAE’nin International Conference on Machine Learning, HiMAE’nin ise International Conference on Learning Representations kapsamında kabul edildiğini belirtiyor.
xMAE’nin merkezinde PPG ile ECG arasındaki ilişki var. ECG, kalbin elektriksel aktivitesini doğrudan ölçüyor ve kalp hızı ile kalp hızı değişkenliği gibi ölçümlerde kullanılıyor. Ayrıca atriyal fibrilasyon gibi durumlarla ilişkili anormal ritimlerin saptanmasına da yardımcı olabiliyor. Ancak giyilebilir cihazlardaki ECG ölçümleri genellikle kullanıcının durup aktif bir ölçüm başlatmasını gerektiriyor.
PPG ise kan akışındaki değişimleri algılıyor ve akıllı saat gibi cihazlarda pasif, yani sürekliye yakın şekilde çalışabiliyor. Her iki sinyal de kalp aktivitesinden kaynaklansa da aralarında bir zaman farkı bulunuyor. Samsung, xMAE’nin bu ilişkiyi PPG verisinden yararlanarak ECG sinyalindeki maskelenmiş bölümleri yeniden oluşturarak öğrendiğini söylüyor. Böylece ayrı bir manuel ECG ölçümüne ihtiyaç duymadan, sürekli ölçülen PPG üzerinden kardiyovasküler sağlık özelliklerinin analiz edilmesi amaçlanıyor.
Modelin ön eğitimi için yaklaşık 9.400 saatlik ECG ve PPG verisi kullanılmış. Samsung’un paylaştığı sonuçlara göre xMAE, 19 değerlendirme görevinin 15’inde tek modlu biyosinyal modellerini ve mevcut çok modlu öğrenme yöntemlerini geride bıraktı. Bu görevler; kardiyovasküler hastalık tahmini, anormal test sonucu tespiti ve uyku evresi sınıflandırması gibi alanları kapsıyor. Şirket ayrıca öğrenilen özelliklerin farklı sensör cihazları, farklı vücut bölgeleri ve farklı veri toplama ortamlarında da kullanılma potansiyeli gösterdiğini aktarıyor.
İkinci model olan HiMAE, giyilebilir verinin farklı zaman ölçeklerinde farklı bilgiler taşıması gerçeğine odaklanıyor. Kısa veri parçaları kalp atışı gibi hızlı değişen sinyalleri gösterebilirken, daha uzun aralıklar uyku veya fiziksel aktivite gibi zaman içinde oluşan örüntüleri ortaya koyabiliyor. HiMAE bu nedenle kısa ve uzun veri segmentlerini ayrı ayrı incelemek için birden fazla encoder kullanıyor.
Bu yapı, modele belirli bir sağlık görevi için hangi zaman ölçeğinin gerekli olduğunu ayırt etme imkânı veriyor. Örneğin kalp hızı analizi ile uyku tahmini, aynı zaman serisinin farklı bölümlerinden faydalanabiliyor. Eğitim sırasında yine verinin maskelenmiş bölümleri yeniden oluşturuluyor; böylece etiketli verinin sınırlı olduğu biyosinyallerde de örüntüler öğrenilebiliyor. Samsung, tek bir önceden eğitilmiş sistemle sınıflandırma, sayısal tahmin ve veri üretimi yapılabildiğini belirtiyor.
Şirketin verdiği bilgiye göre HiMAE, mevcut modellere kıyasla daha küçük bir model boyutuyla yüksek performans sağladı. Ayrıca akıllı saat sınıfı bir CPU üzerinde 1 ms’den kısa sürede sonuç üretebildiği ifade ediliyor. Bu da analiz yükünün bulut sunucularına değil doğrudan cihaza taşınabileceğine işaret ediyor. Sürekli sunucu bağlantısı gerektirmeden, etiketlenmemiş fizyolojik akışlardan sağlık işaretleri çıkarabilen bu tür temel modeller; tahmine dayalı sınıflandırma ve kullanıcıya yönelik sağlık yönlendirmeleri açısından giyilebilir cihazların rolünü genişletebilir.
