Smartwatch-Daten für Gesundheits-KI: Was Samsungs xMAE und HiMAE wirklich leisten

Samsungs xMAE und HiMAE zeigen, wie Wearable-Signale für Gesundheits-KI strukturiert werden – und warum daraus noch keine Diagnose folgt.

Von Wolfgang

17. Aug. 20266 Min. Lesezeit

Eine Smartwatch kann Herz-, Bewegungs- und Schlafsignale aufzeichnen. Daraus entsteht aber nicht automatisch eine verlässliche Gesundheitsdiagnose. Genau an dieser Grenze setzt Samsungs aktuelle Forschungsarbeit an: Die Modelle xMAE und HiMAE sollen Wearable-Daten so aufbereiten, dass darin wiederkehrende körperliche Muster erkennbar werden. Das ist technisch interessant – aber noch kein neues Galaxy-Watch-Feature und kein digitaler Arzt auf dem Handgelenk.

Das Wichtigste in 30 Sekunden

xMAE lernt im Training die zeitliche Beziehung zwischen elektrischer Herzaktivität (ECG) und optisch gemessenem Puls (PPG).
HiMAE betrachtet Wearable-Zeitreihen über mehrere Zeitauflösungen – von kurzen Ereignissen bis zu längeren Verläufen.
Samsung berichtet bessere Repräsentationen in 15 von 19 Aufgaben für xMAE und eine Laufzeit von unter einer Millisekunde für HiMAE auf smartwatch-class CPUs.
Die Werte stammen aus Forschungs- und Testkontexten. Sie belegen weder eine individuelle Diagnose noch die Verfügbarkeit auf einer Galaxy Watch.

Unbeschriftete Smartwatch an einem Handgelenk neben Notizen zu Wearable-Biosignalen auf einem Arbeitstisch — Eine unmarkierte Smartwatch steht sinnbildlich für die Forschungsfrage hinter xMAE und HiMAE: Wie lassen sich Wearable-Signale strukturieren, ohne daraus vorschnell eine Diagnose abzuleiten? – durch KI erzeugt

Zwei Modelle, zwei Wege durch die Biosignale

Samsung Research America stellte xMAE und HiMAE am 14. August 2026 als zwei Forschungsprojekte für Health-Foundation-Modelle vor. Der Anlass ist damit eine Forschungsdarstellung, keine Produktankündigung. Beide Ansätze versuchen, aus Rohsignalen eine übertragbare Repräsentation zu gewinnen – also eine verdichtete Beschreibung, die später für unterschiedliche Forschungsaufgaben genutzt werden kann.

Der Unterschied liegt in der Struktur der Daten. xMAE verbindet zwei zeitlich gekoppelte Signale. HiMAE zerlegt Wearable-Zeitreihen in mehrere Auflösungen. Das klingt abstrakt, entscheidet aber darüber, welche Muster ein Modell überhaupt sehen kann: ein kurzes Ereignis, eine Veränderung über Minuten oder ein Verlauf über Stunden sind nicht dieselbe Art von Information.

Was xMAE aus ECG und PPG lernt

ECG und PPG messen nicht dasselbe. Ein ECG bildet die elektrische Aktivität des Herzens ab. PPG arbeitet optisch und erfasst den Puls an einer peripheren Stelle, also zeitlich nachgelagert zur elektrischen Herzaktion. Für ein Modell ist diese Verzögerung kein Störfaktor, den man einfach wegfiltern kann. Sie ist Teil der physiologischen Beziehung zwischen den Signalen.

Genau diese Beziehung nutzt xMAE im Vortraining. Das Verfahren maskiert zusammenhängende Abschnitte des ECG und versucht, sie mit synchronisierten PPG-Daten und sichtbarem ECG-Kontext zu ergänzen. Der Lernschritt zwingt das Modell, die zeitliche Ordnung beider Signale mitzudenken. Es geht dabei nicht darum, aus einer Smartwatch-Aufzeichnung ein klinisch verwertbares EKG zu erzeugen.

Nach dem Vortraining ist die gelernte PPG-Repräsentation der übertragbare Teil. Die ECG-Rekonstruktion dient als Trainingsziel. Diese Unterscheidung ist wichtig, weil Forschungsbegriffe wie „Rekonstruktion“ oder „Krankheitsrisiko“ schnell nach einer fertigen Diagnosefunktion klingen können, obwohl sie zunächst eine Modellaufgabe beschreiben.

Signal: ECG und PPG liefern unterschiedliche, zeitlich verbundene Informationen über körperliche Vorgänge.
Trainingsaufgabe: xMAE lernt eine Repräsentation, indem es maskierte Signalabschnitte mit dem jeweils anderen Signal in Beziehung setzt.
Grenze: Ein gutes Ergebnis im Training oder Benchmark ist keine individuelle medizinische Beurteilung.

Erklärdiagramm mit zwei zeitlich versetzten Signalspuren für ECG und PPG und einem markierten Trainingsabschnitt — Das Diagramm zeigt die zeitliche Beziehung zwischen ECG und PPG sowie den maskierten Abschnitt als Trainingsidee von xMAE. – durch KI erzeugt

Warum HiMAE mehrere Zeitfenster nutzt

HiMAE verfolgt ein anderes Prinzip. Das Modell bildet Wearable-Zeitreihen hierarchisch über mehrere zeitliche Auflösungen ab. Kurze Abschnitte können schnelle Muster enthalten, während längere Fenster eher Aktivitäts- oder Schlafverläufe sichtbar machen. Eine einzelne Auflösung würde jeweils einen Teil dieser Information verlieren.

Technisch kombiniert HiMAE maskiertes Autoencoding mit einer hierarchischen Encoder-Decoder-Struktur. Das Modell soll dabei die Auflösung nutzen, die für die jeweilige Aufgabe nützlich ist. Samsung und das zugehörige Paper berichten eine Inferenzzeit von unter einer Millisekunde auf smartwatch-class CPUs. Das ist ein Messwert aus dem beschriebenen Testaufbau. Er zeigt, dass ein solcher Rechenschritt unter diesen Bedingungen sehr schnell sein kann; er beweist nicht, dass HiMAE bereits auf einer Galaxy Watch ausgeliefert wird.

Auch die Formulierung „on-device“ muss deshalb eng gelesen werden. Sie bezieht sich auf den berichteten HiMAE-Testkontext. Daraus folgt nicht, dass jede Samsung-Gesundheitsanalyse vollständig auf dem Gerät läuft oder dass der Weg von Rohdaten, Modellergebnis und Cloud-Dienst für ein späteres Produkt bereits feststeht.

15 von 19 Aufgaben sind kein Diagnosewert

Beim xMAE-Paper berichtet Samsung bessere Repräsentationen als verglichene Verfahren in 15 von 19 Downstream-Aufgaben. Dazu gehören unter anderem Aufgaben zu kardiovaskulären Ergebnissen, Laborwerten, Schlafstadien und demografischen Merkmalen. Diese Zahl beschreibt nur den Ausgang des konkreten Experiments. Sie ist keine allgemeine Genauigkeitsquote und schon gar keine Aussage darüber, wie zuverlässig eine einzelne Person eine Krankheit erkennen lassen kann.

Zum Testkontext gehören außerdem die Daten, mit denen das Modell trainiert und ausgewertet wurde. Samsung Research beschreibt rund 3,4 Millionen synchronisierte zehnsekündige ECG-/PPG-Aufzeichnungen und etwa 9.400 Stunden Vortraining. Die Quellen verweisen dabei auch auf intensivmedizinische und institutionseigene Daten. Daraus lässt sich nicht automatisch ableiten, dass ein Modell bei einer deutschen Allgemeinbevölkerung, einem anderen Gerät oder unter Alltagsbedingungen gleich arbeitet.

Der stärkste Einwand gegen eine zu vorsichtige Lesart lautet: Mehrere Biosignale und ein schnelles Modell können Forschung und künftige Gesundheitsfunktionen durchaus voranbringen. Das stimmt. Gerade deshalb muss man die Ebenen trennen. Ein Forschungsbefund kann ein Baustein für ein späteres Produkt sein, ohne dessen klinische Eignung, Zulassung, Datenverarbeitung oder Alltagstauglichkeit vorwegzunehmen.

Die praktische Prüfliste für künftige Gesundheitsfunktionen

Für Nutzerinnen und Nutzer in Deutschland und Europa liegt der aktuelle Mehrwert nicht in einer behaupteten lokalen Einführung. Er liegt in den Fragen, die bei einer späteren Funktion beantwortet werden müssten. Aus Samsungs Ankündigung folgt keine neue konkrete EU-Rechtspflicht. Sie zeigt aber, welche Informationen bei Gesundheits-KI nicht in einem Werbesatz verschwinden sollten.

Frage	Warum sie zählt
Welches Signal wird ausgewertet?	ECG, PPG, Bewegung und Schlafdaten haben unterschiedliche Aussagegrenzen.
Wo findet die Analyse statt?	On-device, Smartphone und Server sind unterschiedliche Verarbeitungswege. Der konkrete Datenfluss muss genannt werden.
Welche Evidenz liegt vor?	Benchmark, externe Validierung und klinische Prüfung sind nicht dasselbe.
Was ist das Produkt tatsächlich?	Forschungsmodell, Gesundheitsinformation und zugelassenes Medizinprodukt müssen klar getrennt sein.

Mehrstufiges Diagramm mit kurzen mittleren und langen Zeitfenstern für Wearable-Zeitreihen — Mehrere Zeitfenster veranschaulichen, wie HiMAE Wearable-Zeitreihen hierarchisch betrachten kann; der Befund bleibt Forschung und keine Diagnose. – durch KI erzeugt

Forschungsfortschritt ohne Diagnoseversprechen

xMAE und HiMAE zeigen zwei sinnvolle Wege, Wearable-Biosignale zu strukturieren: einmal über die zeitliche Beziehung mehrerer Signale, einmal über die passende Zeitskala einer Zeitreihe. Das macht die Forschung relevant, weil gute Repräsentationen spätere Anwendungen erleichtern können.

Der Abstand zur medizinischen Aussage bleibt trotzdem groß. Dafür braucht es passende Daten, externe Validierung, eine transparente Zweckbestimmung und einen klar beschriebenen Produktstatus. Wer künftige Gesundheitsfunktionen bewertet, sollte deshalb nicht nur fragen, wie schnell ein Modell läuft oder wie viele Aufgaben es im Paper verbessert. Entscheidend ist, welches Signal verarbeitet wird, unter welchen Bedingungen der Befund entsteht und was die Funktion im Alltag tatsächlich behauptet.