CogAdapt：通过 Lead 适应将临床 ECG 基础模型迁移到可穿戴式认知负荷评估
机器学习
2026-05-27 v2 人工智能
人机交互
摘要
实时认知负荷评估是自适应人机交互的关键，但由于标注数据有限和跨主体泛化性差，仍面临挑战。最近在数百万临床录音上预训练的 ECG 基础模型提供了丰富的表征，但由于传感器配置不匹配和任务差异，无法直接应用于可穿戴设备。本文提出了 CogAdapt 框架，将临床 ECG 基础模型适应到可穿戴式认知负荷评估。CogAdapt 引入 LeadBridge，即一种可学习的适配器，用于将 3 导联可穿戴信号转换为解剖一致的 12 导联表征，并提出 ProFine，即一种渐进式微调策略，逐层解冻编码器层，同时防止灾难性遗忘。在两个公开数据集（CLARE 和 CL-Drive）上进行leave-one-subject-out 交叉验证评估显示，CogAdapt 在基线从头训练的方法上显著优于，分别获得了 0.626 和 0.768 的宏平均 F1 分数。这些结果表明了基础模型适应对于来自可穿戴传感器的subject-independent 认知负荷评估的前景。
引用
@article{arxiv.2605.22774,
title = {CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation},
author = {Amir Mousavi and Erfan Nourbakhsh and Mohammad Sadegh Sirjani and Mimi Xie and Rocky Slavin and Leslie Neely and John Davis and John Quarles},
journal= {arXiv preprint arXiv:2605.22774},
year = {2026}
}
备注
7 pages, 7 figures. Submitted to IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI 2026)