Synheart容量：基于可穿戴信号的人类认知容量动力学理论驱动生理表征
机器学习
2026-05-26 v1
摘要
人类的认知性能受到有限的精神资源的制约，但持续计算性地估计认知容量动力学仍是一个开放挑战。我们提出了一个理论驱动的多模态学习框架，将与容量相关的认知状态建模为由自愿资源分配（精神努力）和超载相关应力（压力）定义的二维生理表征。该体系结构结合心搏（IBI/HRV）和电皮肤反应（EDA）信号的双流编码，采用后期融合和任务特定的输出头，独立估计概率性的努力和应力状态。使用严格的leave-one-subject-out交叉验证在SWELL-KW数据集上进行评估，显示出跨个体的泛化能力（应力：70.0%平衡准确率；努力：72.2%），多模态集成和理论引导的监督带来了显著的提升。与简化生理动力学为单一工作负载标签不同，提出的努力-应力状态空间使我们能够对不同认知状态进行结构化区分，包括生产性参与和超载相关应力。预测的状态轨迹在受控工作负载操纵下显示出显著的需求敏感性变化，其中努力和应力在中断和时间压力条件下作出不同的响应。这些结果表明，基于生理学的多维状态表征可能为具备持续容量感知监测和以人为中心交互能力的自适应系统提供基础。
引用
@article{arxiv.2605.24416,
title = {Synheart Capacity: A Theory-Driven Physiological Representation of Cognitive Capacity Dynamics from Wearable Signals},
author = {Yisak Debele and Henok Ademtew and Israel Goytom},
journal= {arXiv preprint arXiv:2605.24416},
year = {2026}
}