CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation

📄 arXiv: 2605.22774v1 📥 PDF

作者: Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles

分类: cs.LG, cs.AI, cs.HC

发布日期: 2026-05-21

备注: 7 pages, 7 figures. Submitted to IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI 2026)

💡 一句话要点

CogAdapt：通过导联自适应将临床心电图基础模型迁移到可穿戴认知负荷评估

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 认知负荷评估 心电图 可穿戴设备 迁移学习 基础模型 导联自适应 渐进式微调

📋 核心要点

  1. 现有认知负荷评估方法面临标记数据少、跨个体泛化性差的挑战，限制了其在实际人机交互中的应用。
  2. CogAdapt通过LeadBridge进行导联转换，将可穿戴设备数据适配到临床心电图基础模型，并使用ProFine策略进行微调。
  3. 实验结果表明，CogAdapt在两个公开数据集上显著优于现有方法，证明了其在个体无关认知负荷评估中的有效性。

📝 摘要（中文）

实时认知负荷评估对于自适应人机交互至关重要，但由于标记数据有限和跨个体泛化能力差而仍然具有挑战性。最近在数百万临床记录上预训练的心电图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，一个将临床心电图基础模型适配到可穿戴认知负荷评估的框架。CogAdapt引入了LeadBridge，一个可学习的适配器，将3导联可穿戴信号转换为解剖学上一致的12导联表征；以及ProFine，一种渐进式微调策略，逐步解冻编码器层，同时防止灾难性遗忘。在两个公共数据集（CLARE和CL-Drive）上进行的留一法交叉验证评估表明，CogAdapt显著优于从头开始训练的基线方法，实现了0.626和0.768的宏F1分数。这些结果证明了基础模型适配在基于可穿戴传感器的个体无关认知负荷评估中的潜力。

🔬 方法详解

问题定义：论文旨在解决将临床心电图（ECG）基础模型迁移到可穿戴设备进行认知负荷评估的问题。现有方法无法直接应用，因为可穿戴设备通常使用较少的导联（例如3导联），而临床模型通常基于12导联。此外，可穿戴设备采集的数据与临床数据在任务和数据分布上存在差异，导致性能下降。

核心思路：论文的核心思路是通过导联自适应和渐进式微调，将预训练的临床ECG基础模型知识迁移到可穿戴设备上。LeadBridge模块负责将低导联数据转换为高导联数据，弥合了传感器配置的差距。ProFine策略则通过逐步解冻模型层，防止灾难性遗忘，并使模型适应新的任务。

技术框架：CogAdapt框架包含两个主要模块：LeadBridge和ProFine。首先，LeadBridge模块接收来自可穿戴设备的3导联ECG信号，并将其转换为12导联ECG信号的表示。然后，将转换后的信号输入到预训练的临床ECG基础模型中。最后，使用ProFine策略对模型进行微调，以适应认知负荷评估任务。

关键创新：该论文的关键创新在于LeadBridge模块和ProFine微调策略。LeadBridge通过学习一个可训练的适配器，实现了从低导联到高导联的转换，解决了传感器配置不匹配的问题。ProFine策略通过逐步解冻模型层，避免了灾难性遗忘，并提高了模型的泛化能力。

关键设计：LeadBridge模块使用一个小型神经网络来学习3导联到12导联的映射关系。ProFine策略采用了一种渐进式解冻方法，首先解冻模型的顶层，然后逐步解冻更底层的层。损失函数包括分类损失和重建损失，用于优化LeadBridge模块和微调基础模型。具体的网络结构和参数设置在论文中有详细描述。

📊 实验亮点

CogAdapt在CLARE和CL-Drive两个公开数据集上进行了评估，结果表明其性能显著优于从头开始训练的基线模型。在CLARE数据集上，CogAdapt的宏F1分数为0.626，在CL-Drive数据集上为0.768。这些结果表明，通过导联自适应和渐进式微调，可以有效地将临床ECG基础模型迁移到可穿戴认知负荷评估任务中，并实现良好的泛化性能。

🎯 应用场景

该研究成果可应用于各种需要实时认知负荷评估的场景，例如驾驶安全监控、飞行员状态评估、远程医疗和自适应学习系统。通过使用可穿戴设备和迁移学习技术，可以实现对个体认知状态的持续监测和个性化干预，从而提高工作效率、保障安全和改善用户体验。未来，该方法可以扩展到其他生理信号和任务，为更广泛的人机交互应用提供支持。

📄 摘要（原文）

Real-time cognitive load assessment is essential for adaptive human-computer interaction but remains challenging due to limited labeled data and poor cross-subject generalization. Recent ECG foundation models pre-trained on millions of clinical recordings offer rich representations, but cannot be directly applied to wearable devices due to sensor configuration mismatch and task differences. In this paper, we propose CogAdapt, a framework that adapts clinical ECG foundation models to wearable cognitive load assessment. CogAdapt introduces LeadBridge, a learnable adapter that transforms 3-lead wearable signals into anatomically consistent 12-lead representations, and ProFine, a progressive fine-tuning strategy that gradually unfreezes encoder layers while preventing catastrophic forgetting. Evaluations on two public datasets (CLARE and CL-Drive) under leave-one-subject-out cross-validation show that CogAdapt substantially outperforms baselines trained from scratch, achieving macro-F1 scores of 0.626 and 0.768. These results demonstrate the promise of foundation model adaptation for subject-independent cognitive load assessment from wearable sensors.