CogAdapt：將臨床 ECG 基礎模型轉移至可穿戴式認知負荷評估
arXiv - Human-Computer InteractionAmir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
提出 CogAdapt 框架，利用 LeadBridge 與 ProFine 將臨床 ECG 基礎模型適配可穿戴裝置，顯著提升跨主體認知負荷評估準確度。
AI 幫你先抓重點
AI 重點 1
LeadBridge 的可學習適配器能解決傳感器配置不匹配問題，為可穿戴 ECG 應用提供通用橋樑。
滑鼠懸停看 AI 判斷理由
此洞察說明如何跨域轉移臨床模型到可穿戴裝置，突破傳感器差異限制，對於實時負荷評估的實務部署至關重要。
AI 重點 2
ProFine 的漸進微調策略在防止災難性遺忘的同時，提升跨受試者泛化，證明逐步解凍對於基礎模型調整的有效性。
滑鼠懸停看 AI 判斷理由
此策略提供了一種可複製的微調流程，可應用於其他可穿戴感測任務，降低資料標註成本並提升模型穩定性。
核心研究發現
- 1
LeadBridge 能將 3-lead 可穿戴信號轉換為 12-lead 形式，保持解剖一致性。
- 2
ProFine 逐步解凍編碼器層，避免災難性遺忘，提升模型泛化能力。
- 3
在 CLARE 與 CL-Drive 兩個公開資料集上，CogAdapt 的 macro‑F1 分別達 0.626 與 0.768，顯著優於從零開始訓練的基線。
對教育工作者的啟發
實務工作者可先使用 LeadBridge 將現有 12‑lead ECG 基礎模型映射至 3‑lead 可穿戴裝置，確保信號解剖一致。接著採用 ProFine 逐步解凍編碼器層，避免災難性遺忘，並在留一受試者交叉驗證中調整學習率與正則化參數，以提升跨主體泛化。這種結合可直接嵌入自適應人機互動系統，實時監測使用者認知負荷，並即時調整介面難度或提示。若資料量有限，可先在臨床資料上預訓練，再微調至可穿戴環境，節省標註成本。最後，將評估結果與使用者行為數據結合，可進一步研究學習策略與認知負荷之間的關係，為個別化學習設計提供數據支持。
原始文獻資訊
- 英文標題：
- CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation
- 作者：
- Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。