[논문] CogAdapt: 임상 ECG 기반 모델을 리드 적응으로 웨어러블 인지 부하 평가에 적용

출처: arXiv - 2605.22774v1

개요

실시간 인지 부하 평가는 적응형 인간‑컴퓨터 상호작용에 필수적이지만, 라벨된 데이터가 제한적이고 피험자 간 일반화가 좋지 않아 여전히 어려운 과제입니다. 최근 수백만 건의 임상 ECG 기록으로 사전 학습된 기반 모델은 풍부한 표현력을 제공하지만, 센서 구성 차이와 과제 차이 때문에 웨어러블 디바이스에 직접 적용하기는 어렵습니다. 본 논문에서는 임상 ECG 기반 모델을 웨어러블 인지 부하 평가에 맞게 전이시키는 프레임워크인 CogAdapt를 제안합니다. CogAdapt는 3‑리드 웨어러블 신호를 해부학적으로 일관된 12‑리드 표현으로 변환하는 학습 가능한 어댑터 LeadBridge와, 인코더 층을 점진적으로 언프리징하면서 파국적 망각을 방지하는 점진적 미세조정 전략 ProFine을 도입합니다. leave‑one‑subject‑out 교차 검증 하에 두 공개 데이터셋(CLARE와 CL‑Drive)에서 평가한 결과, CogAdapt는 처음부터 학습한 베이스라인보다 크게 우수한 성능을 보이며 각각 매크로 F1 점수 0.626, 0.768을 달성했습니다. 이러한 결과는 웨어러블 센서를 이용한 피험자 독립적 인지 부하 평가를 위해 기반 모델 전이가 큰 가능성을 가지고 있음을 보여줍니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다:

• cs.LG
• cs.AI
• cs.HC

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 함의

이 연구는 cs.LG 분야의 발전에 기여합니다.

저자

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

논문 정보

• arXiv ID: 2605.22774v1
• 분류: cs.LG, cs.AI, cs.HC
• 발행일: 2026년 5월 21일
• PDF: PDF 다운로드