CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation
Author
- Haebom
Category
Empty
저자
Amir Mousavi, Erfan Nourbakhsh, Mohammad Sadegh Sirjani, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles
💡 개요
본 연구는 웨어러블 기기에서 실시간 인지 부하 평가의 어려움을 해결하기 위해, 대규모 임상 심전도(ECG) 데이터로 사전 학습된 기반 모델을 활용하는 CogAdapt 프레임워크를 제안합니다. CogAdapt은 3-리드 웨어러블 신호를 12-리드 표현으로 변환하는 LeadBridge와 점진적으로 모델을 파인튜닝하는 ProFine 전략을 도입하여, 데이터 부족 및 개인 간 일반화 문제를 극복합니다. 이를 통해 기존 방식 대비 우수한 성능을 달성하며, 웨어러블 센서를 통한 인지 부하 평가 분야에서 기반 모델 적응의 잠재력을 보여줍니다.
🔑 시사점 및 한계
•
임상 ECG 기반 모델을 웨어러블 인지 부하 평가에 성공적으로 전이 학습하여, 데이터 제약 및 일반화 문제를 완화할 수 있음을 입증했습니다.
•
LeadBridge와 ProFine과 같은 혁신적인 적응 기법을 통해 다양한 센서 구성과 태스크에 대한 모델 적용 가능성을 높였습니다.
•
본 연구는 웨어러블 기기를 활용한 개인 독립적인 인지 부하 평가 시스템 개발의 가능성을 열었으며, 향후 적응형 인터페이스 및 웰빙 모니터링 분야에 기여할 수 있습니다.
•
제시된 모델의 성능은 여전히 개선의 여지가 있으며, 다양한 인지 부하 수준 및 실제 복잡한 환경에서의 추가적인 검증과 함께 개인별 맞춤 조정 전략을 탐구해야 합니다.
