論文の概要: CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation
- arxiv url: http://arxiv.org/abs/2605.22774v1
- Date: Thu, 21 May 2026 17:33:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.380215
- Title: CogAdapt: Transferring Clinical ECG Foundation Models to Wearable Cognitive Load Assessment via Lead Adaptation
- Title（参考訳）: CogAdapt: 臨床心電図基礎モデルからリード適応によるウェアラブル認知負荷評価への移行
- Authors: Amir Mousavi, Mohammad Sadegh Sirjani, Erfan Nourbakhsh, Mimi Xie, Rocky Slavin, Leslie Neely, John Davis, John Quarles,
- Abstract要約: CogAdaptは、臨床ECGファンデーションモデルをウェアラブル認知負荷評価に適用するフレームワークである。
LeadBridgeは、学習可能なアダプタで、3本リードのウェアラブル信号を解剖学的に一貫性のある12本リードの表現に変換する。
ProFineは段階的な微調整戦略であり、徐々にエンコーダ層を凍結し、破滅的な忘れを防いでいる。
- 参考スコア（独自算出の注目度）: 5.256332889764464
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: 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.
- Abstract（参考訳）: リアルタイム認知負荷評価は、適応的な人間とコンピュータの相互作用には不可欠であるが、ラベル付きデータに制限があり、オブジェクト間の一般化が不十分なため、依然として困難である。
最近のECGファンデーションモデルは、何百万もの臨床記録に事前訓練されているが、センサー構成ミスマッチやタスクの違いにより、ウェアラブルデバイスに直接適用することはできない。
本稿では,臨床ECG基盤モデルをウェアラブル認知負荷評価に適用するフレームワークであるCogAdaptを提案する。
CogAdaptは、3本リードのウェアラブル信号を解剖学的に一貫した12個のリード表現に変換する学習可能なアダプタであるLeadBridgeと、破滅的な忘れを防ぎながら徐々にエンコーダ層を凍結する進歩的な微調整戦略であるProFineを紹介した。
2つの公開データセット(CLAREとCL-Drive)の評価は、CagAdaptがスクラッチからトレーニングされたベースラインを大幅に上回っており、マクロF1スコアは0.626と0.768であることを示している。
これらの結果は,ウェアラブルセンサを用いた主観非依存認知負荷評価のための基礎モデル適用の可能性を示すものである。
関連論文リスト
- CORTEG: Foundation Models Enable Cross-Modality Representation Transfer from Scalp to Intracranial Brain Recordings [6.409806752431095]
頭蓋内皮質電図(ECoG)は、脳-コンピュータインターフェースのための皮質活動への高信号-雑音アクセスを提供する。
本研究では,ECoG に適応可能な大規模な頭皮-EEG ファンデーションモデル (EEG FMs) について検討する。
我々は、事前訓練されたEEG FMバックボーン、電極対応のKNNSoftFourier空間アダプタ、低周波および高ガンマ活動のためのデュアルストリームトークンーザを組み合わせたクロスモーダル転送フレームワークであるCORTEGを紹介する。
論文 参考訳（メタデータ） (2026-05-11T10:40:42Z) - Sparsity Hurts: Simple Linear Adapter Can Boost Generalized Category Discovery [54.695641187741536]
Generalized Category Discovery (GCD)は、ラベルのないデータから新しいカテゴリを識別する。
以前のGCD法は、通常、事前訓練されたモデルからの転送可能な表現を利用する。
本稿では,各 ViT ブロックに線形アダプタを組み込む,単純かつ効果的な GCD 手法である LAGCD を提案する。
論文 参考訳（メタデータ） (2026-05-05T10:14:30Z) - CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。
CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。
本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
論文 参考訳（メタデータ） (2026-04-13T11:56:43Z) - CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models [13.613519337591507]
シングルリードのECG記録は、臨床レベルのウェアラブルと消費者向けのウェアラブルの両方に統合されている。
未ラベルのECG上でのファンデーションモデルの自己教師付き事前トレーニングは診断性能を向上させるが、既存のアプローチでは臨床メタデータからドメイン知識を取り入れていない。
我々は,確立された臨床リスクスコアを用いて,ネガティブなペアを適応的に重み付けする,新しいコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2025-12-01T20:21:44Z) - CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks [42.852654951995426]
causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。
プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
論文 参考訳（メタデータ） (2025-09-26T15:16:06Z) - Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
論文 参考訳（メタデータ） (2025-09-08T10:54:04Z) - ECG Latent Feature Extraction with Autoencoders for Downstream Prediction Tasks [2.2616169634370076]
心電図(Electrocardiogram、ECG)は、安価で広く用いられる心臓評価用ツールである。
標準化されたフォーマットと小さなファイルサイズにもかかわらず、ECG信号の複雑さと個人間変動は、ディープラーニングモデルでの使用を困難にしている。
本研究は,代表的ビート心電図から特徴生成手法を探索することにより,これらの課題に対処する。
本稿では,3つの新しい変分自動エンコーダ(VAE)-Stochastic Autoencoder (SAE), Annealed beta-VAE (A beta-VAE), Cyclical beta VAE (C beta-VAE)を導入し,それらの維持効果を比較した。
論文 参考訳（メタデータ） (2025-07-31T19:37:05Z) - EXGnet: a single-lead explainable-AI guided multiresolution network with train-only quantitative features for trustworthy ECG arrhythmia classification [1.5162243843944596]
シングルリード信号に適した新しいECG不整脈分類ネットワークであるEXGnetを提案する。
トレーニング中のXAI監督は、そのモデルの注意を臨床的に関連する心電図領域に向ける。
短信号と長期信号の両方を効率的に捉えるために,革新的なマルチレゾリューションブロックを導入する。
論文 参考訳（メタデータ） (2025-06-14T08:48:44Z) - Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。
本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
論文 参考訳（メタデータ） (2024-12-02T07:14:25Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。