CogAdapt: адаптация клинических ЭКГ-моделей для оценки когнитивной нагрузки в носимых устройствах

Исследователи представили CogAdapt — фреймворк, который позволяет адаптировать предобученные на клинических данных модели ЭКГ для оценки когнитивной нагрузки по сигналам с носимых устройств. Это решение объединяет два ключевых компонента: адаптер LeadBridge, преобразующий трёхканальные сигналы в 12-канальное представление, и стратегию прогрессивного дообучения ProFine. В результате удалось значительно повысить точность распознавания когнитивной нагрузки по сравнению с моделями, обученными с нуля.

Почему оценка когнитивной нагрузки важна для носимых устройств

Современные носимые устройства, такие как умные часы и фитнес-трекеры, способны непрерывно регистрировать физиологические сигналы, включая электрокардиограмму (ЭКГ). Однако использование этих данных для оценки когнитивной нагрузки — степени умственного напряжения пользователя — остаётся сложной задачей. Традиционные подходы требуют больших объёмов размеченных данных и плохо обобщаются на новых пользователях. В то же время клинические модели ЭКГ, обученные на миллионах записей, уже умеют распознавать различные сердечные патологии, но не адаптированы для анализа когнитивных состояний. CogAdapt решает эту проблему, позволяя переносить знания из клинической области в область носимых устройств.

Как работает CogAdapt: LeadBridge и ProFine

LeadBridge: преобразование сигналов

Клинические модели ЭКГ обычно работают с 12 отведениями, тогда как носимые устройства чаще всего используют только три отведения (например, I, II и V1). LeadBridge — это обучаемый адаптер, который преобразует трёхканальный сигнал в 12-канальное представление, совместимое с предобученной моделью. Адаптер состоит из свёрточных слоёв, которые учатся восстанавливать недостающие отведения на основе пространственно-временных зависимостей. Это позволяет использовать готовую клиническую модель без её модификации.

ProFine: прогрессивное дообучение

ProFine — это стратегия дообучения, которая постепенно размораживает слои энкодера, начиная с последних. На первом этапе обучается только классификатор, затем последовательно размораживаются всё более ранние слои. Это предотвращает катастрофическое забывание и дрейф представлений, сохраняя полезные признаки, полученные на клинических данных. Дополнительно вводится регуляризация, ограничивающая отклонение весов от исходных значений.

Результаты экспериментов

Эффективность CogAdapt была проверена на двух публичных наборах данных: CLARE (когнитивная нагрузка при выполнении задач) и CL-Drive (нагрузка при вождении). Использовалась кросс-валидация с исключением одного испытуемого, что имитирует работу с новым пользователем. На CLARE достигнут macro-F1 0.626, на CL-Drive — 0.768. Это на 11.2 и 16.1 процентных пункта выше, чем у моделей, обученных с нуля на тех же данных. Кроме того, CogAdapt превзошёл методы, использующие только временные или только частотные признаки, а также стандартные подходы к дообучению.

Какие проблемы решает новый метод

Главная проблема в области оценки когнитивной нагрузки — нехватка размеченных данных. Сбор аннотированных записей требует дорогостоящих экспериментов и участия экспертов. CogAdapt обходит это ограничение, используя предобученные клинические модели, которые уже научились извлекать релевантные признаки из ЭКГ. Кроме того, метод демонстрирует хорошую обобщаемость: он работает для разных типов когнитивных задач (арифметические вычисления, вождение) и для разных испытуемых без дополнительной настройки.

Кому будет полезен CogAdapt

Разработчики интерфейсов человек-компьютер смогут интегрировать оценку когнитивной нагрузки в адаптивные системы, которые подстраивают сложность задач под текущее состояние пользователя. Исследователи в области аффективных вычислений получат инструмент для анализа физиологических сигналов в реальном времени. Специалисты по носимой электронике смогут улучшить алгоритмы обработки данных с ограниченным числом отведений. Наконец, клинические эксперты могут использовать метод для переноса моделей на новые типы сигналов.

Какие остаются вопросы

Пока неясно, насколько хорошо CogAdapt работает в реальных условиях с различными типами носимых устройств, которые могут иметь разное качество сигнала и расположение электродов. Также не изучено влияние адаптера на вычислительные затраты и задержку — важно для работы в реальном времени. Кроме того, требуется проверка на других когнитивных задачах (например, многозадачность или стресс) и на более разнообразных популяциях. Наконец, остаётся открытым вопрос, можно ли адаптировать метод для других физиологических сигналов, таких как фотоплетизмограмма (PPG).

Заключение

CogAdapt представляет собой значительный шаг вперёд в области оценки когнитивной нагрузки с помощью носимых устройств. Используя клинические модели ЭКГ и специальные стратегии адаптации, удаётся достичь высокой точности даже при ограниченном количестве размеченных данных. Это открывает путь к созданию более интеллектуальных и адаптивных интерфейсов, которые могут улучшить взаимодействие человека с компьютером в различных сферах — от образования до безопасности.