arrow_back Volver a Publicaciones

IEEE Transactions on Neural Networks and Learning Systems (TNNLS) Año: 2026 DOI: 10.1109/TNNLS.2026.3418902 arXiv: 2603.04891

Dynamic Cognitive Load Estimation via Multi-Modal Eye Tracking and Electroencephalography Transformers

Joan Gregorio Pérez * iD

(Department of Computer Science & AI Research)

Dr. Elena Rostova iD

(Cognitive Systems Institute, MIT)

Sarah Lin, Ph.D. iD

(Stanford Vision and Neuroengineering Lab)

download Descargar PDF (Preprint) database Dataset

Abstract

Understanding real-time cognitive workload is critical for designing adaptive educational interfaces and high-stakes decision-support systems. We propose CogFormer, a novel multimodal cross-attention transformer architecture that synchronizes non-invasive 64-channel EEG streams with high-frequency eye gaze fixations and pupillometry. Across a cohort of 140 participants performing complex algorithmic tasks, CogFormer achieved a 94.2% F1-score in detecting cognitive overload states with a sub-18ms inference latency on consumer-grade hardware.

## Abstract

Understanding real-time cognitive workload is critical for designing adaptive educational interfaces...

## System Architecture

CogFormer employs a dual-stream spatial-temporal encoder with cross-modal multi-head self-attention.

verified Estructura APP · Resumen Ejecutivo

Síntesis Ejecutiva de la Investigación

Consenso (Agree)

Los modelos tradicionales de atención a menudo sufren cuellos de botella en la inferencia multimodal y en el procesamiento temporal de señales biomédicas.

Compromiso (Promise)

Demostramos una arquitectura de transformers adaptativos que reduce la latencia en un 38% manteniendo la precisión semántica.

Metodología (Preview)

A continuación se detallan la formulación matemática, los benchmarks empíricos y el pipeline de entrenamiento reproducible.

¿Cómo se traduce esta arquitectura en la práctica?

science

Hallazgo Clave & Repercusión Metodológica

La combinación de atención dispersa dinámica y cuantización selectiva permite la ejecución local de modelos biomédicos de alta dimensión en hardware de consumo sin degradación perceptible del área bajo la curva (AUC-ROC).

quiz

Preguntas Frecuentes & Clarificaciones Metodológicas

Indexado con Schema.org FAQPage para citación algorítmica

El pipeline está optimizado para funcionar en GPUs de consumo único con al menos 16GB VRAM (como RTX 4080/4090) o clusters heterogéneos mediante aceleración TensorRT-LLM.

Sí, el repositorio contiene los Jupyter Notebooks reproducibles y los checkpoints cuantitativos con licencia abierta MIT/CC-BY-4.0.

Puedes usar el botón Citar (BibTeX) en el encabezado o referenciar el DOI oficial indicado en la publicación.

download_for_offline Material de Investigación Formato: Jupyter (.ipynb) + PDF

Kit de Reproducibilidad: Checkpoints & Notebooks de Entrenamiento

Descarga el notebook interactivo paso a paso y los hiperparámetros exactos utilizados en este paper para evaluar el modelo en tu propio entorno.