실시간 인지 부하 (Cognitive load) 평가는 적응형 인간-컴퓨터 상호작용 (Human-computer interaction)을 위해 필수적이지만, 제한된 라벨링 데이터와 취약한 피험자 간 일반화 (Cross-subject generalization) 문제로 인해 여전히 어려운 과제로 남아 있습니다. 수백만 개의 임상 기록으로 사전 학습된 최근의 ECG 파운데이션 모델 (Foundation models)은 풍부한 표현 (Representations)을 제공하지만, 센서 구성의 불일치와 작업의 차이로 인해 웨어러블 기기에 직접 적용할 수는 없습니다. 본 논문에서는 임상 ECG 파운데이션 모델을 웨어러블 인지 부하 평가에 적응시키는 프레임워크인 CogAdapt를 제안합니다. CogAdapt는 3-리드 (3-lead) 웨어러블 신호를 해부학적으로 일관된 12-리드 (12-lead) 표현으로 변환하는 학습 가능한 어댑터인 LeadBridge와, 파괴적 망각 (Catastrophic forgetting)을 방지하면서 인코더 (Encoder) 레이어를 점진적으로 해제하는 점진적 미세 조정 (Progressive fine-tuning) 전략인 ProFine을 도입합니다. 피험자 제외 교차 검증 (Leave-one-subject-out cross-validation) 방식의 두 가지 공개 데이터셋 (CLARE 및 CL-Drive)에 대한 평가 결과, CogAdapt는 처음부터 학습된 베이스라인 (Baselines) 모델보다 성능이 실질적으로 우수함을 보여주었으며, 0.626 및 0.768의 macro-F1 점수를 달성했습니다. 이러한 결과는 웨어러블 센서를 활용한 피험자 독립적 (Subject-independent) 인지 부하 평가를 위한 파운데이션 모델 적응의 가능성을 입증합니다.