Алсыз шайкештелген мультимодалдык терең үйрөнүү — бир эле адамдан бир убакта жыйналбаган ар түрдүү маалымат булактарын жалпы өкүлчүлүк мейкиндигинде эксперименттик түрдө бириктирүүгө аракет кылган машиналык үйрөнүү ыкмасы. Бул изилдөө электроэнцефалография (EEG), сүйлөө акустикасы жана жүрөк кагышынын өзгөрмөлүүлүгү (heart rate variability, HRV) маалыматтарын үч көз карандысыз когорттон алып, псевдожупташтыруу аркылуу өзүн-өзү өлтүрүү коркунучун классификациялоо үчүн түшүндүрүлүүчү терең үйрөнүү алкагын иштеп чыгат. Модель модалдуулукка мүнөздүү коддогучтарды, мазмунга ылайыкташкан gated fusion механизмин, экинчи тартиптеги эки багыттуу жогорку тартиптеги терең рекурренттик нейрон тармагын (BIHODRNN), көмөкчү кайра түзүү жоготуусун жана SHAP негизиндеги түшүндүрүлүүчүлүк куралдарын бириктирет.

Үч модалдуулуктуу модель ички тест топтомунда %96,80 тактык, %95,40 сезгичтик, %97,20 өзгөчөлүк жана 0,974 AUROC көрсөткөн. Бирок когорттор аралык баалоодо AUROC 0,65ке чейин төмөндөгөн; маалымат топтому кайсы когорттон келгенин болжолдогон өзүнчө модель болжол менен 0,98 AUROC алган. Ошондуктан жогорку ички көрсөткүчтү жалпыланма клиникалык өзүн-өзү өлтүрүү коркунучу модели катары чечмелөөгө болбойт. Изилдөөнүн негизги салымы жогорку классификация упайы эмес; псевдожупташтырылган маалыматтарда жаңылыш көрсөткүчтү ачып бере ала турган диагностикалык тесттер менен бирге изилдөө алкагын сунушташы болуп саналат.

Псевдожупташтырылган Мультимодалдык Үйрөнүү Деген Эмне?

Псевдожупташтырылган мультимодалдык үйрөнүү — EEG, сүйлөө жана HRV сыяктуу ар башка модалдуулуктар бир эле катышуучудан жыйналбаган учурларда демографиялык же энбелги өзгөчөлүктөрүн колдонуп болжолдуу дал келүүлөрдү түзүүгө негизделген эксперименттик маалыматтарды интеграциялоо ыкмасы. Бул изилдөөдө дал келтирүү чыныгы субъект деңгээлинде болбогондуктан, алынган түзүм чыныгы мультимодалдык маалымат топтому эмес жана модалдуулуктар арасындагы көрсөткүчтүн жогорулашы чыныгы биологиялык толуктоочулуктун далили катары чечмелене албайт.

Изилдөөнүн негизги көйгөйү

Өзүн-өзү өлтүрүү коркунучун баалоодо салттуу түрдө өзүн-өзү билдирүү шкалалары жана клиникалык маектер сыяктуу ыкмалар колдонулат. Макала жогорку өлчөмдүү физиологиялык жана жүрүм-турум маалыматтарын машиналык үйрөнүү аркылуу изилдөөнүн бул тармакта изилдөө мааниси бар экенин; EEG борбордук нерв системасынын активдүүлүгүн, сүйлөө акустикасы билдирүү жана тааным менен байланышкан өзгөчөлүктөрдү, ал эми HRV автономдук нерв системасынын функциясын чагылдырарын белгилейт.

Негизги кыйынчылык — бул үч сигнал бир эле адамдардан жана бирдей протокол менен жыйналган чоң маалымат топтомунун жоктугу. Ошондуктан изилдөөчүлөр бири-биринен көз карандысыз когорттордон келген маалыматтарды псевдожупташтырышкан. Изилдөөнүн максаты бул маалымат түзүмү клиникалык жактан жарактуу модель түзөрүн көрсөтүү эмес, мындай гетерогендүү булактар бириктирилгенде күчтүү ички тест упайлары канчалык деңгээлде артефакттардан келип чыгышы мүмкүн экенин изилдөө.

Үч маалымат булагы

Бириктирилген маалымат топтомундагы 2.758 адам саны EEG когортунан алынган. Бул сан 2.758 катышуучунун баарында EEG, сүйлөө жана HRV маалыматтары бирге бар дегенди билдирбейт.

Псевдожупташтыруу кантип жүргүзүлдү?

Адегенде маалыматтар субъект деңгээлинде окутуу, валидация жана тест топтомдоруна бөлүнгөн. Андан кийин ар бир EEG катышуучусу үчүн сүйлөө жана HRV когортторунда жаш курак тобу, жыныс жана коркунуч энбелгиси боюнча дал келген жазуу изделген. Бир нече ылайыктуу жазуу табылса, алардын бири кокусунан тандалган; дал келүү табылбаса, тиешелүү модалдуулук жетишпейт деп эсептелген.

Бул процедура убакыттык же биологиялык дал келүүнү камсыз кылбайт. Модалдуулуктар өзүнчө ырааттуулуктар катары иштетилип, embedding деңгээлинде гана бириктирилген. Изилдөөчүлөр дал келтирүүнү маалыматты бөлгөндөн кийин жүргүзүп, түздөн-түз маалымат агып кетүү коркунучун азайтууга аракет кылышкан.

Энбелгилердин бирдей эместиги эмне үчүн маанилүү?

EEG когортунда оң коркунуч классы Beck Scale for Suicide Ideation (BSS) үчүн BSS ≥ 6 деп аныкталган. UK Biobank HRV бөлүгүндө болсо энбелги акыркы 12 ай ичинде өзүн-өзү билдирген өзүн-өзү өлтүрүү жөнүндө ой же аракетке негизделген. BSS 4–5 сыяктуу бүдөмүк маанилер EEG бөлүгүндө чыгарылып салынган.

Демек модель физиологиялык айырмачылыктарды гана эмес, когорттордун ар башка энбелгилөө протоколдорун да үйрөнүшү мүмкүн. Бул жагдай айрыкча когорттор аралык жалпылануу жагынан негизги чаташтыруучу фактор болуп саналат.

EEG алдын ала иштетүү жана өзгөчөлүктөр

EEG сигналдары g.USBamp системасы менен 256 Hz үлгүлөө ылдамдыгында жазылган; F3, F4, Cz, P3, P4, T3, T4 жана O2 электроддору колдонулган. Чийки сигналдар 1–45 Hz тилкелүү өткөрүүчү фильтр менен иштетилип, Fast-ICA аркылуу артефакттарды тазалоо жүргүзүлгөн жана 4 секунддук, 2 секунд бири-бирин каптаган эпокторго бөлүнгөн.

Булакта абсолюттук жана салыштырмалуу спектралдык кубат, альфа асимметриясы, символдук трансфер энтропиясы жана wavelet өзгөчөлүктөрү баяндалат. Бирок өзгөчөлүктөр таблицасындагы жалпы өлчөм менен модель архитектурасында көрсөтүлгөн EEG киргизүү өлчөмү толук шайкеш келбейт; бул булактын ичиндеги карама-каршылык төмөндө өзүнчө белгиленет.

Сүйлөө сигналдарын даярдоо

Сүйлөө маалыматтары 104 катышуучу менен өткөрүлгөн түзүмдөлгөн маектерден алынган. Үн 44,1 kHz жана 16-bit чечилиште жазылган; Non-Negative Matrix Factorization аркылуу ызы-чууну азайтуу колдонулуп, андан кийин 10 секунддук терезелерге бөлүнгөн. Окутуу үлгүлөрүн көбөйтүү үчүн 5 секунддук жылыш менен бири-бирин каптаган терезелер колдонулган.

Сүйлөө өзгөчөлүктөрүнүн арасында негизги жыштык, энергия, jitter, shimmer жана сүйлөө ылдамдыгы сыяктуу просодикалык өзгөрмөлөр; MFCC, биринчи жана экинчи айырма коэффициенттери жана кубат спектралдык тыгыздыгынын субтилкелери бар. Стандартташтыруу параметрлери окутуу маалыматынан гана эсептелип, валидация/тест топтомдоруна колдонулган.

HRV өзгөчөлүктөрү

HRV үчүн жеке UK Biobank жазууларынын ордуна жаш курак тобу, жыныс жана коркунуч энбелгиси боюнча катмарланган агрегатталган жыйынтык өзгөчөлүктөр колдонулган. Өзгөчөлүктөр убакыт доменинде SDNN, RMSSD жана pNN50; жыштык доменинде VLF, LF, HF жана LF/HF катышын; ошондой эле tone-entropy жана sample entropy өзгөрмөлөрүн камтыйт.

Кыйшык бөлүштүрүлгөн HRV өзгөрмөлөрү, мисалы LF/HF катышы, log трансформациясынан кийин z-score нормалдаштырууга алынган.

Когорт гармонизациясы канчалык жүргүзүлдү?

Модалдуулукка мүнөздүү нормалдаштыруу колдонулганына карабастан, ComBat же ушуга окшош ачык batch-effect оңдоосу колдонулган эмес. Изилдөөчүлөр когорттор жабдуу, протокол жана демографиялык түзүлүш жагынан негизинен айырмаланарын; ошондуктан агрессивдүү оңдоо жаңы артефакттарды жаратышы мүмкүн экенин белгилешет. Натыйжада маалымат топтомуна мүнөздүү калдык сигналдар модель тарабынан колдонулушу мүмкүн.

Окутуу, валидация жана тестке бөлүү

Бириктирилген маалымат субъект деңгээлинде %70 окутуу, %10 валидация жана %20 тест болуп бөлүнгөн. Бир да катышуучу бирден ашык бөлүктө болбошу максат кылынган. Маалыматты көбөйтүү бөлүү процессинен кийин гана жана окутуу маалыматтарына гана колдонулган. Гиперпараметрлерди жөндөө үчүн окутуу топтомунда беш катмарлуу кайчылаш валидация колдонулган.

BIHODRNN Бул Моделде Эмне Кылат?

Bidirectional High-Order Deep Recurrent Neural Network (BIHODRNN) — ар бир жашыруун абал мурунку жана кийинки убакыт кадамына гана эмес, өзүнчө рекурренттик салмактар аркылуу бир нече өткөн жана келечектеги убакыт кадамдарына да байланышкан эки багыттуу жана жогорку тартиптеги рекурренттик нейрон тармак. Изилдөөдө эки жашыруун катмар жана экинчи тартиптеги рекурренттүүлүк колдонулуп, EEG жана сүйлөөдөгү узагыраак убакыттык көз карандылыктарды моделдөө максатталган.

Модалдуулукка мүнөздүү коддогучтар

EEG үчүн булакта \(I_{EEG} \in R^{T \times 128}\) түрүндөгү киргизүү көрсөтүлүп, 64 фильтрлүү, өзөк өлчөмү 3 болгон Conv1D катмары жана max-pooling колдонулган. Сүйлөө үчүн \(I_{speech} \in R^{T \times 156}\) түрүндөгү киргизүү окшош Conv1D жана pooling процессинен өтөт. HRV киргизүүсү \(I_{HRV} \in R^{1 \times 32}\) деп аныкталып, 64 жана 32 бирдиктүү эки толук байланышкан катмар менен иштетилген.

Модалдуулук embedding-дери андан кийин жалпы 256 өлчөмдүү өкүлчүлүк мейкиндигине проекцияланат.

Мазмунга ылайыкташкан gated fusion

Ар бир модалдуулук үчүн адегенде ылайыктуулук упайы эсептелет:

\[ s_m = v_m^{\top}H_m \]

Бул жерде \(H_m\) — модалдуулук \(m\)дин жалпы өкүлчүлүк мейкиндигиндеги embedding-и; ал эми \(v_m\) окутуу учурунда үйрөнүлгөн проекция вектору.

Модалдуулук салмактары softmax менен нормалдаштырылат:

\[ \alpha_m = \frac{\exp(s_m)}{\sum_k \exp(s_k)} \]

Бириктирилген өкүлчүлүк:

\[ H_{fused} = \sum_m \alpha_m H_m \]

Бул түзүм \(\sum_m \alpha_m = 1\) болчудай кылып модалдуулуктардын салыштырмалуу салымын динамикалык жөнгө салат. Изилдөөнүн ички анализинде орточо салмактар EEG үчүн 0,52, сүйлөө үчүн 0,31 жана HRV үчүн 0,17 болгон.

Булак жетишпеген модалдуулуктун embedding-и нөлгө коюлганда softmax салмагы да нөлгө түшөрүн билдирет. Бирок берилген softmax теңдемеси муну өзү математикалык жактан кепилдей албайт; нөл салмак үчүн кошумча masking керек. Кошумча материал masking стратегиясын эскерет, бирок негизги теңдемеде маска ачык көрсөтүлгөн эмес.

BIHODRNN жашыруун абал теңдемеси

Катмар \(l\) жана убакыт кадамы \(t_n\) үчүн булакта берилген жашыруун абал теңдемеси төмөнкүдөй:

\[ H^l(t_n)=\phi\left( V^{l,F}H^{l-1}(t_n) +\sum_{m=1}^{M}V_m^{l,RB}H^l(t_{n-m}) +\sum_{m=1}^{M}V_m^{l,RF}H^l(t_{n+m}) +b^l \right) \]

\(H^0(t_n)=H_{fused}(t_n)\) моделдин киргизүүсү. \(\phi\) tanh активдешүүсү. \(V^{l,F}\) мурунку катмардан келген feed-forward салмак матрицасын, \(V_m^{l,RB}\) өткөн убакыт кадамдарына тиешелүү рекурренттик салмактарды, \(V_m^{l,RF}\) келечектеги убакыт кадамдарына тиешелүү рекурренттик салмактарды жана \(b^l\) bias векторун билдирет.

Стандарттуу эки багыттуу RNN-де рекурренттүүлүк биринчи тартипте болсо, BIHODRNN-де \(M>1\) тандалышы мүмкүн. Изилдөөдө \(M=1,2,3\) сыналган; \(M=2\), \(M=1\)ге салыштырмалуу валидация AUROC-сун 0,012 жогорулатканы жана \(M=3\) болгону 0,003 кошумча өсүш берип, параметрлердин санын болжол менен %50 көбөйткөнү үчүн тандалган.

Моделдин чыгышы

Жогорку жашыруун катмардагы убакыт-кадамынын чыгышы булакта:

\[ O(t_n)=\sum_{j=1}^{N_L}V_{1,j}^{L,F}H_j^L(t_n) \]

түрүндө аныкталган. Ырааттуулуктун чыгышы андан кийин \(p=0,5\) dropout катмарынан жана эки класстуу softmax классификаторунан өткөрүлөт.

Көмөкчү кайра түзүү жоготуусу

Ар бир модалдуулуктун embedding-и баштапкы модалдуулук маалыматын сактоосун колдоо үчүн өзүнчө decoder-лер колдонулат:

\[ L_{aux}= \sum_{m \in \{EEG,\,speech,\,HRV\}} \left\|I_m-Decoder_m(H_m)\right\|_2^2 \]

EEG жана сүйлөө decoder-леринде deconvolution катмарлары; HRV тарабында болсо толук байланышкан катмарлар колдонулган. Көмөкчү жоготуунун салмагы \(\lambda=0,1\).

Негизги окутуу максаты:

\[ L=L_{BCE}+\lambda L_{aux} \]

түрүндө берилет. Окутуу алгоритминин кеңири көрсөтүлүшүндө буга регуляризация мүчөсү \(L_{reg}\) да кошулат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Моделди окутуу жөндөөлөрү

Модалдуулук боюнча ички тест көрсөткүчү

%95 ишеним аралыктары 1.000 bootstrap кайра үлгүлөөсү менен эсептелген. AUROC айырмалары үчүн DeLong тести колдонулган. Булак EEG+Сүйлөө менен EEG+HRV салыштыруусунан башка жуптар үчүн p<0,05 билдирет; бул салыштыруу үчүн p=0,06 берет. Бирок изилдөөчүлөр псевдожупташтырылган үлгүлөр көз карандысыздык божомолун бузушу мүмкүн экенин жана бул ишеним аралыктары жаңылыш туруктуулук таасирин жаратышы мүмкүн экенин өзгөчө белгилешет.

Чаташуу матрицасы

Бириктирилген моделдин ички тест чаташуу матрицасында 498 true positive, 24 false negative, 15 false positive жана 523 true negative билдирилген. Жалпы тест үлгүлөрүнүн саны 1.060. Бул маанилер булакта берилген %95,4 сезгичтик, %97,2 өзгөчөлүк жана %96,8 тактык менен шайкеш келет.

SHAP жана түшүндүрүлүүчүлүк жыйынтыктары

SHAP анализинде булак F4 жана Czдеги жогорку-gamma кубатын, MFCC-2, LF/HF катышын жана Fz theta кубатын эң таасирдүү өзгөчөлүктөрдүн арасында көрсөтөт. Jitter, RMSSD, альфа асимметриясы, MFCC-5 жана SDNN да жогорку орундарда.

SHAP түшүндүрмөлөрүнүн туруктуулугу аз өлчөмдөгү Гаусс ызы-чуусун кошуу менен изилденип, баштапкы жана perturbation жасалган маанилүүлүк иреттеринин ортосунда 0,89 ± 0,04 корреляция билдирилген. Faithfulness тести үчүн өзгөчөлүктүн маанилүүлүгү менен өзгөчөлүк пермутацияланганда AUROCдогу төмөндөө ортосундагы Spearman корреляциясы \(\rho=0,78\), p<0,001 деп табылган.

Эң маанилүү SHAP өзгөчөлүктөрү алынып салынганда AUROC 0,974төн 0,952ге төмөндөгөн. Ошого карабастан, изилдөө бул өзгөчөлүктөр себептик же клиникалык жактан тастыкталган биомаркерлер экенин ырастабайт; жыйынтыктар моделдин жүрүм-турумун түшүндүрүү катары гана кабыл алынат.

Калибрлөө жана ызы-чууга туруктуулук

Ички маалыматта Expected Calibration Error (ECE) 0,032 деп билдирилген. Когорт боюнча ECE маанилери EEG үчүн 0,028, сүйлөө үчүн 0,035 жана HRV үчүн 0,040. Бирок калибрлөө когорт өзгөрүшү шартында өзүнчө текшерилген эмес.

Гаусс ызы-чуусу менен жүргүзүлгөн туруктуулук экспериментинде бириктирилген модель 10 dB SNR деңгээлинде %93төн жогору тактыкты сактаган. Бул тест реалдуу жашоодогу артефакттардын баарын чагылдырбайт; кыймылдан чыккан EEG артефакты, чөйрөдөгү сүйлөө ызы-чуусу же ECG baseline wander сыяктуу түзүмдөр өзүнчө текшерилген эмес.

Жогорку Ички AUROC Клиникалык Ийгиликти Билдиреби?

Жок. 0,974 AUROC псевдожупташтырылган ички тест маалыматындагы көрсөткүчтү гана көрсөтөт; көз карандысыз когортторго өткөндө AUROC 0,65ке чейин төмөндөшү жана когорт идентификациясы болжол менен 0,98 AUROC менен болжолдоно алышы моделдин когортко мүнөздүү үлгүлөрдөн күчтүү пайдаланарын көрсөтөт. Ошондуктан изилдөө өз моделин клиникалык колдонууга тастыкталган өзүн-өзү өлтүрүү коркунучу куралы катары сунуштабайт.

Когорттор аралык жалпылануу

Эң төмөн AUROC болгон 0,65 ички тесттеги 0,974кө салыштырмалуу олуттуу көрсөткүч жоготуусу. Domain-adversarial баалоо да болжол менен 0,65 AUROC берген.

Когорт идентификациясы эмне үчүн маанилүү көзөмөл?

Модель менен бирдей өзгөчөлүктөрдөн мисал кайсы маалымат топтомунан келгенин болжолдогон когорт-классификация эксперименти болжол менен 0,98 AUROC көрсөткөн. Бул жыйынтык EEG, сүйлөө жана HRV маалымат булактары модель тарабынан оңой айырмалана турганчалык айырмалуу экенин көрсөтөт.

Демек, бириктирилген моделдин жогорку ички көрсөткүчү өзүн-өзү өлтүрүү коркунучу менен байланышкан биологиялык үлгүлөр гана үйрөнүлгөнүн көрсөтпөйт. Жабдуу, үлгүлөө ылдамдыгы, демография, маалымат чогултуу протоколу жана энбелги аныктамасы сыяктуу когорт айырмачылыктары классификацияга салым кошушу мүмкүн.

Бөлүштүрүү жылышы

Maximum Mean Discrepancy (MMD) анализи EEG–сүйлөө үчүн 0,84, EEG–HRV үчүн 0,91 жана сүйлөө–HRV үчүн 0,79 маанилерин берген. t-SNE визуалдаштыруусунда да когорттор өзүнчө кластерлерди түзөрү билдирилген. Wasserstein аралыктары 2,34 менен 4,87 арасында табылган.

Булак бул domain shiftтин себептеринин арасында маалымат алуу жабдуусун, үлгүлөө ылдамдыгын жана демографиялык айырмачылыктарды баса белгилейт.

Терс көзөмөлдөр эмнени көрсөттү?

Бул көзөмөлдөр ички көрсөткүч жөн гана кокус жупташтыруу же кокус энбелги артефактынан турбасын көрсөтөт. Бирок когорт-классификация жана кросс-когорт эксперименттери үйрөнүлгөн сигналдын маанилүү бөлүгү маалымат топтомуна мүнөздүү болушу мүмкүн экенин көрсөтүүнү улантат. Ошондуктан терс көзөмөлдөр жалпыланма клиникалык биомаркердин бар экенин далилдебейт.

Ablation изилдөөсү

BIHODRNNди алып салуу эң чоң архитектуралык AUROC жоготуусун жараткан. Gated fusion азыраак, бирок өлчөнө турган салым кошкон. Ablation эксперименттери беш ар башка кокус seed менен кайталанып, AUROC стандарттык четтөөлөрү 0,005тен төмөн экени билдирилген. SHAPты алып салуудан башка салыштырууларда p<0,05; SHAP алынып салынганда p=0,32 билдирилген. Авторлор бул p маанилери ошол эле маалымат топтомунда кайталанган эксперименттерден алынганын жана псевдожупташтыруу көйгөйүн чечпей турганын баса белгилешет.

Коркунуч катмарлары клиникалык чек эмес

Эксперименттик баалоо үчүн модель ыктымалдыктары үч топко бөлүнгөн: 0,33төн төмөн маанилер төмөн, 0,33–0,67 аралыгы орто жана 0,67ден жогору маанилер жогорку коркунуч деп белгиленген. Бул чектер валидация топтомунун процентилдеринен алынган жана клиникалык колдонууга сунушталбайт. Булак ар кандай реалдуу колдонууда кайра калибрлөө талап кылынарын ачык билдирет.

Булактын ичинде кайра өндүрүүгө таасир эткен карама-каршылыктар

Изилдөө колдогон жыйынтыктар

Изилдөө гетерогендүү EEG, сүйлөө жана HRV маалыматтары бир эксперименттик терең үйрөнүү иш агымында иштетилиши мүмкүн экенин; gated fusion, BIHODRNN жана көмөкчү жоготуу компоненттери ички маалыматтагы көрсөткүчкө өлчөнө турган салым кошорун; ошондой эле кросс-когорт, когорт-классификация, negative-control жана бөлүштүрүү жылышы анализдери жаңылыш ички көрсөткүчтү ачууда пайдалуу экенин колдойт.

Изилдөө колдобогон жыйынтыктар

Изилдөө модель клиникалык жактан өзүн-өзү өлтүрүү коркунучун ишенимдүү болжолдой турганын, чыныгы мультимодалдык fusion жүргүзгөнүн, SHAP өзгөчөлүктөрү себептик биомаркер экенин, система ар башка ооруканаларда жана коомдордо жалпылана аларын, алгоритм адилеттүү экенин же берилген чектер клиникалык чечим кабыл алуу үчүн колдонулушу мүмкүн экенин көрсөтпөйт.

Этикалык жана коопсуздук чеги

Изилдөө жаңы бейтап маалыматтарын чогулткан эмес жана клиникалык кийлигишүү жүргүзгөн эмес. Колдонулган булак изилдөөлөр этикалык жактыруу жана маалымдалган макулдук алганын; учурдагы анализде идентификациясыздандырылган же агрегатталган маалыматтар колдонулганын билдирет. Авторлор модель диагноз коюу, дарылоо чечими же реалдуу жашоодо жеке өзүн-өзү өлтүрүү коркунучун баалоо үчүн колдонулбашы керек экенин ачык белгилешет.

Келечектеги изилдөө талаптары

Авторлордун эң жогорку артыкчылыгы — EEG, сүйлөө жана HRV бир эле катышуучулардан жана жалпы клиникалык энбелгилер менен жыйналган чыныгы субъект-шайкеш мультимодалдык маалымат топтому. Мындан тышкары көз карандысыз жана көп борборлуу тышкы валидация, domain adaptation жана гармонизация, проспективдүү узак мөөнөттүү изилдөөлөр, чоңураак сүйлөө маалымат топтомдору, расмий fairness аудиттери, эксперт баалаган түшүндүрүлүүчүлүк, клиникалык негизделген калибрлөө жана чек тандоо, реалдуу жашоо артефакттарына туруктуулук жана жетишпеген модалдуулук сценарийлерин системалуу изилдөө сунушталат.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Explainable Weakly-Aligned Deep Learning for Suicide Risk Assessment Using Pseudo-Paired EEG, Speech, and HRV Data.

Авторлор: Fatemeh Charoosaei жана Fatemeh Rajabi.

Жооптуу автор: Fatemeh Charoosaei.

PDFдеги аффилиациялар: Fatemeh Charoosaei — Department of Computer Engineering, Yazd University, Yazd, Iran. Fatemeh Rajabi — Department of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran.

Библиографиялык аффилиация айырмасы: Учурдагы SSRN жазуусу Fatemeh Rajabiни Manchester Metropolitan University менен байланыштырат. PDF менен SSRN жазуусунун ортосундагы бул айырма булакта кандай болсо, ошондой сакталууга тийиш.

Платформа: SSRN.

SSRN каттоо номери: 7331268.

DOI: 10.2139/ssrn.7331268.

Жөнөтүлгөн күнү: 27 август 2026.

Булак түрү: Методологиялык терең үйрөнүү изилдөө препринти; ретроспективдүү экинчи маалымат анализи жана proof-of-concept.

Рецензия абалы: Рецензиядан өткөн эмес.

Лицензия: Булак PDFде жана текшерилген SSRN жазуусунда ачык Creative Commons же ага барабар кайра колдонуу лицензиясы көрсөтүлгөн эмес.

Каржылоо: Авторлор изилдөө үчүн каржылоо алынбаганын билдиришкен.

Кызыкчылыктардын кагылышы: Авторлор атаандаш кызыкчылыктар жок экенин билдиришкен.

Этика: Изилдөө мурда чогултулган жана идентификациясыздандырылган маалыматтарды колдонот. Баштапкы маалымат булактары этикалык жактыруу жана маалымдалган макулдук алганын; учурдагы анализ үчүн кошумча этикалык комитеттин жактыруусу талап кылынбаганы билдирилген.

Маалымат булактары: EMBARC EEG маалыматы NIMH Data Archive аркылуу; UK Biobank HRV маалыматы агрегатталган жыйынтык өзгөчөлүктөр түрүндө; MODMA сүйлөө корпусу болсо изилдөө максатында колдонуу үчүн булакта көрсөтүлгөн процедура менен жеткиликтүү деп билдирилген.

Автордук салымдар: Fatemeh Charoosaei — концептуалдаштыруу, ыкма, программалык камсыздоо, формалдуу анализ, алгачкы долбоор жана визуалдаштыруу. Fatemeh Rajabi — валидация, изилдөө, маалымат курациясы жана карап чыгуу/редакциялоо.

Негизги модель компоненттери: Модалдуулукка мүнөздүү коддогучтар, 256 өлчөмдүү жалпы өкүлчүлүк, мазмунга ылайыкташкан softmax gated fusion, эки катмарлуу жана экинчи тартиптеги BIHODRNN, dropout, softmax классификатору жана модалдуулукка мүнөздүү көмөкчү reconstruction decoder-лер.

Негизги баалоо метрикалары: Accuracy, sensitivity, specificity, F1-score, AUROC, %95 ишеним аралыктары жана Expected Calibration Error.

Негизги статистикалык ыкмалар: 1.000 итерациялуу bootstrap ишеним аралыктары, DeLong AUROC салыштыруусу, ablation эксперименттеринде кайталанган иштетүүлөр жана paired t-test, SHAP faithfulness анализинде Spearman корреляциясы.

Негизги методологиялык чектөө: EEG, сүйлөө жана HRV бир эле адамдардан алынган эмес. Псевдожупташтырылган түзүм, когорт гетерогендүүлүгү жана ар башка коркунуч энбелгисинин аныктамалары себептүү модель чыныгы жалпы өзүн-өзү өлтүрүү коркунучу функциясын үйрөнгөнү көрсөтүлө албайт.

Клиникалык чектөө: Модель тышкы валидациядан, проспективдүү валидациядан, реалдуу клиникалык колдонмодон жана жөнгө салуучу баалоодон өткөн эмес. Булак моделди клиникалык чечим кабыл алуу же жеке коркунучту болжолдоо үчүн колдонбоо керектигин ачык билдирет.