Zayıf hizalanmış çoklu-modalite derin öğrenme, aynı kişiden eş zamanlı olarak toplanmamış farklı veri kaynaklarını ortak bir temsil alanında deneysel olarak birleştirmeye çalışan bir makine öğrenmesi yaklaşımıdır. Bu çalışma; elektroensefalografi (EEG), konuşma akustiği ve kalp hızı değişkenliği (heart rate variability, HRV) verilerini üç bağımsız kohorttan alıp sözde eşleştirerek intihar riski sınıflandırmasına yönelik açıklanabilir bir derin öğrenme çerçevesi geliştirmektedir. Model, modaliteye özgü kodlayıcıları, içerik uyarlamalı gated fusion mekanizmasını, ikinci dereceden çift yönlü yüksek dereceli derin tekrarlayan sinir ağını (BIHODRNN), yardımcı yeniden yapılandırma kaybını ve SHAP tabanlı açıklanabilirlik araçlarını bir araya getirir.

Üç modaliteli model iç test kümesinde %96,80 doğruluk, %95,40 duyarlılık, %97,20 özgüllük ve 0,974 AUROC üretmiştir. Bununla birlikte kohortlar arası değerlendirmede AUROC 0,65'e kadar düşmüş; veri setinin hangi kohorttan geldiğini tahmin eden ayrı bir model yaklaşık 0,98 AUROC elde etmiştir. Bu nedenle yüksek iç performans, genellenebilir bir klinik intihar riski modeli olarak yorumlanamaz. Çalışmanın temel katkısı yüksek sınıflandırma puanı değil; sözde eşleştirilmiş verilerde yanıltıcı performansı ortaya çıkarabilecek tanı testleriyle birlikte bir araştırma çerçevesi önermesidir.

Sözde Eşleştirilmiş Multimodal Öğrenme Nedir?

Sözde eşleştirilmiş multimodal öğrenme, EEG, konuşma ve HRV gibi farklı modalitelerin aynı katılımcıdan toplanmadığı durumlarda demografik veya etiket özellikleri kullanılarak yaklaşık eşleştirmeler oluşturulmasına dayanan deneysel bir veri bütünleştirme yaklaşımıdır. Bu çalışmada eşleştirme gerçek özne düzeyinde olmadığı için elde edilen yapı gerçek multimodal veri seti değildir ve modaliteler arasındaki performans artışı gerçek biyolojik tamamlayıcılık kanıtı olarak yorumlanamaz.

Araştırmanın temel problemi

İntihar riski değerlendirmesi geleneksel olarak öz-bildirim ölçekleri ve klinik görüşmeler gibi yöntemlerden yararlanır. Makale, yüksek boyutlu fizyolojik ve davranışsal verilerin makine öğrenmesiyle incelenmesinin bu alanda araştırma değeri taşıdığını; EEG'nin merkezi sinir sistemi aktivitesini, konuşma akustiğinin ifade ve bilişle ilişkili özellikleri, HRV'nin ise otonom sinir sistemi işlevini temsil ettiğini belirtmektedir.

Temel güçlük, bu üç sinyalin aynı kişilerden ve aynı protokolle toplanmış geniş bir veri kümesinin bulunmamasıdır. Araştırmacılar bu nedenle birbirinden bağımsız kohortlardan gelen verileri sözde eşleştirmiştir. Çalışmanın amacı bu veri yapısının klinik olarak geçerli bir model oluşturduğunu göstermek değil, böyle heterojen kaynaklar bir araya getirildiğinde güçlü iç test puanlarının ne ölçüde artefakt kaynaklı olabileceğini incelemektir.

Üç veri kaynağı

Birleşik veri setindeki 2.758 kişi sayısı EEG kohortundan devralınmıştır. Bu sayı, 2.758 katılımcının tamamında EEG, konuşma ve HRV verilerinin birlikte bulunduğu anlamına gelmez.

Sözde eşleştirme nasıl yapıldı?

Önce veri eğitim, doğrulama ve test kümelerine özne düzeyinde ayrılmıştır. Ardından her EEG katılımcısı için konuşma ve HRV kohortlarında yaş grubu, cinsiyet ve risk etiketi bakımından uyumlu bir kayıt aranmıştır. Birden fazla uygun kayıt bulunduğunda biri rastgele seçilmiş; eşleşme bulunamadığında ilgili modalite eksik kabul edilmiştir.

Bu prosedür zamansal veya biyolojik eşleşme sağlamaz. Modaliteler ayrı diziler olarak işlenmiş ve ancak embedding düzeyinde bir araya getirilmiştir. Araştırmacılar eşleştirmeyi veri bölünmesinden sonra gerçekleştirerek doğrudan veri sızıntısı riskini azaltmaya çalışmıştır.

Etiketlerin aynı olmaması neden önemli?

EEG kohortunda pozitif risk sınıfı Beck Scale for Suicide Ideation (BSS) için BSS ≥ 6 olarak tanımlanmıştır. UK Biobank HRV tarafında ise etiket, son 12 ay içindeki öz-bildirimli intihar düşüncesi veya girişimine dayanmaktadır. BSS 4–5 gibi belirsiz değerler EEG tarafında dışlanmıştır.

Dolayısıyla model yalnız fizyolojik farklılıkları değil, kohortların farklı etiketleme protokollerini de öğrenebilir. Bu durum özellikle kohortlar arası genellenebilirlik açısından temel bir karıştırıcı etkendir.

EEG ön işleme ve özellikler

EEG sinyalleri g.USBamp sistemiyle 256 Hz örnekleme hızında kaydedilmiş; F3, F4, Cz, P3, P4, T3, T4 ve O2 elektrotları kullanılmıştır. Ham sinyaller 1–45 Hz bant geçiren filtreyle işlenmiş, Fast-ICA ile artefakt temizliği uygulanmış ve 4 saniyelik, 2 saniye örtüşmeli epoklara ayrılmıştır.

Kaynakta mutlak ve göreli spektral güç, alfa asimetrisi, sembolik transfer entropisi ve wavelet özellikleri raporlanmıştır. Bununla birlikte özellik tablosundaki toplam boyut ile model mimarisinde bildirilen EEG giriş boyutu birbiriyle tam uyumlu değildir; bu kaynak içi tutarsızlık aşağıda ayrıca belirtilmektedir.

Konuşma sinyallerinin hazırlanması

Konuşma verileri 104 katılımcıyla yapılan yapılandırılmış görüşmelerden elde edilmiştir. Ses 44,1 kHz ve 16-bit çözünürlükte kaydedilmiş; Non-Negative Matrix Factorization ile gürültü azaltma uygulanmış, ardından 10 saniyelik pencerelere bölünmüştür. Eğitim örneklerini artırmak amacıyla 5 saniyelik kayma ile örtüşmeli pencereler kullanılmıştır.

Konuşma özellikleri arasında temel frekans, enerji, jitter, shimmer ve konuşma hızı gibi prosodik değişkenler; MFCC, birinci ve ikinci fark katsayıları ve güç spektral yoğunluğu alt bantları bulunmaktadır. Standardizasyon parametreleri yalnız eğitim verisinden hesaplanmış ve doğrulama/test kümelerine uygulanmıştır.

HRV özellikleri

HRV için bireysel UK Biobank kayıtları yerine yaş grubu, cinsiyet ve risk etiketine göre tabakalandırılmış toplulaştırılmış özet özellikler kullanılmıştır. Özellikler zaman alanında SDNN, RMSSD ve pNN50; frekans alanında VLF, LF, HF ve LF/HF oranı; ayrıca tone-entropy ve sample entropy değişkenlerini içermektedir.

Çarpık dağılımlı HRV değişkenleri, örneğin LF/HF oranı, log dönüşümünden sonra z-score normalizasyonuna tabi tutulmuştur.

Kohort harmonizasyonu ne ölçüde yapıldı?

Modalitelere özgü normalizasyon uygulanmasına rağmen ComBat veya benzeri açık bir batch-effect düzeltmesi kullanılmamıştır. Araştırmacılar kohortların donanım, protokol ve demografik yapı açısından temel olarak farklı olduğunu; bu nedenle agresif düzeltmenin yeni artefaktlar oluşturabileceğini belirtmektedir. Bunun sonucu olarak veri setine özgü kalıntı sinyaller model tarafından kullanılabilir.

Eğitim, doğrulama ve test ayrımı

Birleşik veri özne düzeyinde %70 eğitim, %10 doğrulama ve %20 test olarak ayrılmıştır. Hiçbir katılımcının birden fazla bölmede yer almaması hedeflenmiştir. Veri artırma yalnız bölme işleminden sonra ve yalnız eğitim verisine uygulanmıştır. Hiperparametre ayarı için eğitim kümesi üzerinde beş katlı çapraz doğrulama kullanılmıştır.

BIHODRNN Bu Modelde Ne Yapar?

Bidirectional High-Order Deep Recurrent Neural Network (BIHODRNN), her gizli durumun yalnız bir önceki ve bir sonraki zaman adımına değil, birden fazla geçmiş ve gelecek zaman adımına ayrı tekrarlayan ağırlıklarla bağlandığı çift yönlü ve yüksek dereceli bir tekrarlayan sinir ağıdır. Çalışmada iki gizli katman ve ikinci dereceden tekrarlama kullanılarak EEG ve konuşmadaki daha uzun zamansal bağımlılıkların modellenmesi amaçlanmıştır.

Modaliteye özgü kodlayıcılar

EEG için kaynakta \(I_{EEG} \in R^{T \times 128}\) biçiminde bir giriş gösterilmiş ve 64 filtreli, çekirdek boyutu 3 olan Conv1D katmanı ile max-pooling uygulanmıştır. Konuşma için \(I_{speech} \in R^{T \times 156}\) biçimindeki giriş benzer Conv1D ve pooling işleminden geçmektedir. HRV girdisi \(I_{HRV} \in R^{1 \times 32}\) olarak tanımlanmış ve 64 ile 32 birimli iki tam bağlantılı katmanla işlenmiştir.

Modalite embedding'leri daha sonra ortak 256 boyutlu temsil uzayına projekte edilir.

İçerik uyarlamalı gated fusion

Her modalite için önce bir uygunluk skoru hesaplanır:

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

Burada \(H_m\), modalite \(m\)'nin ortak temsil uzayındaki embedding'idir; \(v_m\) ise eğitim sırasında öğrenilen projeksiyon vektörüdür.

Modalite ağırlıkları softmax ile normalleştirilir:

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

Birleştirilmiş temsil:

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

Bu yapı \(\sum_m \alpha_m = 1\) olacak biçimde modalitelerin göreli katkısını dinamik olarak ayarlar. Çalışmanın iç analizinde ortalama ağırlıklar EEG için 0,52, konuşma için 0,31 ve HRV için 0,17 olmuştur.

Kaynak, eksik bir modalitenin embedding'inin sıfırlanmasıyla softmax ağırlığının da sıfıra indiğini belirtmektedir. Ancak verilen softmax denklemi tek başına bunu matematiksel olarak garanti etmez; sıfır ağırlık için ayrıca masking gerekir. Ek materyal masking stratejisinden söz etmektedir fakat ana denklem maskeyi açık biçimde göstermemektedir.

BIHODRNN gizli durum denklemi

Katman \(l\) ve zaman adımı \(t_n\) için kaynakta verilen gizli durum denklemi şöyledir:

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

\(H^0(t_n)=H_{fused}(t_n)\) modelin girişidir. \(\phi\) tanh aktivasyonudur. \(V^{l,F}\) bir önceki katmandan gelen feed-forward ağırlık matrisini, \(V_m^{l,RB}\) geçmiş zaman adımlarına ait tekrarlayan ağırlıkları, \(V_m^{l,RF}\) gelecek zaman adımlarına ait tekrarlayan ağırlıkları ve \(b^l\) bias vektörünü temsil eder.

Standart bir çift yönlü RNN'de tekrarlama birinci derecedenken, BIHODRNN'de \(M>1\) seçilebilir. Çalışmada \(M=1,2,3\) denenmiş; \(M=2\), \(M=1\)'e göre doğrulama AUROC'sunu 0,012 artırdığı ve \(M=3\)'ün yalnız 0,003 ek kazanım sağlarken parametre sayısını yaklaşık %50 yükselttiği gerekçesiyle seçilmiştir.

Model çıktısı

Üst gizli katmandaki zaman-adımı çıktısı kaynakta:

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

biçiminde tanımlanmıştır. Dizi çıktısı daha sonra \(p=0,5\) dropout katmanından ve iki sınıflı softmax sınıflandırıcıdan geçirilir.

Yardımcı yeniden yapılandırma kaybı

Her modalitenin embedding'inin özgün modalite bilgisini korumasını teşvik etmek için ayrı decoder'lar kullanılır:

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

EEG ve konuşma decoder'larında deconvolution katmanları; HRV tarafında ise tam bağlantılı katmanlar kullanılmıştır. Yardımcı kayıp ağırlığı \(\lambda=0,1\)'dir.

Temel eğitim hedefi:

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

olarak verilmektedir. Eğitim algoritmasının ayrıntılı gösteriminde buna düzenlileştirme terimi \(L_{reg}\) de eklenmektedir.

Çalışmanın Yöntemi ve Bulguları

Modelin eğitim ayarları

Modalite bazında iç test performansı

%95 güven aralıkları 1.000 bootstrap yeniden örneklemesiyle hesaplanmıştır. AUROC farkları için DeLong testi uygulanmıştır. Kaynak, EEG+Konuşma ile EEG+HRV karşılaştırması dışında çiftler için p<0,05 raporlamakta; söz konusu karşılaştırma için p=0,06 vermektedir. Ancak araştırmacılar sözde eşleştirilmiş örneklerin bağımsızlık varsayımını ihlal edebileceğini ve bu güven aralıklarının yanıltıcı bir kararlılık izlenimi verebileceğini özellikle belirtmektedir.

Karışıklık matrisi

Birleşik modelin iç test karışıklık matrisinde 498 true positive, 24 false negative, 15 false positive ve 523 true negative raporlanmıştır. Toplam test örneği sayısı 1.060'tır. Bu değerler kaynakta bildirilen %95,4 duyarlılık, %97,2 özgüllük ve %96,8 doğrulukla uyumludur.

SHAP ve açıklanabilirlik sonuçları

SHAP analizinde kaynak; F4 ve Cz'deki yüksek-gamma gücü, MFCC-2, LF/HF oranı ve Fz theta gücünü en etkili özellikler arasında göstermektedir. Jitter, RMSSD, alfa asimetrisi, MFCC-5 ve SDNN de üst sıralardadır.

SHAP açıklamalarının kararlılığı küçük Gauss gürültüsü eklenerek incelenmiş ve özgün ile pertürbe edilmiş önem sıraları arasında 0,89 ± 0,04 korelasyon raporlanmıştır. Faithfulness testi için özellik önemi ile özellik permüte edildiğinde AUROC'daki düşüş arasındaki Spearman korelasyonu \(\rho=0,78\), p<0,001 bulunmuştur.

En önemli SHAP özellikleri çıkarıldığında AUROC 0,974'ten 0,952'ye düşmüştür. Buna rağmen çalışma bu özelliklerin nedensel veya klinik olarak doğrulanmış biyobelirteçler olduğunu iddia etmemektedir; sonuçlar yalnız model davranışının açıklaması olarak kabul edilmektedir.

Kalibrasyon ve gürültü dayanıklılığı

İç veri üzerinde Expected Calibration Error (ECE) 0,032 olarak raporlanmıştır. Kohort bazında ECE değerleri EEG için 0,028, konuşma için 0,035 ve HRV için 0,040'tır. Ancak kalibrasyon kohort değişimi altında ayrıca doğrulanmamıştır.

Gauss gürültüsüyle yapılan dayanıklılık deneyinde birleşik model 10 dB SNR düzeyinde %93'ün üzerinde doğruluk korumuştur. Bu test gerçek yaşam artefaktlarının tümünü temsil etmez; hareket kaynaklı EEG artefaktı, çevresel konuşma gürültüsü veya ECG baseline wander gibi yapılar ayrıca test edilmemiştir.

Yüksek İç AUROC Klinik Başarı Anlamına Gelir mi?

Hayır. 0,974'lük AUROC yalnız sözde eşleştirilmiş iç test verisindeki performansı gösterir; bağımsız kohortlara geçildiğinde AUROC'nin 0,65'e kadar düşmesi ve kohort kimliğinin yaklaşık 0,98 AUROC ile tahmin edilebilmesi modelin kohorta özgü örüntülerden güçlü biçimde yararlandığını gösterir. Bu nedenle çalışma kendi modelini klinik kullanım için doğrulanmış bir intihar riski aracı olarak sunmamaktadır.

Kohortlar arası genellenebilirlik

En düşük AUROC olan 0,65, iç testteki 0,974'e göre güçlü bir performans kaybıdır. Domain-adversarial değerlendirme de yaklaşık 0,65 AUROC vermiştir.

Kohort kimliği neden kritik bir kontrol?

Modelle aynı özelliklerden örneğin hangi veri setinden geldiğini tahmin eden kohort-sınıflandırma deneyi yaklaşık 0,98 AUROC üretmiştir. Bu sonuç EEG, konuşma ve HRV veri kaynaklarının model tarafından kolayca ayırt edilebilecek kadar farklı olduğunu gösterir.

Dolayısıyla birleşik modelin yüksek iç performansı, yalnız intihar riskiyle ilişkili biyolojik örüntülerin öğrenildiğini göstermez. Donanım, örnekleme hızı, demografi, veri toplama protokolü ve etiket tanımı gibi kohort farklılıkları sınıflandırmaya katkıda bulunabilir.

Dağılım kayması

Maximum Mean Discrepancy (MMD) analizi EEG–konuşma için 0,84, EEG–HRV için 0,91 ve konuşma–HRV için 0,79 değerlerini vermiştir. t-SNE görselleştirmesinde de kohortların ayrı kümeler oluşturduğu raporlanmıştır. Wasserstein uzaklıkları 2,34 ile 4,87 arasında bulunmuştur.

Kaynak, bu domain shift'in nedenleri arasında veri edinme donanımı, örnekleme hızı ve demografik farklılıkları öne çıkarmaktadır.

Negatif kontroller ne gösterdi?

Bu kontroller iç performansın yalnız rastgele eşleştirme veya rastgele etiket artefaktından oluşmadığını gösterir. Bununla birlikte kohort-sınıflandırma ve çapraz kohort deneyleri, öğrenilen sinyalin önemli bölümünün veri setine özgü olabileceğini göstermeye devam etmektedir. Dolayısıyla negatif kontroller, genellenebilir klinik biyobelirteç varlığını kanıtlamaz.

Ablation çalışması

BIHODRNN'nin çıkarılması en büyük mimari AUROC kaybını oluşturmuştur. Gated fusion daha küçük fakat ölçülebilir katkı sağlamıştır. Ablation deneyleri beş farklı rastgele seed ile tekrarlanmış ve AUROC standart sapmalarının 0,005'in altında olduğu bildirilmiştir. SHAP'ın çıkarılması dışındaki karşılaştırmalarda p<0,05; SHAP kaldırıldığında p=0,32 raporlanmıştır. Yazarlar bu p değerlerinin aynı veri seti üzerinde tekrarlanan deneylerden geldiğini ve sözde eşleştirme sorununu çözmediğini vurgulamaktadır.

Risk katmanları klinik eşik değildir

Deneysel değerlendirme amacıyla model olasılıkları üç gruba ayrılmıştır: 0,33'ten düşük değerler düşük, 0,33–0,67 arası orta ve 0,67'den yüksek değerler yüksek risk olarak etiketlenmiştir. Bu eşikler doğrulama kümesinin yüzdeliklerinden türetilmiş olup klinik kullanım için önerilmemektedir. Kaynak, herhangi bir gerçek yaşam uygulamasında yeniden kalibrasyon gerektiğini açıkça belirtmektedir.

Kaynak içinde yeniden üretilebilirliği etkileyen tutarsızlıklar

Çalışmanın desteklediği sonuçlar

Çalışma, heterojen EEG, konuşma ve HRV verilerinin tek bir deneysel derin öğrenme iş akışında işlenebildiğini; gated fusion, BIHODRNN ve yardımcı kayıp bileşenlerinin iç veri performansına ölçülebilir katkı sunduğunu; ayrıca çapraz kohort, kohort-sınıflandırma, negative-control ve dağılım kayması analizlerinin yanıltıcı iç performansı ortaya çıkarmada yararlı olduğunu desteklemektedir.

Çalışmanın desteklemediği sonuçlar

Çalışma modelin klinik olarak intihar riskini güvenilir biçimde tahmin ettiğini, gerçek multimodal füzyon gerçekleştirdiğini, SHAP özelliklerinin nedensel biyobelirteç olduğunu, sistemin farklı hastane ve toplumlarda genellenebilir olduğunu, algoritmanın adil olduğunu veya raporlanan eşiklerin klinik karar amacıyla kullanılabileceğini göstermemektedir.

Etik ve güvenlik sınırı

Çalışma yeni hasta verisi toplamamış ve klinik müdahale gerçekleştirmemiştir. Kullanılan kaynak çalışmaların etik onay ve bilgilendirilmiş onam aldığı; mevcut analizde kimliksizleştirilmiş veya toplulaştırılmış veriler kullanıldığı bildirilmektedir. Yazarlar modelin tanı, tedavi kararı veya gerçek yaşam bireysel intihar riski değerlendirmesi amacıyla kullanılmaması gerektiğini açıkça belirtmektedir.

Gelecek çalışma gereksinimleri

Yazarların en yüksek önceliği EEG, konuşma ve HRV'nin aynı katılımcılardan ve ortak klinik etiketlerle toplandığı gerçek özne-hizalı multimodal bir veri kümesidir. Ayrıca bağımsız ve çok merkezli dış doğrulama, domain adaptation ve harmonizasyon, prospektif uzunlamasına çalışmalar, daha büyük konuşma veri setleri, resmi fairness denetimleri, uzman değerlendirmeli açıklanabilirlik, klinik olarak gerekçelendirilmiş kalibrasyon ve eşik seçimi, gerçek yaşam artefaktlarına dayanıklılık ve eksik modalite senaryolarının sistematik olarak incelenmesi önerilmektedir.

Kaynak ve Yöntem Notu

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

Yazarlar: Fatemeh Charoosaei ve Fatemeh Rajabi.

Sorumlu yazar: Fatemeh Charoosaei.

PDF'deki afiliyasyonlar: Fatemeh Charoosaei — Department of Computer Engineering, Yazd University, Yazd, Iran. Fatemeh Rajabi — Department of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran.

Bibliyografik afiliyasyon farkı: Güncel SSRN kaydı Fatemeh Rajabi'yi Manchester Metropolitan University ile ilişkilendirmektedir. PDF ve SSRN kaydı arasındaki bu fark kaynakta olduğu gibi korunmalıdır.

Platform: SSRN.

SSRN kayıt numarası: 7331268.

DOI: 10.2139/ssrn.7331268.

Gönderim tarihi: 27 Ağustos 2026.

Kaynak türü: Metodolojik derin öğrenme araştırma preprinti; retrospektif ikincil veri analizi ve proof-of-concept.

Hakemlik durumu: Hakem değerlendirmesinden geçmemiştir.

Lisans: Kaynak PDF ve doğrulanan SSRN kaydında açık Creative Commons veya eşdeğer yeniden kullanım lisansı belirtilmemektedir.

Finansman: Yazarlar çalışma için finansman alınmadığını bildirmiştir.

Çıkar çatışması: Yazarlar rekabet eden çıkar bulunmadığını beyan etmiştir.

Etik: Çalışma daha önce toplanmış ve kimliksizleştirilmiş verileri kullanmaktadır. Özgün veri kaynaklarının etik onay ve bilgilendirilmiş onam aldığı; mevcut analiz için ek etik kurul onayı gerekmediği bildirilmiştir.

Veri kaynakları: EMBARC EEG verisi NIMH Data Archive üzerinden; UK Biobank HRV bilgisi toplulaştırılmış özet özellikler biçiminde; MODMA konuşma korpusu ise araştırma amaçlı kullanım için kaynakta belirtilen prosedürle erişilebilir olarak raporlanmıştır.

Yazar katkıları: Fatemeh Charoosaei — kavramsallaştırma, yöntem, yazılım, formal analiz, ilk taslak ve görselleştirme. Fatemeh Rajabi — doğrulama, araştırma, veri kürasyonu ve gözden geçirme/düzenleme.

Temel model bileşenleri: Modaliteye özgü kodlayıcılar, 256 boyutlu ortak temsil, içerik uyarlamalı softmax gated fusion, iki katmanlı ve ikinci dereceden BIHODRNN, dropout, softmax sınıflandırıcı ve modaliteye özgü yardımcı reconstruction decoder'ları.

Temel değerlendirme metrikleri: Accuracy, sensitivity, specificity, F1-score, AUROC, %95 güven aralıkları ve Expected Calibration Error.

Temel istatistiksel yöntemler: 1.000 iterasyonlu bootstrap güven aralıkları, DeLong AUROC karşılaştırması, ablation deneylerinde tekrarlı koşular ve paired t-test, SHAP faithfulness analizinde Spearman korelasyonu.

Temel yöntemsel sınır: EEG, konuşma ve HRV aynı kişilerden elde edilmemiştir. Sözde eşleştirilmiş yapı, kohort heterojenliği ve farklı risk etiketi tanımları nedeniyle modelin gerçek bir ortak intihar riski fonksiyonu öğrendiği gösterilememektedir.

Klinik sınır: Model dış doğrulama, prospektif doğrulama, gerçek klinik uygulama ve düzenleyici değerlendirmeden geçmemiştir. Kaynak modelin klinik karar verme veya bireysel risk tahmini amacıyla kullanılmaması gerektiğini açıkça belirtmektedir.