Zaif hizalangan multimodal chuqur o‘rganish — bir xil shaxsdan bir vaqtda yig‘ilmagan turli ma’lumot manbalarini umumiy tasvirlash makonida tajribaviy ravishda birlashtirishga urinadigan mashinaviy o‘rganish yondashuvidir. Ushbu tadqiqot elektroensefalografiya (EEG), nutq akustikasi va yurak urishi variabelligi (heart rate variability, HRV) ma’lumotlarini uchta mustaqil kohortdan olib, psevdouftlashtirish orqali o‘z joniga qasd qilish xavfini tasniflash uchun izohlanuvchi chuqur o‘rganish doirasini ishlab chiqadi. Model modalitetga xos kodlovchilarni, kontentga moslashuvchan gated fusion mexanizmini, ikkinchi tartibli ikki yo‘nalishli yuqori tartibli chuqur rekurrent neyron tarmoqni (BIHODRNN), yordamchi qayta tiklash yo‘qotishini va SHAP asosidagi izohlanuvchanlik vositalarini birlashtiradi.

Uch modalitetli model ichki test to‘plamida %96,80 aniqlik, %95,40 sezgirlik, %97,20 spetsifiklik va 0,974 AUROC ko‘rsatgan. Biroq kohortlararo baholashda AUROC 0,65 gacha tushgan; ma’lumotlar to‘plamining qaysi kohortdan kelganini bashorat qiluvchi alohida model taxminan 0,98 AUROC olgan. Shu sababli yuqori ichki natijani umumlashtiriladigan klinik o‘z joniga qasd qilish xavfi modeli sifatida talqin qilib bo‘lmaydi. Tadqiqotning asosiy hissasi yuqori tasniflash bali emas; balki psevdouftlashtirilgan ma’lumotlardagi chalg‘ituvchi natijani aniqlashi mumkin bo‘lgan diagnostik testlar bilan birga tadqiqot doirasini taklif qilishidir.

Psevdouftlashtirilgan Multimodal O‘rganish Nima?

Psevdouftlashtirilgan multimodal o‘rganish — EEG, nutq va HRV kabi turli modalitetlar bir xil ishtirokchidan yig‘ilmagan holatlarda demografik yoki yorliq xususiyatlaridan foydalanib taxminiy juftliklar hosil qilishga asoslangan tajribaviy ma’lumot integratsiyasi yondashuvidir. Ushbu tadqiqotda juftlashtirish haqiqiy subyekt darajasida bo‘lmagani uchun hosil bo‘lgan tuzilma haqiqiy multimodal ma’lumotlar to‘plami emas va modalitetlar o‘rtasidagi natija oshishi haqiqiy biologik to‘ldiruvchanlik dalili sifatida talqin qilinmaydi.

Tadqiqotning asosiy muammosi

O‘z joniga qasd qilish xavfini baholash an’anaviy ravishda o‘z-o‘zini hisobot qilish shkalalari va klinik suhbatlar kabi usullardan foydalanadi. Maqola yuqori o‘lchamli fiziologik va xulq-atvor ma’lumotlarini mashinaviy o‘rganish bilan tahlil qilish ushbu sohada tadqiqot ahamiyatiga ega ekanini; EEG markaziy asab tizimi faolligini, nutq akustikasi ifoda va kognitsiya bilan bog‘liq xususiyatlarni, HRV esa avtonom asab tizimi funksiyasini ifodalashini ta’kidlaydi.

Asosiy qiyinchilik shundaki, ushbu uch signal bir xil odamlardan va bir xil protokol bilan yig‘ilgan katta ma’lumotlar to‘plami mavjud emas. Shu sababli tadqiqotchilar bir-biridan mustaqil kohortlardan kelgan ma’lumotlarni psevdouftlashtirgan. Tadqiqotning maqsadi bu ma’lumot tuzilmasi klinik jihatdan yaroqli model yaratishini ko‘rsatish emas, balki bunday geterogen manbalar birlashtirilganda kuchli ichki test ballari qay darajada artefaktlardan kelib chiqishi mumkinligini tekshirishdir.

Uchta ma’lumot manbai

Birlashtirilgan ma’lumotlar to‘plamidagi 2.758 kishi soni EEG kohortidan olingan. Bu raqam 2.758 ishtirokchining barchasida EEG, nutq va HRV ma’lumotlari birgalikda mavjud degani emas.

Psevdouftlashtirish qanday amalga oshirildi?

Avval ma’lumotlar subyekt darajasida o‘qitish, validatsiya va test to‘plamlariga ajratilgan. So‘ng har bir EEG ishtirokchisi uchun nutq va HRV kohortlarida yosh guruhi, jins va xavf yorlig‘i bo‘yicha mos yozuv qidirilgan. Bir nechta mos yozuv topilganda bittasi tasodifiy tanlangan; moslik topilmaganda tegishli modalitet yetishmaydi deb qabul qilingan.

Bu protsedura vaqt yoki biologik moslikni ta’minlamaydi. Modalitetlar alohida ketma-ketliklar sifatida qayta ishlangan va faqat embedding darajasida birlashtirilgan. Tadqiqotchilar juftlashtirishni ma’lumotlarni bo‘lgandan keyin amalga oshirib, bevosita ma’lumot sizib chiqishi xavfini kamaytirishga harakat qilgan.

Yorliqlarning bir xil emasligi nima uchun muhim?

EEG kohortida musbat xavf sinfi Beck Scale for Suicide Ideation (BSS) uchun BSS ≥ 6 sifatida aniqlangan. UK Biobank HRV tomonida esa yorliq so‘nggi 12 oy ichidagi o‘z-o‘zidan bildirilgan o‘z joniga qasd qilish fikri yoki urinishiga asoslangan. BSS 4–5 kabi noaniq qiymatlar EEG tomonida chiqarib tashlangan.

Shuning uchun model nafaqat fiziologik farqlarni, balki kohortlarning turli yorliqlash protokollarini ham o‘rganishi mumkin. Bu holat, ayniqsa kohortlararo umumlashtirish nuqtai nazaridan, asosiy chalkashtiruvchi omildir.

EEG oldindan ishlov berish va xususiyatlar

EEG signallari g.USBamp tizimi bilan 256 Hz namunalash tezligida yozib olingan; F3, F4, Cz, P3, P4, T3, T4 va O2 elektrodlari ishlatilgan. Xom signallar 1–45 Hz diapazon o‘tkazuvchi filtr bilan qayta ishlangan, Fast-ICA bilan artefaktlarni tozalash qo‘llangan va 4 soniyalik, 2 soniya ustma-ust tushadigan epoxalarga bo‘lingan.

Manbada mutlaq va nisbiy spektral quvvat, alfa assimetriyasi, ramziy transfer entropiyasi va wavelet xususiyatlari qayd etilgan. Biroq xususiyatlar jadvalidagi umumiy o‘lcham bilan model arxitekturasida ko‘rsatilgan EEG kirish o‘lchami to‘liq mos kelmaydi; manba ichidagi bu nomuvofiqlik quyida alohida ko‘rsatiladi.

Nutq signallarini tayyorlash

Nutq ma’lumotlari 104 ishtirokchi bilan o‘tkazilgan tuzilgan suhbatlardan olingan. Audio 44,1 kHz va 16-bit aniqlikda yozib olingan; Non-Negative Matrix Factorization bilan shovqinni kamaytirish qo‘llangan, so‘ng 10 soniyalik oynalarga bo‘lingan. O‘qitish namunalarini ko‘paytirish uchun 5 soniyalik siljish bilan ustma-ust tushadigan oynalar ishlatilgan.

Nutq xususiyatlari orasida asosiy chastota, energiya, jitter, shimmer va nutq tezligi kabi prosodik o‘zgaruvchilar; MFCC, birinchi va ikkinchi farq koeffitsiyentlari hamda quvvat spektral zichligining subdiapazonlari mavjud. Standartlashtirish parametrlari faqat o‘qitish ma’lumotlaridan hisoblangan va validatsiya/test to‘plamlariga qo‘llangan.

HRV xususiyatlari

HRV uchun individual UK Biobank yozuvlari o‘rniga yosh guruhi, jins va xavf yorlig‘i bo‘yicha qatlamlangan agregat xulosa xususiyatlari ishlatilgan. Xususiyatlar vaqt domenida SDNN, RMSSD va pNN50; chastota domenida VLF, LF, HF va LF/HF nisbati; shuningdek tone-entropy va sample entropy o‘zgaruvchilarini o‘z ichiga oladi.

Qiyshiq taqsimlangan HRV o‘zgaruvchilari, masalan LF/HF nisbati, log transformatsiyasidan keyin z-score normallashtirishdan o‘tkazilgan.

Kohort harmonizatsiyasi qay darajada amalga oshirildi?

Modalitetga xos normallashtirish qo‘llangan bo‘lsa-da, ComBat yoki shunga o‘xshash ochiq batch-effect tuzatishi ishlatilmagan. Tadqiqotchilar kohortlar uskuna, protokol va demografik tuzilma jihatidan tubdan farq qilishini; shu sababli agressiv tuzatish yangi artefaktlar yaratishi mumkinligini ta’kidlaydi. Natijada ma’lumotlar to‘plamiga xos qoldiq signallar model tomonidan ishlatilishi mumkin.

O‘qitish, validatsiya va test bo‘linishi

Birlashtirilgan ma’lumot subyekt darajasida %70 o‘qitish, %10 validatsiya va %20 test qilib ajratilgan. Hech bir ishtirokchi birdan ortiq bo‘limda qatnashmasligi ko‘zlangan. Ma’lumotlarni augmentatsiya qilish faqat bo‘lish jarayonidan keyin va faqat o‘qitish ma’lumotlariga qo‘llangan. Giperparametrlarni sozlash uchun o‘qitish to‘plamida besh qatlamli kross-validatsiya ishlatilgan.

BIHODRNN Ushbu Modelda Nima Qiladi?

Bidirectional High-Order Deep Recurrent Neural Network (BIHODRNN) — har bir yashirin holat faqat oldingi va keyingi vaqt qadamiga emas, balki alohida rekurrent og‘irliklar bilan bir nechta o‘tgan va kelajakdagi vaqt qadamlariga ham bog‘langan ikki yo‘nalishli, yuqori tartibli rekurrent neyron tarmoqdir. Tadqiqotda ikki yashirin qatlam va ikkinchi tartibli rekurrensiyadan foydalanib EEG va nutqdagi uzoqroq vaqt bog‘liqliklarini modellashtirish maqsad qilingan.

Modalitetga xos kodlovchilar

EEG uchun manbada \(I_{EEG} \in R^{T \times 128}\) ko‘rinishidagi kirish ko‘rsatilgan va 64 filtrli, yadro o‘lchami 3 bo‘lgan Conv1D qatlami hamda max-pooling qo‘llangan. Nutq uchun \(I_{speech} \in R^{T \times 156}\) ko‘rinishidagi kirish o‘xshash Conv1D va pooling jarayonidan o‘tadi. HRV kirishi \(I_{HRV} \in R^{1 \times 32}\) sifatida aniqlangan va 64 hamda 32 birlikli ikkita to‘liq bog‘langan qatlam bilan qayta ishlangan.

Modalitet embedding-lari keyin umumiy 256 o‘lchamli tasvirlash makoniga proyeksiya qilinadi.

Kontentga moslashuvchan gated fusion

Har bir modalitet uchun avval moslik bali hisoblanadi:

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

Bu yerda \(H_m\) — modalitet \(m\) ning umumiy tasvirlash makonidagi embedding-i; \(v_m\) esa o‘qitish jarayonida o‘rganiladigan proyeksiya vektoridir.

Modalitet og‘irliklari softmax bilan normallashtiriladi:

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

Birlashtirilgan tasvir:

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

Bu tuzilma \(\sum_m \alpha_m = 1\) bo‘ladigan tarzda modalitetlarning nisbiy hissasini dinamik ravishda sozlaydi. Tadqiqotning ichki tahlilida o‘rtacha og‘irliklar EEG uchun 0,52, nutq uchun 0,31 va HRV uchun 0,17 bo‘lgan.

Manba yetishmayotgan modalitet embedding-i nolga tenglashtirilsa, softmax og‘irligi ham nolga tushishini bildiradi. Biroq berilgan softmax tenglamasi o‘zi buning matematik kafolatini bermaydi; nol og‘irlik uchun qo‘shimcha masking kerak. Qo‘shimcha material masking strategiyasini eslatadi, ammo asosiy tenglama maskani ochiq ko‘rsatmaydi.

BIHODRNN yashirin holat tenglamasi

Qatlam \(l\) va vaqt qadami \(t_n\) uchun manbada berilgan yashirin holat tenglamasi quyidagicha:

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

\(H^0(t_n)=H_{fused}(t_n)\) model kirishidir. \(\phi\) tanh aktivatsiyasidir. \(V^{l,F}\) oldingi qatlamdan keladigan feed-forward og‘irlik matritsasini, \(V_m^{l,RB}\) o‘tgan vaqt qadamlariga tegishli rekurrent og‘irliklarni, \(V_m^{l,RF}\) kelajak vaqt qadamlariga tegishli rekurrent og‘irliklarni va \(b^l\) bias vektorini ifodalaydi.

Standart ikki yo‘nalishli RNN-da rekurrensiya birinchi tartibli bo‘lsa, BIHODRNN-da \(M>1\) tanlanishi mumkin. Tadqiqotda \(M=1,2,3\) sinovdan o‘tkazilgan; \(M=2\), \(M=1\) ga nisbatan validatsiya AUROC-sini 0,012 oshirgani va \(M=3\) atigi 0,003 qo‘shimcha yutuq berib, parametrlar sonini taxminan %50 ga oshirgani sababli tanlangan.

Model chiqishi

Yuqori yashirin qatlamdagi vaqt-qadami chiqishi manbada:

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

ko‘rinishida aniqlangan. Ketma-ketlik chiqishi keyin \(p=0,5\) dropout qatlamidan va ikki sinfli softmax klassifikatoridan o‘tkaziladi.

Yordamchi qayta tiklash yo‘qotishi

Har bir modalitet embedding-i asl modalitet ma’lumotini saqlab qolishini rag‘batlantirish uchun alohida decoder-lar ishlatiladi:

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

EEG va nutq decoder-larida deconvolution qatlamlari; HRV tomonida esa to‘liq bog‘langan qatlamlar ishlatilgan. Yordamchi yo‘qotish og‘irligi \(\lambda=0,1\).

Asosiy o‘qitish maqsadi:

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

ko‘rinishida berilgan. O‘qitish algoritmining batafsil ko‘rinishida bunga regularizatsiya hadi \(L_{reg}\) ham qo‘shiladi.

Tadqiqot Usuli va Natijalari

Modelning o‘qitish sozlamalari

Modalitet bo‘yicha ichki test natijasi

%95 ishonch oraliqlari 1.000 bootstrap qayta namunalash orqali hisoblangan. AUROC farqlari uchun DeLong testi qo‘llangan. Manba EEG+Nutq va EEG+HRV taqqoslanishidan tashqari juftlar uchun p<0,05 qayd etadi; mazkur taqqoslash uchun p=0,06 beradi. Biroq tadqiqotchilar psevdouftlashtirilgan namunalar mustaqillik farazini buzishi mumkinligini va bu ishonch oraliqlari chalg‘ituvchi barqarorlik taassurotini berishi mumkinligini alohida ta’kidlaydi.

Chalkashlik matritsasi

Birlashtirilgan modelning ichki test chalkashlik matritsasida 498 true positive, 24 false negative, 15 false positive va 523 true negative qayd etilgan. Test namunalarining umumiy soni 1.060. Bu qiymatlar manbada ko‘rsatilgan %95,4 sezgirlik, %97,2 spetsifiklik va %96,8 aniqlik bilan mos keladi.

SHAP va izohlanuvchanlik natijalari

SHAP tahlilida manba F4 va Cz dagi yuqori-gamma quvvatini, MFCC-2, LF/HF nisbatini va Fz theta quvvatini eng ta’sirli xususiyatlar qatorida ko‘rsatadi. Jitter, RMSSD, alfa assimetriyasi, MFCC-5 va SDNN ham yuqori o‘rinlarda.

SHAP izohlarining barqarorligi kichik Gauss shovqini qo‘shish orqali tekshirilgan va asl hamda perturbatsiyalangan muhimlik reytinglari o‘rtasida 0,89 ± 0,04 korrelyatsiya qayd etilgan. Faithfulness testi uchun xususiyat muhimligi bilan xususiyat permutatsiya qilinganda AUROC dagi pasayish o‘rtasidagi Spearman korrelyatsiyasi \(\rho=0,78\), p<0,001 topilgan.

Eng muhim SHAP xususiyatlari olib tashlanganda AUROC 0,974 dan 0,952 gacha tushgan. Shunga qaramay, tadqiqot bu xususiyatlar sababiy yoki klinik jihatdan tasdiqlangan biomarkerlar ekanini da’vo qilmaydi; natijalar faqat model xatti-harakatining izohi sifatida qabul qilinadi.

Kalibratsiya va shovqinga chidamlilik

Ichki ma’lumotlarda Expected Calibration Error (ECE) 0,032 deb qayd etilgan. Kohort bo‘yicha ECE qiymatlari EEG uchun 0,028, nutq uchun 0,035 va HRV uchun 0,040. Biroq kalibratsiya kohort o‘zgarishi sharoitida alohida tasdiqlanmagan.

Gauss shovqini bilan o‘tkazilgan chidamlilik tajribasida birlashtirilgan model 10 dB SNR darajasida %93 dan yuqori aniqlikni saqlagan. Bu test real hayot artefaktlarining barchasini ifodalamaydi; harakatga bog‘liq EEG artefakti, atrof-muhit nutq shovqini yoki ECG baseline wander kabi holatlar alohida sinovdan o‘tkazilmagan.

Yuqori Ichki AUROC Klinik Muvaffaqiyatni Anglatadimi?

Yo‘q. 0,974 AUROC faqat psevdouftlashtirilgan ichki test ma’lumotlaridagi natijani ko‘rsatadi; mustaqil kohortlarga o‘tilganda AUROC 0,65 gacha tushishi va kohort identifikatori taxminan 0,98 AUROC bilan bashorat qilinishi model kohortga xos naqshlardan kuchli foydalanishini ko‘rsatadi. Shu sababli tadqiqot o‘z modelini klinik foydalanish uchun tasdiqlangan o‘z joniga qasd qilish xavfi vositasi sifatida taqdim etmaydi.

Kohortlararo umumlashtirish

Eng past AUROC bo‘lgan 0,65 ichki testdagi 0,974 bilan solishtirganda katta natija yo‘qotishidir. Domain-adversarial baholash ham taxminan 0,65 AUROC bergan.

Kohort identifikatori nima uchun muhim nazorat?

Model bilan bir xil xususiyatlardan namuna qaysi ma’lumotlar to‘plamidan kelganini bashorat qiluvchi kohort-tasniflash tajribasi taxminan 0,98 AUROC olgan. Bu natija EEG, nutq va HRV ma’lumot manbalari model ularni osongina ajrata oladigan darajada farq qilishini ko‘rsatadi.

Shu sababli birlashtirilgan modelning yuqori ichki natijasi faqat o‘z joniga qasd qilish xavfi bilan bog‘liq biologik naqshlar o‘rganilganini ko‘rsatmaydi. Uskuna, namunalash tezligi, demografiya, ma’lumot yig‘ish protokoli va yorliq ta’rifi kabi kohort farqlari tasniflashga hissa qo‘shishi mumkin.

Taqsimot siljishi

Maximum Mean Discrepancy (MMD) tahlili EEG–nutq uchun 0,84, EEG–HRV uchun 0,91 va nutq–HRV uchun 0,79 qiymatlarni bergan. t-SNE vizualizatsiyasida ham kohortlar alohida klasterlar hosil qilgani qayd etilgan. Wasserstein masofalari 2,34 dan 4,87 gacha topilgan.

Manba ushbu domain shift sabablariga ma’lumot olish uskunasi, namunalash tezligi va demografik farqlarni kiritadi.

Salbiy nazoratlar nimani ko‘rsatdi?

Bu nazoratlar ichki natija faqat tasodifiy juftlashtirish yoki tasodifiy yorliq artefaktidan iborat emasligini ko‘rsatadi. Biroq kohort-tasniflash va kross-kohort tajribalari o‘rganilgan signalning muhim qismi ma’lumotlar to‘plamiga xos bo‘lishi mumkinligini ko‘rsatishda davom etadi. Demak, salbiy nazoratlar umumlashtiriladigan klinik biomarker mavjudligini isbotlamaydi.

Ablation tadqiqoti

BIHODRNN ni olib tashlash eng katta arxitektura AUROC yo‘qotishini keltirib chiqargan. Gated fusion kichikroq, ammo o‘lchanadigan hissa qo‘shgan. Ablation tajribalari besh xil tasodifiy seed bilan takrorlangan va AUROC standart og‘ishlari 0,005 dan past ekani bildirilgan. SHAP olib tashlanishidan tashqari taqqoslashlarda p<0,05; SHAP olib tashlanganda p=0,32 qayd etilgan. Mualliflar bu p qiymatlar bir xil ma’lumotlar to‘plamida takrorlangan tajribalardan olinganini va psevdouftlashtirish muammosini hal qilmasligini ta’kidlaydi.

Xavf qatlamlari klinik chegara emas

Tajribaviy baholash maqsadida model ehtimollari uch guruhga bo‘lingan: 0,33 dan past qiymatlar past, 0,33–0,67 oralig‘i o‘rta va 0,67 dan yuqori qiymatlar yuqori xavf deb belgilangan. Bu chegaralar validatsiya to‘plamining percentillaridan hosil qilingan bo‘lib, klinik foydalanish uchun tavsiya etilmaydi. Manba har qanday real hayot qo‘llanilishida qayta kalibratsiya kerakligini ochiq ko‘rsatadi.

Manba ichida qayta ishlab chiqarishga ta’sir qiluvchi nomuvofiqliklar

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

Tadqiqot geterogen EEG, nutq va HRV ma’lumotlari bitta tajribaviy chuqur o‘rganish ish oqimida qayta ishlanishi mumkinligini; gated fusion, BIHODRNN va yordamchi yo‘qotish komponentlari ichki ma’lumot natijasiga o‘lchanadigan hissa qo‘shishini; shuningdek kross-kohort, kohort-tasniflash, negative-control va taqsimot siljishi tahlillari chalg‘ituvchi ichki natijani aniqlashda foydali ekanini qo‘llab-quvvatlaydi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot model klinik jihatdan o‘z joniga qasd qilish xavfini ishonchli bashorat qilishini, haqiqiy multimodal fusion amalga oshirilishini, SHAP xususiyatlari sababiy biomarker ekanini, tizim turli shifoxona va jamoalarda umumlashtirilishini, algoritm adolatli ekanini yoki qayd etilgan chegaralar klinik qaror uchun ishlatilishi mumkinligini ko‘rsatmaydi.

Etika va xavfsizlik chegarasi

Tadqiqot yangi bemor ma’lumotlarini yig‘magan va klinik aralashuv o‘tkazmagan. Foydalanilgan manba tadqiqotlar etik tasdiq va xabardor qilingan rozilik olgani; joriy tahlilda identifikatsiyasiz yoki agregat ma’lumotlar ishlatilgani bildiriladi. Mualliflar model tashxis, davolash qarori yoki real hayotda individual o‘z joniga qasd qilish xavfini baholash maqsadida ishlatilmasligi kerakligini ochiq aytadi.

Kelajakdagi tadqiqot ehtiyojlari

Mualliflarning eng yuqori ustuvorligi EEG, nutq va HRV bir xil ishtirokchilardan va umumiy klinik yorliqlar bilan yig‘ilgan haqiqiy subyekt-hizalangan multimodal ma’lumotlar to‘plamidir. Bundan tashqari mustaqil va ko‘p markazli tashqi validatsiya, domain adaptation va harmonizatsiya, prospektiv uzunlamasına tadqiqotlar, kattaroq nutq ma’lumotlar to‘plamlari, rasmiy fairness auditlari, ekspert baholagan izohlanuvchanlik, klinik asoslangan kalibratsiya va chegara tanlash, real hayot artefaktlariga chidamlilik va yetishmayotgan modalitet ssenariylarini tizimli o‘rganish tavsiya etiladi.

Manba va Usul Haqida Izoh

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

Mualliflar: Fatemeh Charoosaei va Fatemeh Rajabi.

Mas’ul muallif: Fatemeh Charoosaei.

PDF dagi affiliatsiyalar: Fatemeh Charoosaei — Department of Computer Engineering, Yazd University, Yazd, Iran. Fatemeh Rajabi — Department of Medical Sciences, Isfahan University of Medical Sciences, Isfahan, Iran.

Bibliografik affiliatsiya farqi: Joriy SSRN yozuvi Fatemeh Rajabi ni Manchester Metropolitan University bilan bog‘laydi. PDF va SSRN yozuvi o‘rtasidagi bu farq manbadagidek saqlanishi kerak.

Platforma: SSRN.

SSRN yozuv raqami: 7331268.

DOI: 10.2139/ssrn.7331268.

Yuborilgan sana: 27 avgust 2026.

Manba turi: Metodologik chuqur o‘rganish tadqiqot preprinti; retrospektiv ikkilamchi ma’lumot tahlili va proof-of-concept.

Taqriz holati: Taqrizdan o‘tmagan.

Litsenziya: Manba PDF va tasdiqlangan SSRN yozuvida ochiq Creative Commons yoki unga teng qayta foydalanish litsenziyasi ko‘rsatilmagan.

Moliyalashtirish: Mualliflar tadqiqot uchun moliyalashtirish olinmaganini bildirgan.

Manfaatlar to‘qnashuvi: Mualliflar raqobat qiluvchi manfaatlar yo‘qligini bayon qilgan.

Etika: Tadqiqot avval yig‘ilgan va identifikatsiyasiz ma’lumotlardan foydalanadi. Asl ma’lumot manbalari etik tasdiq va xabardor qilingan rozilik olgani; joriy tahlil uchun qo‘shimcha etika qo‘mitasi tasdig‘i talab qilinmagani bildirilgan.

Ma’lumot manbalari: EMBARC EEG ma’lumoti NIMH Data Archive orqali; UK Biobank HRV ma’lumoti agregat xulosa xususiyatlari ko‘rinishida; MODMA nutq korpusi esa tadqiqot maqsadida foydalanish uchun manbada ko‘rsatilgan protsedura bilan mavjud deb qayd etilgan.

Muallif hissalari: Fatemeh Charoosaei — konseptualizatsiya, usul, dasturiy ta’minot, formal tahlil, dastlabki qoralama va vizualizatsiya. Fatemeh Rajabi — validatsiya, tadqiqot, ma’lumot kuratsiyasi va ko‘rib chiqish/tahrirlash.

Asosiy model komponentlari: Modalitetga xos kodlovchilar, 256 o‘lchamli umumiy tasvir, kontentga moslashuvchan softmax gated fusion, ikki qatlamli va ikkinchi tartibli BIHODRNN, dropout, softmax klassifikatori va modalitetga xos yordamchi reconstruction decoder-lar.

Asosiy baholash metrikalari: Accuracy, sensitivity, specificity, F1-score, AUROC, %95 ishonch oraliqlari va Expected Calibration Error.

Asosiy statistik usullar: 1.000 iteratsiyali bootstrap ishonch oraliqlari, DeLong AUROC taqqoslash, ablation tajribalarida takroriy ishga tushirishlar va paired t-test, SHAP faithfulness tahlilida Spearman korrelyatsiyasi.

Asosiy metodologik cheklov: EEG, nutq va HRV bir xil odamlardan olinmagan. Psevdouftlashtirilgan tuzilma, kohort geterogenligi va turli xavf yorlig‘i ta’riflari sababli model haqiqiy umumiy o‘z joniga qasd qilish xavfi funksiyasini o‘rganganini ko‘rsatib bo‘lmaydi.

Klinik cheklov: Model tashqi validatsiya, prospektiv validatsiya, haqiqiy klinik qo‘llash va regulyator baholashdan o‘tmagan. Manba model klinik qaror qabul qilish yoki individual xavfni bashorat qilish maqsadida ishlatilmasligi kerakligini ochiq bildiradi.