Feature (linguistics)

Stress is a highly individualized and dynamic psychophysiological response, making reliable continuous monitoring challenging.Existing artificial intelligence approaches to stress detection have demonstrated the usefulness of physiological and neural signals, including electrodermal activity (EDA), heart rate variability (HRV), and electroencephalography (EEG).However, many existing approaches rely on population-level models or limited personalization, while longitudinal validation and adaptive modeling remain comparatively underexplored.This research proposes an adaptive, personalized AI framework for longitudinal stress monitoring by integrating complementary neural and physiological signals from EEG, HRV, and EDA.The proposed framework will initially establish an individual's baseline characteristics and subsequently identify deviations from their personal baseline rather than relying solely on generalized stress patterns across individuals.Machine learning techniques will be investigated for multimodal feature fusion and adaptive model updating as additional individual data becomes available.The study will compare the performance of conventional population-level models with personalized and progressively adaptive models using appropriate evaluation metrics.The research aims to determine whether incorporating individual baseline characteristics and continuous adaptation can improve the reliability and generalizability of stress monitoring.The proposed framework is intended as a foundation for future noninvasive, personalized, and wearable AI-based stressmonitoring systems, while addressing current challenges associated with inter-individual variability, multimodal integration, and longitudinal assessment.

استرس یک پاسخ روان‌فیزیولوژیک بسیار فردی و پویا است که پایش پیوسته و پایا را دشوار می‌سازد. رویکردهای هوش مصنوعی موجود در شناسایی استرس، سودمندی سیگنال‌های فیزیولوژیک و عصبی از جمله فعالیت الکترودرمال (EDA)، تغییرپذیری ضربان قلب (HRV) و الکتروانسفالوگرافی (EEG) را نشان داده‌اند. با این حال، بسیاری از رویکردهای موجود بر مدل‌های مبتنی بر جمعیت یا شخصی‌سازی محدود تکیه دارند، در حالی که اعتبارسنجی طولی و مدل‌سازی تطبیقی نسبتاً کمتر مورد بررسی قرار گرفته‌اند. این پژوهش یک چارچوب هوش مصنوعی تطبیقی و شخصی‌ساز برای پایش طولی استرس با ادغام سیگنال‌های عصبی و فیزیولوژیک مکمل از EEG، HRV و EDA پیشنهاد می‌کند. چارچوب پیشنهادی در ابتدا ویژگی‌های پایه هر فرد را تعیین کرده و سپس انحرافات از خط پایه شخصی را شناسایی می‌کند، به جای آنکه صرفاً بر الگوهای استرس تعمیم‌یافته میان افراد تکیه کند. تکنیک‌های یادگیری ماشین برای همجوشی ویژگی‌های چندوجهی و به‌روزرسانی تطبیقی مدل با در دسترس قرار گرفتن داده‌های فردی بیشتر مورد بررسی قرار خواهند گرفت. این مطالعه عملکرد مدل‌های متداول مبتنی بر جمعیت را با مدل‌های شخصی‌ساز و تدریجاً تطبیقی با استفاده از معیارهای ارزیابی مناسب مقایسه خواهد کرد. هدف پژوهش تعیین این است که آیا گنجاندن ویژگی‌های خط پایه فردی و تطبیق پیوسته می‌تواند پایایی و تعمیم‌پذیری پایش استرس را بهبود بخشد یا خیر. چارچوب پیشنهادی به عنوان بنیانی برای سامانه‌های آینده پایش استرس مبتنی بر هوش مصنوعی، غیرتهاجمی، شخصی‌ساز و پوشیدنی در نظر گرفته شده است، در حالی که به چالش‌های فعلی مرتبط با تفاوت‌های بین‌فردی، ادغام چندوجهی و ارزیابی طولی می‌پردازد.

Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.

افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایش‌های گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، داده‌های جامع چندحوزه‌ای را گردآوری می‌کنند، مطالعات موجود تمایل دارند این حوزه‌ها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر داده‌های ریسک افسردگی غافل می‌شوند. ما SYNERGY-VAE را توسعه داده‌ایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروه‌های پنهان سلامت و تسهیل پیش‌بینی شفاف ریسک افسردگی طراحی شده است و از داده‌های چندوجهی استخراج‌شده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمی‌گیرد، بهره می‌برد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتق‌شده از پنج وجه NHANES، به طور خاص داده‌های جمعیت‌شناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامه‌ای استفاده می‌کند. خوشه‌بندی در این فضای پنهان، زیرجمعیت‌هایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینش‌ها با استفاده از وزن‌های انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلث‌بندی شدند. طبقه‌بندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبه‌بندی‌شده بر اساس PFI آموزش داده شدند و عملکرد آن‌ها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخ‌های شیوع مشاهده‌شده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدل‌های اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدل‌های تجمیعی داشتند و بالاترین دقت پیش‌بینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگی‌ها در خوشه‌های مختلف متفاوت بود و نشان‌دهنده پروفایل‌های ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپ‌های پنهان سلامت نشان می‌دهد و بدین ترتیب اهداف سلامت روان دقیق را پیش می‌برد. با یکپارچه‌سازی داده‌های چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروه‌ها، مدل ما می‌تواند پژوهش‌های آینده غربالگری لایه‌بندی‌شده و زمینه‌محور را اطلاع‌رسانی کند و به پژوهش‌های روان‌پزشکی دقیق در داده‌های بزرگ پیمایش سلامت کمک نماید.