explainable deep learning

Stress is a major contributor to physical and mental health disorders, underscoring the need for reliable and interpretable detection systems. We present an interpretable multimodal deep learning framework that integrates electrocardiogram (ECG), electrodermal activity (EDA), and respiration signals using modality-specific neural architectures complemented by feature-based classical models. To ensure robustness and generalizability, the framework was evaluated under both subject-independent and subject-dependent protocols. Results show that multimodal fusion consistently outperformed single modalities, achieving 94.8% accuracy, 93.9% F1-score, and 0.97 AUC under subject-independent validation, compared with 86–91% accuracy for individual signals. In subject-dependent experiments, performance reached 97.2% accuracy and 96.8% F1-score. Comparative analysis with recent state-of-the-art methods demonstrated the competitiveness of our approach, while ablation studies confirmed the contribution of each modality and fusion strategy. Statistical significance testing with ( p < 0.05) further validated the reliability of these gains. Importantly, interpretability analyses using Grad-CAM and attention visualization provided physiological insights, revealing that the model emphasizes clinically meaningful regions such as ECG R-peaks and phasic EDA fluctuations. By uniting high performance, robustness, and interpretability, this work advances stress detection research and offers a physiologically grounded framework for continuous mental health monitoring.

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.