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.
In recent years, psychological strain among young people has increased worldwide due to numerous social crises. School and classroom performance requirements are primary sources of stress for students. Classroom stress emerges when the demands of a teaching situation surpass personal resources, such as self-efficacy beliefs (SEB). Scientific inquiry-based activities, including experiments or modeling, pose a significant challenge in science lessons because students have limited resources in this area, even by the end of lower secondary school. Consequently, an elevated stress level is anticipated in such situations. This exploratory study examined secondary school students’ heart rate variability (n = 86 valid data sets), an indicator of physiological stress, during inquiry-based and non-inquiry-based (communication) situations in science lessons. Moreover, a hierarchical cluster analysis was conducted to investigate whether stress levels differed as a function of individual dispositions that encompassed both stress levels and scientific SEBs. Overall, no significantly elevated stress level was observed during inquiry-based situations. Nevertheless, three types of students with different physiological stress responses were identified, suggesting that individual dispositions are pivotal in guiding personalized stress prevention in science lessons.
در سال‌های اخیر، فشار روانی در میان جوانان در سراسر جهان به دلیل بحران‌های اجتماعی متعدد افزایش یافته است. الزامات عملکردی مدرسه و کلاس درس از منابع اصلی استرس برای دانش‌آموزان به‌شمار می‌روند. استرس کلاسی زمانی بروز می‌کند که الزامات یک موقعیت آموزشی از منابع فردی، مانند باورهای خودکارآمدی (SEB)، فراتر رود. فعالیت‌های علمی مبتنی بر پژوهش، از جمله آزمایش یا مدل‌سازی، در درس علوم چالشی قابل توجه محسوب می‌شوند، زیرا دانش‌آموزان حتی تا پایان دوره متوسطه اول نیز منابع محدودی در این زمینه دارند. بنابراین، انتظار می‌رود که در چنین موقعیت‌هایی سطح استرس افزایش یابد. این مطالعه اکتشافی، تغییرپذیری ضربان قلب دانش‌آموزان دوره متوسطه (n = 86 مجموعه داده معتبر) را به عنوان شاخصی از استرس فیزیولوژیک، در موقعیت‌های مبتنی بر پژوهش و غیرمبتنی بر پژوهش (ارتباطی) در کلاس‌های علوم مورد بررسی قرار داد. علاوه بر این، یک تحلیل خوشه‌ای سلسله‌مراتبی به منظور بررسی تفاوت سطوح استرس بر اساس ویژگی‌های فردی که هم سطوح استرس و هم SEB علمی را در بر می‌گرفت، انجام شد. به طور کلی، در موقعیت‌های مبتنی بر پژوهش، افزایش معناداری در سطح استرس مشاهده نشد. با این حال، سه نوع دانش‌آموز با پاسخ‌های متفاوت استرس فیزیولوژیک شناسایی شدند که نشان می‌دهد ویژگی‌های فردی در هدایت پیشگیری شخصی‌سازی‌شده از استرس در کلاس‌های علوم نقش محوری دارند.
