A Multimodal Hybrid Deep Learning Framework for Early Depression Detection Using Digital Footprint and Behavioural Data

Technische Samenvatting: Een Multimodaal Hybride Deep Learning Framework voor Vroege Detectie van Depressie

Probleemstelling
Traditionele methoden voor het diagnosticeren van depressie, zoals zelfrapportage en klinische interviews, zijn vaak episodisch, subjectief en gevoelig voor het missen van vroege, subtiele indicatoren van de aandoening. Hoewel digitale voetafdrukken en gedragsgegevens van smartphones en wearables een pad bieden voor continue, objectieve monitoring, kampen bestaande oplossingen met aanzienlijke uitdagingen. Deze omvatten een gebrek aan generalisatie over heterogene datasets, onvoldoende integratie van multimodale data (het combineren van digitaal gebruik met fysiologische activiteit) en een afhankelijkheid van "black box" deep learning-modellen die een gebrek aan interpreteerbaarheid vertonen. Bovendien lijden veel studies aan datalekken (data leakage) of falen ze in het valideren van prestaties over verschillende sensorische modaliteiten, wat de toepasbaarheid in de echte wereld beperkt.

Methodologie
De auteurs stellen een multimodale hybride deep learning framework voor, ontworpen voor de vroege detectie van depressie door smartphone digitale voetafdrukken te fuseren met wearable gedragssignalen. De methodologie omvat de volgende fasen:

• Databronnen: De studie maakt gebruik van twee complementaire datasets: de StudentLife dataset (smartphone-gebaseerde digitale voetafdrukken inclusief app-gebruik, oproeplogs, SMS, mobiliteit en Ecological Momentary Assessment (EMA) stemmingsscores) en de Depresjon dataset (wearable-gebaseerde motorische activiteitsgegevens en klinische MADRS-scores).
• Preprocessing en Feature Engineering:
  • Labelgeneratie: Een ranggebaseerde strategie wordt toegepast op EMA-stemmingsscores (Positieve Affect − Negatieve Affect) om gebalanceerde binaire labels te creëren, waarbij SMOTE wordt gebruikt op de trainingsset om klassenonbalans aan te pakken.
  • Feature Constructie: De pipeline bevat temporele codering (dag van de week, weekendindicatoren), gedragsnormalisatie (mean-based scaling om variabiliteit tussen gebruikers te verminderen), ratio-gebaseerde features (bijv. oproep-naar-SMS ratio's) en gedragsdrift-analyse (het vastleggen van kortetermijnveranderingen).
  • Cross-Dataset Uitlijning: Statistische features (gemiddelde, variantie) worden geëxtraheerd uit de ruwe activiteitssignalen van de Depresjon dataset om deze structureel uit te lijnen met de geaggregeerde gedragsfeatures van de StudentLife dataset, wat cross-domein validatie mogelijk maakt.
• Modelarchitectuur: De kern is een hybride Deep Learning model bestaande uit:
  • CNN (1D Convolution): Extraheert lokale ruimtelijke patronen en interacties tussen features uit de invoersequentie.
  • BiLSTM (Bidirectional LSTM): Modelleert temporele afhankelijkheden door sequenties in zowel voorwaartse als achterwaartse richting te verwerken om zowel het verleden als de toekomstige context te vangen.
  • Multi-Attention Mechanisme: Een combinatie van temporele aandacht, soft feature attention en hard attention (threshold-gebaseerd) wordt ingezet om relevante features en tijdstappen dynamisch te wegen, wat zowel de prestaties als de interpreteerbaarheid verbetert.
  • Classificatie: Volledig verbonden lagen met dropout en een sigmoid activatiefunctie voeren binaire classificatie uit.

Belangrijkste Bijdragen

1. Verenigd Multimodaal Framework: Het artikel introduceert een nieuwe architectuur die smartphone digitale voetafdrukken en wearable motorische activiteitssignalen integreert in één enkel leersysteem, wat een uitgebreide representatie van gebruikersgedrag biedt.
2. Hybride Architectuur met Attention: De ontwikkeling van een CNN-BiLSTM model, versterkt met een multi-attention mechanisme (temporeel, soft en hard), om effectief ruimtelijke kenmerken en temporele afhankelijkheden te vangen en feature selectie te verbeteren.
3. Robuust Preprocessing Pipeline: De introductie van een geavanceerde feature engineering pipeline inclusief ranggebaseerde labeling, gedragsnormalisatie, ratio-gebaseerde features en drift-analyse om dynamische gedragsveranderingen te modelleren.
4. Cross-Domein Validatie: De studie demonstreert sterke generalisatie door te trainen op de StudentLife dataset en te valideren op de heterogene Depresjon dataset zonder hertraining, waarmee het veelvoorkomende probleem van overfitting op enkelvoudige databronnen wordt aangepakt.

Experimentele Resultaten

• Primaire Prestaties: Op de StudentLife dataset bereikte het voorgestelde model een nauwkeurigheid van 91%, een F1-score van 0,91 en een AUC van 0,969.
• Cross-Dataset Generalisatie: Wanneer getest op de externe Depresjon dataset (zonder hertraining), behield het model een nauwkeurigheid van 87%, wat de robuustheid over verschillende sensorische modaliteiten heen aantoont.
• Ablatie-studies: De resultaten bevestigden dat elk component bijdraagt aan de prestaties, waarbij het volledige hybride model beter presteerde dan CNN-alleen (84%), BiLSTM-alleen (86%) en single-modality benaderingen.
• Statistische Validatie: Gepaarde t-tests (p=0,021) en Wilcoxon signed-rank tests (p=0,018) bevestigden de statistische significantie van de verbeteringen van het model ten opzien van baseline methoden. Vijf-voudige cross-validatie toonde een hoge stabiliteit met een standaarddeviatie van 0,008.
• Verklaarbaarheid: SHAP-analyse en temporele attention heatmaps identificeerden vier primaire gedragsindicatoren van depressie: slaaponregelmatigheid, verminderde mobiliteit, sociaal terugtrekken en verhoogd smartphonegebruik in de nacht. Het model toonde ook het vermogen tot vroege voorspelling, met een nauwkeurigheid van 82% met slechts 7 dagen aan data.

Betekenis en Claims
De auteurs claimen dat dit framework een schaalbare, niet-invasieve en interpreteerbare oplossing biedt voor continue mentale gezondheidsmonitoring. Door digitale en fysiologische data succesvol te fuseren, overwint het model de beperkingen van single-modality systemen en biedt het een nauwkeuriger en betrouwbaarder instrument voor vroege detectie van depressie. De inclusie van attention mechanismen en SHAP-analyse adresseert de "black box"-aard van deep learning, wat vertrouwen in klinische toepassingen bevordert. De studie concludeert dat een dergelijk framework effectief is voor real-world deployment, waardoor vroege interventie en gepersonaliseerde mentale gezondheidssteun mogelijk worden, terwijl de robuustheid tegen ontbrekende data en variërende gedragscontexten behouden blijft.