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

Resumo Técnico: Um Framework de Aprendizado Profundo Híbrido Multimodal para a Detecção Precoce da Depressão

Definição do Problema
Os métodos tradicionais para o diagnóstico da depressão, como o autorrelato e entrevistas clínicas, são frequentemente episódicos, subjetivos e propensos a negligenciar indicadores precoces e sutis da condição. Embora as pegadas digitais e os dados comportamentais provenientes de smartphones e dispositivos vestíveis (wearables) ofereçam um caminho para o monitoramento contínuo e objetivo, as soluções existentes enfrentam desafios significativos. Estes incluem a falta de generalização entre conjuntos de dados heterogêneos, a integração insuficiente de dados multimodais (combinando o uso digital com atividade fisiológica) e a dependência de modelos de aprendizado profundo de "caixa preta" que carecem de interpretabilidade. Além disso, muitos estudos sofrem de vazamento de dados ou falham em validar o desempenho através de diferentes modalidades de sensoriamento, limitando sua aplicabilidade no mundo real.

Metodologia
Os autores propõem um framework de aprendizado profundo híbrido multimodal projetado para detectar a depressão precocemente, fundindo dados de pegadas digitais de smartphones com sinais comportamentais de dispositivos vestíveis. A metodologia abrange as seguintes etapas:

• Fontes de Dados: O estudo utiliza dois conjuntos de dados complementares: o conjunto de dados StudentLife (pegadas digitais baseadas em smartphone, incluindo uso de aplicativos, registros de chamadas, SMS, mobilidade e pontuações de humor de Avaliação Momentânea Ecológica - EMA) e o conjunto de dados Depresjon (dados de atividade motora baseados em wearables e pontuações clínicas de MADRS).
• Pré-processamento e Engenharia de Atributos (Feature Engineering):
  • Geração de Rótulos: Uma estratégia baseada em ranking é aplicada às pontuações de humor de EMA (Afeto Positivo − Afeto Negativo) para criar rótulos binários balanceados, com o uso de SMOTE no conjunto de treinamento para lidar com o desequilíbrio de classes.
  • Construção de Atributos: O pipeline inclui codificação temporal (dia da semana, indicadores de fim de semana), normalização comportamental (escalonamento baseado na média para reduzir a variabilidade entre usuários), atributos baseados em razão (ex: razão de chamadas para SMS) e análise de deriva comportamental (capturando mudanças de curto prazo).
  • Alinhamento de Conjuntos de Dados: Atributos estatísticos (média, variância) são extraídos dos sinais de atividade bruta do Depresjon para alinhá-los estruturalmente com os atributos comportamentais agregados do conjunto de dados StudentLife, permitindo a validação entre domínios.
• Arquitetura do Modelo: O núcleo é um modelo de aprendizado profundo híbrido composto por:
  • CNN (Convolução 1D): Extrai padrões espaciais locais e interações entre atributos da sequência de entrada.
  • BiLSTM (LSTM Bidirecional): Modela dependências temporais processando sequências em ambas as direções (para frente e para trás) para capturar contextos passados e futuros.
  • Mecanismo de Multi-Atenção: Uma combinação de atenção temporal, atenção de atributo suave (soft attention) e atenção rígida (hard attention - baseada em limiar) é empregada para ponderar dinamicamente os atributos e passos de tempo relevantes, aumentando tanto o desempenho quanto a interpretabilidade.
  • Classificação: Camadas totalmente conectadas com dropout e uma função de ativação sigmoide realizam a classificação binária.

Principais Contribuições

1. Framework Multimodal Unificado: O artigo introduz uma arquitetza inovadora que integra pegadas digitais de smartphones e sinais de atividade motora de wearables em um único framework de aprendizado, fornecendo uma representação abrangente do comportamento do usuário.
2. Arquitetura Híbrida com Atenção: O desenvolvimento de um modelo CNN-BiLSTM aprimorado com um mecanismo de multi-atenção (temporal, suave e rígida) para capturar efetivamente características espaciais, dependências temporais e melhorar a seleção de atributos.
3. Pipeline de Pré-processamento Robusto: A introdução de um pipeline sofisticado de engenharia de atributos, incluindo rotulagem baseada em ranking, normalização comportamental, atributos baseados em razão e análise de deriva para modelar mudanças comportamentais dinâmicas.
4. Validação Cross-Domain: O estudo demonstra forte generalização ao treinar no conjunto de dados StudentLife e validar no conjunto de dados heterogêneo Depresjon sem retreinamento, abordando o problema comum de overfitting a fontes de dados únicas.

Resultados Experimentais

• Desempenho Primário: No conjunto de dados StudentLife, o modelo proposto alcançou 91% de acurácia, um F1-score de 0,91 e um AUC de 0,969.
• Generalização Cross-Dataset: Quando testado no conjunto de dados externo Depresjon (sem retreinamento), o modelo manteve 87% de acurácia, demonstrando robustez através de diferentes modalidades de sensoriamento.
• Estudos de Ablação: Os resultados confirmaram que cada componente contribui para o desempenho, com o modelo híbrido completo superando o CNN-apenas (84%), BiLSTM-apenas (86%) e abordagens de modalidade única.
• Validação Estatística: Testes t pareados (p=0,021) e testes de postos sinalizados de Wilcoxon (p=0,018) confirmaram a significância estatística das melhorias do modelo sobre os métodos de baseline. A validação cruzada de cinco dobras mostrou alta estabilidade com um desvio padrão de 0,008.
• Explicabilidade: A análise SHAP e os mapas de calor de atenção temporal identificaram quatro indicadores comportamentais primários de depressão: irregularidade do sono, diminuição da mobilidade, retraimento social e aumento do uso de smartphone durante a noite. O modelo também demonstrou capacidade de previsão precoce, alcançando 82% de acurácia com apenas 7 dias de dados.

Significância e Alegações
Os autores afirmam que este framework oferece uma solução escalável, não invasiva e interpretável para o monitoramento contínuo da saúde mental. Ao fundir com sucesso dados digitais e fisiológicos, o modelo supera as limitações de sistemas de modalidade única, fornecendo uma ferramenta mais precisa e confiável para a detecção precoce da depressão. A inclusão de mecanismos de atenção e análise SHAP aborda a natureza de "caixa preta" do aprendizado profundo, promovendo a confiança em aplicações clínicas. O estudo conclui que tal framework é eficaz para implantação no mundo real, permitindo intervenção precoce e suporte de saúde mental personalizado, mantendo a robustez contra dados ausentes e variados contextos comportamentais.