Deep Learning Analysis of Trauma-Related Emotional Patterns in Couples Facing PTSD
Notice bibliographique
Résumé
This study aimed to examine and classify trauma-related emotional patterns in couples facing PTSD using multimodal deep learning models to predict high-risk emotional episodes during conflict interactions. The study employed a cross-sectional design involving 112 couples (224 individuals) from the United States in which one partner met diagnostic criteria for PTSD. Each couple participated in a 40-minute conflict-discussion task recorded through synchronized audio, video, and physiological sensors. Linguistic transcripts, facial expressions, acoustic features, and autonomic indicators (electrodermal activity, heart-rate variability, and peripheral temperature) were extracted and temporally aligned. These modalities were analyzed using a multimodal transformer architecture integrating text embeddings, CNN-LSTM visual features, physiological time-series data, and acoustic spectral representations. Additional analyses included t-SNE–based latent clustering of emotional patterns and risk-surface modeling of predicted high-risk episodes as a nonlinear function of physiological arousal and negative emotional language. Model performance was evaluated using accuracy, precision, recall, F1-score, and AUC metrics with ten-fold stratified cross-validation. The multimodal transformer significantly outperformed baseline and unimodal models in predicting high-risk PTSD-related emotional episodes (AUC = .90; F1 = .83; accuracy = .86; p < .001 vs. clinical baseline). All unimodal models performed above chance but remained significantly weaker than the multimodal approach (p < .01). Latent clustering revealed four statistically distinct emotional interaction patterns (hyperaroused escalation, avoidant disengagement, mixed volatile–repairing, and numbed coexistence), each differing significantly in PTSD severity, relationship quality, and proportion of high-risk segments (all ps < .05). Nonlinear risk-surface analysis demonstrated a strong interaction effect between negative emotional language and physiological arousal in predicting emotional risk (βinteraction = .41, p < .001). Multimodal deep learning provides a highly sensitive and integrative method for identifying trauma-related emotional risk states in couples facing PTSD, revealing clinically meaningful emotional clusters and nonlinear escalation patterns that may inform assessment and intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».