综述：机器学习在焦虑检测中的应用：趋势、模型评估与未来方向

《Frontiers in Artificial Intelligence》：Machine learning approaches to anxiety detection: trends, model evaluation, and future directions

这篇系统综述全面评估了机器学习（ML）在焦虑预测领域的最新进展，重点分析了算法性能、特征工程和验证方法。文章指出，虽然随机森林（RF）和梯度提升（GB）等集成方法在准确率（如高达98%）上表现突出，但现有研究普遍存在样本量小、泛化能力不足及“黑箱”模型可解释性差等局限。作者强调，未来研究需整合多模态数据（如EEG、ECG、EDA）并引入可解释人工智能（XAI）技术，以推动ML模型从症状识别向早期风险预测的范式转变，最终实现临床实用化。

　　

焦虑作为一种普遍存在的心理健康问题，对个人福祉和社会生产力均构成严重威胁。随着数字环境的普及，青少年焦虑问题日益凸显，亟需开发先进的预测工具以实现早期干预。机器学习（ML）在该领域展现出巨大潜力，但其在焦虑预测中的应用尚处于起步阶段，缺乏对方法学趋势和局限性的系统评估。

引言

焦虑被定义为一种面向未来、持续时间较长的弥漫性威胁反应，与恐惧这种针对特定威胁的短期反应有所不同。研究表明，焦虑对个体自我感知健康和整体幸福感的影响与抑郁相当，且超过70%的自杀未遂者曾经历焦虑障碍。近年来，机器学习技术逐步应用于心理健康研究，通过分析行为模式、风险因素和干预路径，为焦虑障碍的预测和管理提供新视角。

方法论

本研究基于Scopus和Google Scholar数据库，检索2018年至2025年间发表的文献，最终纳入19项研究，涵盖44,608名参与者。最常用的焦虑评估工具为GAD-7和DASS-21量表。文献筛选采用两步法：首先验证关键词出现位置，其次通过标题、引言和结论判断研究主题是否符合ML焦虑预测的标准。

机器学习焦虑预测技术概述

监督学习是焦虑预测的主流方法，常用算法包括支持向量机（SVM）、决策树、随机森林（RF）和梯度提升（GB）。其中，树模型因其可解释性备受临床场景青睐，而神经网络（ANN）则擅长处理多模态数据中的非线性关系。例如，多层感知器（MLP）在结合生理指标（如心率变异性）和问卷数据时表现优异。此外，模糊推理系统（FIS）和贝叶斯网络能模拟焦虑与睡眠、压力等变量的概率关系，增强模型的可解释性。研究显示，集成方法（如Stacking）通过融合多个基学习器的预测结果，可显著提升模型鲁棒性。

焦虑筛查方法

GAD-7和DASS-21是当前最常用的焦虑评估工具。GAD-7包含7个条目，总分0-21分，分数越高表明焦虑程度越严重；DASS-21则通过21个条目同步评估抑郁、焦虑和压力三个维度。这些量表为ML模型提供了标准化标注数据，但依赖自评报告可能引入主观偏差。

结果

纳入研究的模型平均准确率为83.45%，但方差较大（88.49），反映性能波动显著。数据集存在明显局限性：样本多源于高校学生或特定地区人群，规模较小（平均约270人），且缺乏年龄、性别和社会经济状态的多样性。特征选择方法参差不齐，部分研究采用信息增益（Information Gain）或最小冗余最大相关（mRMR）算法优化输入，但多数未详细报告筛选流程。评估指标以准确率为主，而F1分数、AUC等更适合不平衡数据的指标使用不足。

讨论

当前研究的核心挑战在于模型泛化能力和临床适用性。一方面，小样本和同质化数据导致过拟合风险；另一方面，“黑箱”算法（如深度神经网络）阻碍了临床信任的建立。未来需重点探索多模态融合技术，例如整合语音、文本和生理信号（EEG/GSR）构建更全面的焦虑表征。同时，引入可解释AI（XAI）工具（如SHAP值）解析模型决策逻辑，是推动临床落地的关键。值得注意的是，现有工作集中于症状出现后的分类任务，而非症状发生前的风险预测，这一范式转变将为预防性干预开辟新路径。

结论与未来方向

机器学习在焦虑检测中已展示出显著潜力，尤其是集成学习和多模态方法表现突出。然而，要实现从“识别已发生焦虑”到“预测焦虑风险”的跨越，需解决数据多样性不足、模型可解释性差及验证标准缺失等问题。未来研究应聚焦于开发前瞻性预测模型，并在更广泛人群中验证其效能，最终为主动式心理健康支持系统奠定基础。