
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于预测大学生心理健康风险的异构堆叠集成模型,结合可解释人工智能技术
《Scientific Reports》:A heterogeneous stacking ensemble with explainable AI for mental health risk prediction in university students
【字体: 大 中 小 】 时间:2026年08月07日 来源:Scientific Reports 4.9
编辑推荐:
摘要为解决大学生群体中缺乏可扩展且易于理解的心理健康筛查工具这一问题,我们开发了MHSP-Stack(基于堆叠算法的心理健康状况预测模型),并运用多层可解释性分析方法来识别关键风险因素。通过结合LIME(局部可解释模型无关解释)框架与基于SHAP的敏感性分析,我们发现PHQ-9抑
为解决大学生群体中缺乏可扩展且易于理解的心理健康筛查工具这一问题,我们开发了MHSP-Stack(基于堆叠算法的心理健康状况预测模型),并运用多层可解释性分析方法来识别关键风险因素。通过结合LIME(局部可解释模型无关解释)框架与基于SHAP的敏感性分析,我们发现PHQ-9抑郁评分(相对重要性为28.6%)和GAD-7焦虑评分(21.9%)是影响心理健康状况的最强预测因子,其次是运动频率(9.0%)和网络压力(8.2%)——这些结果挑战了“学业压力是主要风险因素”这一观点。LIME与SHAP得出的全局排名之间的斯皮尔曼等级相关系数为\(\rho _s = 0.86\),这表明无论选择哪种可解释性分析技术,所得结果都具有稳定性。MHSP-Stack是一种双层异构集成模型,其底层整合了六种机器学习算法:逻辑回归、支持向量机、随机森林、梯度提升、直方图梯度提升以及LightGBM;上层则采用逻辑回归作为元学习器,通过分层五折交叉验证整合各算法的输出,从而避免数据泄露问题。该模型以1,800名大学生的数据为训练样本,这些数据由15个经过验证的心理健康指标构成,经与14种最先进的算法对比测试后,MHSP-Stack取得了最高的F1分数(0.8688)和ROC曲线下面积(0.9241)。我们还对四种不同的元学习器进行了测试,结果表明线性元学习器在性能、可解释性以及抗过拟合能力之间取得了最佳平衡。此外,研究还考察了模型在数据分布发生变化时的稳定性,结果显示在严重测量噪声情况下,其F1分数仍能保持在0.81以上。MHSP-Stack为大学心理健康早期预警系统提供了一种准确、透明且易于部署的决策支持工具。