用神经网络预测心理健康：一个基于问卷的抑郁、焦虑与压力评估开源项目

本文介绍了GitHub上名为mental-health-project的开源项目，该项目由开发者tasneem33355发布，利用神经网络模型基于DASS-21标准化问卷回答预测用户的抑郁、焦虑和压力水平。项目提供从数据处理到模型训练再到交互式预测界面的完整流水线，旨在解决传统心理健康评估依赖专业人员、周期长、可及性差等问题，为心理健康筛查智能化提供实践参考。

全球超2.8亿人受抑郁症影响，焦虑症患病率同样严峻。传统评估依赖面对面访谈，存在专业人员不足等瓶颈。项目基于DASS-21量表（21道题，分抑郁、焦虑、压力三维度，四级评分）构建模型，核心假设是问卷回答模式中蕴含可被模型捕捉的规律，通过学习标注样本映射关系实现预测。

数据处理：清洗缺失/异常值，特征编码（保留等级顺序或独热编码），80/20划分训练测试集，可引入交叉验证。 模型设计：采用多层感知器（MLP），输入层接收预处理特征，隐藏层用ReLU激活，输出层多任务学习同时预测三个维度；训练用Adam优化器，通过Dropout、早停防止过拟合。 交互界面：提供用户友好界面，非技术用户可回答问卷获取直观的预测结果，降低使用门槛。

评估指标包括准确率、精确率、召回率、F1分数，其中召回率对筛查场景至关重要（漏检后果更严重）。因心理健康程度是连续分布，需考察不同级别表现；混淆矩阵可展示各级别分类表现，帮助优化模型薄弱环节。

该工具仅为初步筛查，不能替代专业诊断；需严格遵守数据隐私法规，确保用户数据收集存储符合知情同意原则；需关注训练数据偏差导致的公平性问题，避免部分群体预测准确性低。

应用场景：可部署于企业健康平台、学校心理系统、社区卫生机构作为初筛工具。 改进方向：引入Transformer捕捉题目依赖关系；结合NLP分析自由文本；融合语音/面部表情/生理信号等多模态数据；开发纵向追踪功能监测状态变化。

项目展示了神经网络构建心理健康预测工具的完整流程，提供清晰可复现的实践参考。虽面临准确性验证、伦理合规、公平性保障等挑战，但为心理健康服务智能化和普惠化开辟了探索路径，是AI应用于公共卫生领域的值得参考的起点。