一种无监督机器学习框架用于早期检测孤立人群的急性心理压力

长期孤立场景（从极端环境到与大流行相关的限制）的日益普遍，提高了检测急性心理压力的可扩展系统的需求。传统的心理健康监督方法依赖于标记数据，而这些数据通常稀缺、偏见或适应缓慢。本文提出了一种基于Iso-lation Forest算法的完全无监督机器学习框架，利用多维行为指标识别压力模式：感知压力、情绪变化、应对能力、孤立持续时间和睡眠干扰。通过使用综合的公共数据集，iForest模型实现了优越的性能（轮廓得分=0.61，Davies-Bouldin指数=0.89），并识别出6.3%的个体为高风险，这在临床上是合理的比例。主成分分析（PCA）可视化确认了显著的异常分离，特征重要性分析突出 confinement持续时间和应对困难作为关键预测因素，与既有心理学理论相符。这项工作为资源有限的孤立环境中的可扩展实时心理健康监测提供了方法学基础。未来的部署需要临床验证、多模态数据整合以及对行为监测的伦理治理。