Classification models combined with optimized features for mental stress prediction
Notice bibliographique
Résumé
Mental stress is a growing global health concern, closely linked to psychological, behavioral, and physiological disorders. Accurate and early prediction of mental stress is crucial for timely interventions and improved health outcomes. Despite numerous studies leveraging machine learning (ML) techniques for stress classification, many have overlooked the integration of systematic feature selection and comprehensive model evaluation, limiting generalizability and interpretability. To address these gaps, this study proposes a robust ML-based framework that combines optimized feature selection methods - Recursive Feature Elimination (RFE), Extra Trees (ET), and Boruta - with various classification algorithms including Random Forest (RF), K-Nearest Neighbors (KNN), Decision Tree (DT), Multilayer Perceptron (MLP), Support Vector Machine (SVM), Gradient Boosting, and voting classifier. The models were evaluated using 10-fold cross-validation and ranked using the TOPSIS multi-criteria decision-making approach. The experimental results demonstrate high predictive performance across models (accuracy ≥ 0.98), with RF, DT, MLP, and Gradient Boosting achieving perfect accuracy (1.00). Among all configurations, the RF-Boruta model emerged as the most optimal (TOPSIS score: 0.914558). These findings highlight the effectiveness of combining systematic feature optimization with ML classification for accurate and interpretable stress prediction, offering valuable insights for data-driven mental health interventions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».