傳統(tǒng)的抑郁癥診斷方式，是基于醫(yī)生的臨床經(jīng)驗(yàn)，通過采訪患者，詢問病人過去精神狀況，生活方式和情緒等問題，根據(jù)患者的反應(yīng)來確定病情。近年來，機(jī)器學(xué)習(xí)開始被用作診斷的輔助手段：利用開發(fā)出的機(jī)器學(xué)習(xí)模型，檢測可以標(biāo)識出抑郁的語音，單詞和語調(diào)。這種方法需要患者來對某些特定的問題給出答案，由于算法較依賴于被問到的問題類型，因此在使用時(shí)有其局限性。

近日，來自MIT的研究人員詳細(xì)介紹了一種神經(jīng)網(wǎng)絡(luò)模型，該模型可以直接通過對采訪中的原始文本和音頻數(shù)據(jù)進(jìn)行處理，從而判斷其抑郁傾向。其優(yōu)點(diǎn)在于：其不局限于特定的問題和答案，而是可以針對隨意給定的主題來做出判斷。研究人員希望這種方法可以通過日常對話來進(jìn)行診斷，通過這種模型來發(fā)現(xiàn)人們在短信或者語音聊天中是否有抑郁的跡象，并發(fā)出適當(dāng)?shù)奶嵝押途妗Ｆ溽槍Φ膶ο蠛蛻?yīng)用前景主要在初步診斷和防治領(lǐng)域：尤其對于那些因?yàn)榫嚯x、成本或缺乏疾病防控意識而無法前往臨床醫(yī)生進(jìn)行初步診斷的人尤其有用。

研究人員認(rèn)為：在對話中體現(xiàn)出的快樂，興奮，悲傷，或者一些諸如抑郁癥的嚴(yán)重的認(rèn)知問題，都是通過談話而獲取第一手資料的。如果想要應(yīng)用抑郁檢測模型，在數(shù)據(jù)采集時(shí)候就需要盡可能地減少對于談話的限制，最好是能從日常談話中抓取有用信息。

研究人員同時(shí)指出，研發(fā)的難點(diǎn)在于：每位患者都會以不同的方式和風(fēng)格進(jìn)行表達(dá)，如果模型發(fā)現(xiàn)一些異常的變化就會向醫(yī)生發(fā)出進(jìn)一步的警告。 盡管如此，這一模型在臨床診斷中起到了很大的輔助作用，這一進(jìn)步讓人們看到了模型解決抑郁檢測的希望。

Context free modeling

模型的關(guān)鍵創(chuàng)新在于能夠檢測與抑郁癥相關(guān)的模式，并將這些模式映射到新的個(gè)體，而無需額外的信息。研究人員將這種方式稱為不基于上下文的模型，因?yàn)樗恍枰獙ふ姨囟ǚ磻?yīng)模所對應(yīng)的問題做出限制。

傳統(tǒng)的模型會提供一組特定的問題，然后分別標(biāo)記反饋沒有抑郁癥的人，以及有抑郁癥的人對于該例子的反饋，例如，通過詢問諸如“你有抑郁史嗎？”這樣的問題，然后根據(jù)回答問題時(shí)的反應(yīng)來分析是否有抑郁癥傾向。這種方法雖然行之有效，但這卻不是通常對話所進(jìn)行的方式。

為了解決傳統(tǒng)方法的弊端，研究人員使用了一種稱為序列模型的技術(shù)進(jìn)行語音處理。通過這種技術(shù)，他們一個(gè)接一個(gè)地從抑郁和非抑郁個(gè)體的問題和答案中提供文本和音頻數(shù)據(jù)的模型序列。隨著序列的積累，該模型可以提取出有或沒有抑郁癥的人出現(xiàn)的語音模式。諸如“悲傷”，“低”或“向下”之類的單詞可以與更平坦且更單調(diào)的音頻信號匹配?；加幸钟舭Y的個(gè)體也可能說話較慢并且在單詞之間使用較長的暫停。

該模型可以分析單詞或說話風(fēng)格的序列，并確定這些模式是否更容易在抑郁或抑郁的人身上表現(xiàn)出來，如果在新的案例中看到相同的序列模式，模型便可以根據(jù)訓(xùn)練的結(jié)果預(yù)測其是否有抑郁傾向。這種技術(shù)還有助于模型將整個(gè)對話視為一個(gè)整體，并分析有抑郁癥和無抑郁癥的人之間隨著時(shí)間推移所產(chǎn)生的差異。

檢測抑郁癥

研究人員利用抑郁分析面試語料庫中的142次交流作為數(shù)據(jù)集來進(jìn)行了訓(xùn)練和測試，這些資料來源于心理健康問題患者的音頻，文本和視頻訪談。這些數(shù)據(jù)使用個(gè)人健康問卷進(jìn)行評定，每個(gè)受試者按0到27之間的等級評定抑郁。高于中度（10至14）和中度（15至19）之間的得分被認(rèn)為是有抑郁的，而低于該閾值的所有其他得分則是健康的。在這一數(shù)據(jù)集中，有28個(gè)（20％）被標(biāo)記為抑郁。

在實(shí)驗(yàn)中，使用精確度和召回率來評估模型。精確度用來判斷哪些受試者被診斷為抑郁。 研究人員評估了該測量模型。在精確度方面，該模型準(zhǔn)確率為71％，召回率為83％，平均綜合得分為77％。在大多數(shù)測試中，該模型的各項(xiàng)指標(biāo)幾乎都超過了同類其他模型。

研究人員指出該研究的一個(gè)關(guān)鍵方面是，在實(shí)驗(yàn)過程中，該模型需要更多的數(shù)據(jù)來預(yù)測音頻中的抑郁。通過文本，模型可以使用平均七個(gè)問答序列準(zhǔn)確地檢測抑郁癥。而通過音頻，該卻模型需要大約30個(gè)序列。 這意味著人們使用文本語言時(shí)表現(xiàn)出抑郁的傾向，比在使用音頻時(shí)所需的時(shí)間更短，麻省理工學(xué)院的研究人員可以利用該點(diǎn)為切入點(diǎn)，進(jìn)一步完善他們的模型。

這項(xiàng)工作具有非常鼓舞人心的研究意義?，F(xiàn)在模型的識別方式還類似于黑盒子，研究人員正在試圖解釋其所發(fā)現(xiàn)模式的規(guī)律。該模型不僅僅局限于抑郁癥的診斷識別領(lǐng)域，未來，人們還希望將這種方法推廣測試來自更多具有其他認(rèn)知障礙（如癡呆）的受試者中去。

最后，希望小伙伴們天天愉悅， 笑容是最美的~~