隨著社會的快速進步和發展，人們身上的負擔越來越重，各種負擔化身成焦慮，讓人壓力山大。而通過本文提到的LSTM神經網絡，就能預測焦慮，并通過AI 解決一部分焦慮情緒。

身為現代都市人，如果沒有一點“焦慮感”，簡直都不好意思跟人打招呼。

什么，你竟然每天都樂觀積極正能量，是不是家里有礦？佛系生活，跟不思進取有區別嗎？

適當焦慮，確實有助于人們努力奮斗、實現自我，但長時間地沉浸在焦慮之中，卻有可能導致身體的炎性，加快衰老進程，更嚴重的，帶來抑郁癥和其他健康問題就悲劇了。

那么，有沒有一個可以檢測焦慮值的“溫度計”，能讓人在該緊張的時候適度保持壓力，在健康臨界點及時提醒放松身心呢？在5月的IEEE生物醫學和健康信息學國際會議（BHI）上，MIT的科學家利用LSTM（長期記憶神經網絡模型）來準確預測人的壓力水平。算法真的能幫助人類生活的“張弛有度”嗎？

LSTM：沒有壓力的壓力預測

面對情緒不佳的親友，我們（包括專業的心理咨詢師）往往都會建議或陪伴他們改變一下以往的生活方式，比如增加戶外運動、輔助睡眠等等。但壓力的出現往往是一個復雜而動態的過程，究竟什么時候需要去改變自己的行為，就需要準確地預測壓力值來提供支持了。

以往這個工作只能通過與心理醫生交流，做繁多而繁瑣的測試題等來完成，顯然，麻煩的流程和較高的費用，簡直是在解決問題之前又創造了新的壓力，總會勸退不少人。能不能以一種不引人注意的、保護個人隱私的方式來收集相關數據呢？

麻省理工學院的媒體實驗室就聯合NEC公司和三星電子，以可穿戴傳感器為媒介，借助機器學習的能力來幫助實現更合理的壓力測試。

首先，研究人員調查了美國142名大學生的數據，要求他們自行報告自己各項活動的時間，以及持續的周期。比如睡眠、課外活動、運動等等。有的還會被問到睡前是否參與了一些活動，攝入咖啡因、有積極或消極的社交行為等，在連續報告了8天之后，研究人員總共獲得了1231個序列的數據。

除了上述主觀數據之外，研究人員還在過程中引入了一系列客觀特征。

比如要求參與者佩戴一種AF-phtivaQ傳感器，可以每天24小時不間斷地測量與情緒和壓力有關的生理活動特征，比如交感神經活動、體力活動、睡眠模式、晝夜節律、應激反應等等。

另外，智能手機也起到了不容忽視的作用，當然，不是那種敏感的數據。一方面，通過手機上的電話、SNS通訊時間、類型和持續長度，以及屏幕打開關閉的時間，研究人員就可以掌握到兩個關鍵信息：屏幕光線（可預測睡眠質量），以及社會交流程度（與情緒復原能力有關）。

另外，手機應用還能記錄參與者一天當中的GPS信息，以及他們是在使用WiFi網絡還是蜂窩數據，這有助于研究人員了解參與者的總行程以及在校園內的時間量。而有研究表明：人的移動模式與心理健康狀況密切相關。

在這些數據的基礎上，科學家們建立了一個通用的實時機器學習模型，來對壓力進行預測。

由于長期短期記憶網絡（LSTM）具有學習長期行為的能力，可以很好地應對序列學習上的梯度消失等問題，基于深度學習框架keras和Python，實現了整個算法。

當然，LSTM的價值也不是糊里糊涂就體現出來的。為了與其進行比較，研究人員還使用了支持向量機SVM和邏輯回歸LR等方法，它們在以前的情緒預測研究中都被廣泛證明擁有良好的效果。但由于不能直接利用時間序列數據，它們還是敗給了帶有時間信息的LSTM預測模型。

經過多天的循環驗證，研究結果證明，只需要使用338個采集到的客觀特征，就能夠很好地預測出第二天的壓力水平。

再接再厲，研究人員又使用SVM、LR和LSTM三個模型同時預測1-7天的壓力狀況，數據顯示，時間越長，LSTM的預測精度就越高。4天的數據預測效果比僅使用1天的數據要好得多。達到了83.6%的準確率。

研究不僅發現了LSTM模型在實時壓力預測上的能力，而且還有力地證明，僅僅使用從可穿戴傳感器和智能手機中直接感受到的被動數據，就可以完成高精度的預測任務。因此，人們既不需要特意參與調查，也不用擔心關鍵數據的暴露。對于繁忙的“社畜”和社恐的“肥宅”來說，無疑很大程度上降低了他們參與心理健康介入的門檻。

利用AI干掉焦慮，有何特別之處？

有趣的是，AI曾是販賣技術焦慮的源泉，如今卻變成了治療焦慮的手段。那么在預防疾病這件事情上，到底能起到哪些作用呢？可以大概總結為三點：

1. 數據化的指導工具

出于訓練的需要，神經網絡模型往往需要對體征或疾病的相關特征進行數據量化，比如將壓力值轉化為玩手機的時長、社交網絡時間、飲食習慣等等，這些特征的數據化可以有效地幫助人類更好地理解焦慮等心理問題的背后原因，為輔助治療或改善行動提供明確的指導。

2. 提高預測精度

在多模態數據的基礎上，深度神經網絡的加入，能夠將一些潛在條件和行為引入預測之中，發現不同要素之間的關聯，從而提升準確率。此前北卡羅萊納大學教堂山分校的一個研究小組就發現，行為調查問卷對早期自閉癥的診斷準確率只有50％，而隨著在深度學習算法中引入大腦表面積、腦容量和性別(男孩比女孩更容易患自閉癥)，識別率能夠提升到80%。

3. 推動診療與腦科學、可穿戴、NLP等技術的進步

對于一些亞健康疾病來說，取得臨床數據并不是一件非常容易且必需的事情，而深度神經網絡的引入，則有助于借助一些腦科學及被動數據來取得很好的預測效果，并且已經有不少產品被研發出來。

為了幫助探測情緒變化，麻省理工學院計算機科學與人工智能實驗室(CSAIL)和醫學工程與科學研究所(IMES)的研究人員還曾經制造出一種可穿戴式AI系統，可以根據人講話方式和生命體征來判斷說話者情緒是好是壞。在說話過程中系統會自動對音頻、視頻文本進行轉錄分析，并為情緒打出分數，準確率可以達到83%。

斯坦福大學的心理學家和人工智能專家則在一年的測試和收集臨床數據后，創建了一個個性化的聊天機器人，進行交流和心情管理。

顯而易見，讓AI心理模型變得可靠易用這一過程，直接或間接地加速了許多關聯技術的創新進程。

AI并非靈藥，焦慮需要一張綜合處方簽

當然也不難看出，如今AI在焦慮等亞健康心理問題上的應用，只是停留在數據收集、預測建議的淺干預階段，并不是一味百試百靈的“藥丸”。

這里或許可以發現一些AI在深入醫療領域過程中的重點難點：

首先，是過于龐大的數據成本。

要讓AI模型真正在診療階段發揮實際價值，實現節省醫生資源的目的，精準的語義分析依賴于龐大的知識庫體系。正如MIT的研究人員為了分辨哪些特征之于焦慮情緒有實際意義，采集了數百種特征、進行了1000多次迭代。而想要讓神經網絡挑戰更高難度、更具專業型的醫療技能，必然會遭遇龐大的數據、處理架構和性能需求，這并不是一件容易實現的事。

另外，許多疾病本身數據邊界模糊、自動化決策不足，直接影響到AI智能診療的穩定性和準確率。

西醫推崇多輪臨床實驗的“循證醫學”，中醫講究“望聞問切”之道，說明人類在認知疾病上還存在比較大的局限性，需要將各種數據特征進行拼接組合、反復驗證，結合醫生個體經驗進行判斷。

知識和數據邊界不夠清晰、總是在做問答題而不是選擇題，這樣的任務對AI系統來說還是比較大的挑戰，達到治療級別更是遙遙無期。

智能診療 “領頭羊”IBM Watso前不久宣布削減了自家的AI新藥研發計劃，多年來大多醫療保健計劃也是“雷聲大雨點小”，發展緩慢的關鍵原因之一，或許也在于此。

從這個角度看，這道名叫“AI”的處方似乎和安慰劑的效果類似，只能錦上添花，無法雪中送炭。想要真正在人生列車上快樂地前行，改變制造焦慮的生活方式，最需要的“藥丸”，其實還是與一個摯愛你且充滿生命活力的伙伴，建立長久而深刻的聯系。

從對方的尊重和無條件接納中汲取能量，如此才能真正打破現實世界中那些無窮無盡的物質欲望，和無邊無際的佛系頹喪所帶來的循環。

很多人可能會說，我要是有這樣的小伙伴，怎么可能還會焦慮/抑郁/不開心呢？有道理。仔細想了想，這個任務“AI”未來好像也可以勝任嘛！讓我們一起努力鍛煉身體，爭取活到AI擁有“情感”的那一天吧！

作者：腦極體，微信公眾號：腦極體

本文由 @腦極體 原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash, 基于CC0協議