沒有壓力的“壓力測試”：來看看LSTM神經網絡是如何預測焦慮的_風聞
脑极体-脑极体官方账号-从技术协同到产业革命，从智能密钥到已知尽头2019-05-29 21:12
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。
什麼，你竟然每天都樂觀積極正能量，是不是家裏有礦？佛系生活，跟不思進取有區別嗎？
適當焦慮，確實有助於人們努力奮鬥、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，帶來抑鬱症和其他健康問題就悲劇了。
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（包括專業的心理諮詢師）往往都會建議或陪伴他們改變一下以往的生活方式，比如增加户外運動、輔助睡眠等等。
但壓力的出現往往是一個複雜而動態的過程，究竟什麼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，藉助機器學習的能力來幫助實現更合理的壓力測試。
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徵。
比如要求參與者佩戴一種AF-phtiva Q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徵，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，這有助於研究人員瞭解參與者的總行程，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。
由於長期短期記憶網絡（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，基於深度學習框架keras和Python，實現了整個算法。
當然，LSTM的價值也不是糊里糊塗就體現出來的。為了與其進行比較，研究人員還使用了支持向量機SVM和邏輯迴歸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。但由於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個採集到的客觀特徵，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。
利用AI幹掉焦慮，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。那麼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。出於訓練的需要，神經網絡模型往往需要對體徵或疾病的相關特徵進行數據量化，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，這些特徵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後原因，為輔助治療或改善行動提供明確的指導。
3.推動診療與腦科學、可穿戴、NLP等技術的進步。對於一些亞健康疾病來説，取得臨牀數據並不是一件非常容易且必需的事情，而深度神經網絡的引入，則有助於藉助一些腦科學及被動數據來取得很好的預測效果，並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徵來判斷説話者情緒是好是壞。在説話過程中系統會自動對音頻、視頻文本進行轉錄分析，併為情緒打出分數，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牀數據後，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並非靈藥：焦慮需要一張綜合處方籤
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，並不是一味百試百靈的“藥丸”。
這裏或許可以發現一些AI在深入醫療領域過程中的重點難點：
首先，是過於龐大的數據成本。
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於龐大的知識庫體系。正如MIT的研究人員為了分辨哪些特徵之於焦慮情緒有實際意義，採集了數百種特徵、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，這並不是一件容易實現的事。
西醫推崇多輪臨牀實驗的“循證醫學”，中醫講究“望聞問切”之道，説明人類在認知疾病上還存在比較大的侷限性，需要將各種數據特徵進行拼接組合、反覆驗證，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系統來説還是比較大的挑戰，達到治療級別更是遙遙無期。
智能診療 “領頭羊”IBM Watso前不久宣佈削減了自家的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，或許也在於此。
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，改變製造焦慮的生活方式，最需要的“藥丸”，其實還是與一個摯愛你且充滿生命活力的夥伴，建立長久而深刻的聯繫。
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慾望和無邊無際的佛系頹喪所帶來的循環。
