韓國笑星樸智善和母親被發現在家中去世，這或許又是抑郁癥造成的另一個悲劇。

[[350282]]

患有抑郁癥的人很難對生活中的事情感到快樂，病發時甚至走一步路對他們來說都承受著常人無法了解的痛苦。這種危害嚴重的心理障礙，已經成為了全球第四大疾病。全球預計有 3.5 億人受到抑郁癥的折磨，選擇輕生的年輕人中，60% 以上有抑郁經歷。

好萊塢女星安妮·海瑟薇曾在電影《Modern Love》中飾演一個被抑郁癥困擾的都市女性，她情緒正常時是隨時散發魅力的女神，發病時卻如同換了一個人。即使是化好妝準備出去約會時，突然襲來的抑郁情緒也會將她擊垮，甚至會突然對失去活下去的意志。 

近年來，研究人員也在不斷努力，希望用技術拯救更多處于深淵之中的人，AI 也成為了一種輔助診療的有效工具。不少 AI 設備中都加入了“情緒識別”功能，但大部分都是通過識別面部活動和語言來判斷人的情緒，這種方式的弊端就在于面部活動是可以造假的。

現在 Alphabet 計劃開始用 AI 分析人的腦電波來判斷情緒變化，希望可以用于支持診斷和治療抑郁癥。這個項目由 Alphabet 的實驗性研發實驗室 X 發起，代號為 Amber。

大腦“獎勵系統”反應更弱，輕生的年輕人中 60% 以上有抑郁經歷

據美國國立衛生研究院統計，美國大約有 1730 萬成年人患有至少一次抑郁癥。2016 年至 2018 年，美國有嚴重輕生念頭的成年人比例增加了 0.15%，同比增長了 46 萬人。

當抑郁癥患者走到陽光下，越來越多的人都想為人生處于“至暗時刻”的他們做點什么。但每個有抑郁情緒的人表現都不盡相同，他們甚至不知道自己正在經歷病痛。社會的不理解，自我認知的缺乏和對心理疾病的不正視，讓抑郁癥的診斷和治療難上加難。

抑郁癥沒有明顯的癥狀，患有抑郁癥的人很難從外表分辨出來，其在不同人身上的表現也不相同。目前對抑郁癥的評估還主要依賴于與臨床醫生的對話，或像 PHQ-9 和 GAD-7 這樣的主觀測試。對可能患有抑郁癥的人來說，單憑表情和語言來進行情緒判斷很容易出現失誤，而且這種方式很難判斷抑郁情緒的嚴重程度。

Amber 項目試圖將機器學習技術與腦電波圖像技術結合起來，以測量大腦中的電活動。研究人員觀察到，在類似游戲的任務中可以測量大腦獎勵系統的處理過程，在比賽中獲勝后抑郁的人與非抑郁的人相比，大腦的反應更弱。

收集腦電數據，分析抑郁情緒

Amber 團隊花了三年時間開發出了一種低成本、便攜式的系統，它的外觀類似泳帽，需要 3 分鐘左右的時間進行配置，使用位于 Fz、 Cz 和 Pz(用于評估獎勵和認知功能的關鍵通道或電極)中線上的三個傳感器。 

它具有一個可支持多達32個通道的隨行生物放大器，可用于靜息狀態腦電和事件相關電位的采集，軟件可以時間鎖定任務進行腦電測量。

除了這個收集腦電數據的設備，Amber 團隊還探索了如何利用機器學習的新方法來減少腦電圖記錄中不必要的噪音。他們與 Alphabet 的深度學習研究實驗室 DeepMind 合作，采用了非監督表征學習的方法，演示了像自動編碼器這樣的方法可以在沒有人參與的情況下去除腦電信號。(自動編碼器通過忽略噪聲來學習數據集的表示。)

此外，Amber 團隊還提供了一個概念驗證，即提取與心理健康相關的特征，可以用來根據一位心理健康專家的采訪預測臨床標簽，如重性抑郁障礙和廣泛性焦慮癥。與之前的研究不同，Amber 團隊稱，他們能夠為個體參與者而不是團體參與者做這個實驗。

X 實驗室的負責人 Obi Felten 在其博客中解釋說：“這些方法能夠從單個 EEG 試驗中恢復可用的信號表示形式。這意味著可能有可能從大腦電生理學中獲得臨床有用的信息，而所用的數據樣本要比研究實驗室中傳統使用的數據少得多，后者通常依賴于數百項實驗性試驗。”

X 實驗室并不是第一個將機器學習算法應用于腦電圖解讀的，在去年 4 月發表的一篇論文中，IBM 的研究人員就聲稱他們已經開發出了一種可以對癲癇發作分類的算法，準確率高達 98.4%。

事實上，腦電圖已經被廣泛應用于研究吞咽、分類精神狀態、診斷神經及精神疾病，比如神經源性疼痛和癲癇，以及分類情緒。 

Amber 項目遇挫，AI 診斷心理健康需多方協作

Amber 團隊最終未能成功找到抑郁癥和焦慮癥的單一生物標志物。但是，盡管遇到了挫折，他們還是在 GitHub 上開源了他們的硬件設計、可視化工具和激勵工具。截至今日上午，收集腦電波的設備和軟件已為佛羅里達州立大學的一項研究提供了幫助。

此外，Amber 團隊承諾不會對該項目中開發的硬件申請專利，并將 50 個未使用過的頭戴設備捐贈給了 Sapien Labs，這個實驗室運營著一個“人腦多樣性項目”，支持低收入國家和未被充分代表的群體開展腦電圖研究。

Obi Felten 還在他的博客中寫道：“我們希望開源我們的腦電圖系統和發表我們的機器學習技術，這不僅對腦電圖專家有價值，而且對更廣泛的心理健康研究團體也有價值，他們此前可能因為之前研究腦電圖的復雜性和成本而退縮。”

在現實世界中使用技術支持的心理健康測量工作的道路上還有很多困難，需要做更多研究。要應對當今的挑戰，需要科學家、臨床醫生、技術專家、政策制定者和有生活經驗的個人之間建立新的伙伴關系。