傳統的抑郁癥診斷方式，是基于醫生的臨床經驗，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，根據患者的反應來確定病情。近年來，機器學習開始被用作診斷的輔助手段：利用開發出的機器學習模型，檢測可以標識出抑郁的語音，單詞和語調。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，因此在使用時有其局限性。

近日，來自MIT的研究人員詳細介紹了一種神經網絡模型，該模型可以直接通過對采訪中的原始文本和音頻數據進行處理，從而判斷其抑郁傾向。其優點在于：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行診斷，通過這種模型來發現人們在短信或者語音聊天中是否有抑郁的跡象，并發出適當的提醒和警告。其針對的對象和應用前景主要在初步診斷和防治領域：尤其對于那些因為距離、成本或缺乏疾病防控意識而無法前往臨床醫生進行初步診斷的人尤其有用。

研究人員認為：在對話中體現出的快樂，興奮，悲傷，或者一些諸如抑郁癥的嚴重的認知問題，都是通過談話而獲取第一手資料的。如果想要應用抑郁檢測模型，在數據采集時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。

研究人員同時指出，研發的難點在于：每位患者都會以不同的方式和風格進行表達，如果模型發現一些異常的變化就會向醫生發出進一步的警告。 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

模型的關鍵創新在于能夠檢測與抑郁癥相關的模式，并將這些模式映射到新的個體，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，因為它不需要對尋找特定反應模所對應的問題做出限制。

傳統的模型會提供一組特定的問題，然后分別標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，然后根據回答問題時的反應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行的方式。

為了解決傳統方法的弊端，研究人員使用了一種稱為序列模型的技術進行語音處理。通過這種技術，他們一個接一個地從抑郁和非抑郁個體的問題和答案中提供文本和音頻數據的模型序列。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的音頻信號匹配。患有抑郁癥的個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，模型便可以根據訓練的結果預測其是否有抑郁傾向。這種技術還有助于模型將整個對話視為一個整體，并分析有抑郁癥和無抑郁癥的人之間隨著時間推移所產生的差異。

檢測抑郁癥

研究人員利用抑郁分析面試語料庫中的142次交流作為數據集來進行了訓練和測試，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。這些數據使用個人健康問卷進行評定，每個受試者按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。在這一數據集中，有28個（20％）被標記為抑郁。

在實驗中，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，該模型準確率為71％，召回率為83％，平均綜合得分為77％。在大多數測試中，該模型的各項指標幾乎都超過了同類其他模型。

研究人員指出該研究的一個關鍵方面是，在實驗過程中，該模型需要更多的數據來預測音頻中的抑郁。通過文本，模型可以使用平均七個問答序列準確地檢測抑郁癥。而通過音頻，該卻模型需要大約30個序列。 這意味著人們使用文本語言時表現出抑郁的傾向，比在使用音頻時所需的時間更短，麻省理工學院的研究人員可以利用該點為切入點，進一步完善他們的模型。

這項工作具有非常鼓舞人心的研究意義。現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現模式的規律。該模型不僅僅局限于抑郁癥的診斷識別領域，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~~