没有压力的“压力测试”：来看看LSTM神经网络是如何预测焦虑

　　随着社会的快速进步和发展，人们身上的负担越来越重，各种负担化身成焦虑，让人压力山大。而通过本文提到的LSTM神经网络，就能预测焦虑，并通过AI解决一部分焦虑情绪。
　　身为现代都市人，如果没有一点“焦虑感”，简直都不好意思跟人打招呼。
　　什么，你竟然每天都乐观积极正能量，是不是家里有矿？佛系生活，跟不思进取有区别吗？
　　适当焦虑，确实有助于人们努力奋斗、实现自我，但长时间地沉浸在焦虑之中，却有可能导致身体的炎性，加快衰老进程，更严重的，带来抑郁症和其他健康问题就悲剧了。
　　那么，有没有一个可以检测焦虑值的“温度计”，能让人在该紧张的时候适度保持压力，在健康临界点及时提醒放松身心呢？在5月的IEEE生物医学和健康信息学国际会议（BHI）上，MIT的科学家利用LSTM（长期记忆神经网络模型）来准确预测人的压力水平。算法真的能帮助人类生活的“张弛有度”吗？
　　LSTM：没有压力的压力预测
　　面对情绪不佳的亲友，我们（包括专业的心理咨询师）往往都会建议或陪伴他们改变一下以往的生活方式，比如增加户外运动、辅助睡眠等等。但压力的出现往往是一个复杂而动态的过程，究竟什么时候需要去改变自己的行为，就需要准确地预测压力值来提供支持了。
　　以往这个工作只能通过与心理医生交流，做繁多而繁琐的测试题等来完成，显然，麻烦的流程和较高的费用，简直是在解决问题之前又创造了新的压力，总会劝退不少人。能不能以一种不引人注意的、保护个人隐私的方式来收集相关数据呢？
　　麻省理工学院的媒体实验室就联合NEC公司和三星电子，以可穿戴传感器为媒介，借助机器学习的能力来帮助实现更合理的压力测试。
　　首先，研究人员调查了美国142名大学生的数据，要求他们自行报告自己各项活动的时间，以及持续的周期。比如睡眠、课外活动、运动等等。有的还会被问到睡前是否参与了一些活动，摄入咖啡因、有积极或消极的社交行为等，在连续报告了8天之后，研究人员总共获得了1231个序列的数据。
　　除了上述主观数据之外，研究人员还在过程中引入了一系列客观特征。
　　比如要求参与者佩戴一种AFphtivaQ传感器，可以每天24小时不间断地测量与情绪和压力有关的生理活动特征，比如交感神经活动、体力活动、睡眠模式、昼夜节律、应激反应等等。
　　另外，智能手机也起到了不容忽视的作用，当然，不是那种敏感的数据。一方面，通过手机上的电话、SNS通讯时间、类型和持续长度，以及屏幕打开关闭的时间，研究人员就可以掌握到两个关键信息：屏幕光线（可预测睡眠质量），以及社会交流程度（与情绪复原能力有关）。
　　另外，手机应用还能记录参与者一天当中的GPS信息，以及他们是在使用WiFi网络还是蜂窝数据，这有助于研究人员了解参与者的总行程以及在校园内的时间量。而有研究表明：人的移动模式与心理健康状况密切相关。
　　在这些数据的基础上，科学家们建立了一个通用的实时机器学习模型，来对压力进行预测。
　　由于长期短期记忆网络（LSTM）具有学习长期行为的能力，可以很好地应对序列学习上的梯度消失等问题，基于深度学习框架keras和Python，实现了整个算法。
　　当然，LSTM的价值也不是糊里糊涂就体现出来的。为了与其进行比较，研究人员还使用了支持向量机SVM和逻辑回归LR等方法，它们在以前的情绪预测研究中都被广泛证明拥有良好的效果。但由于不能直接利用时间序列数据，它们还是败给了带有时间信息的LSTM预测模型。
　　经过多天的循环验证，研究结果证明，只需要使用338个采集到的客观特征，就能够很好地预测出第二天的压力水平。
　　再接再厉，研究人员又使用SVM、LR和LSTM三个模型同时预测17天的压力状况，数据显示，时间越长，LSTM的预测精度就越高。4天的数据预测效果比仅使用1天的数据要好得多。达到了83。6的准确率。
　　研究不仅发现了LSTM模型在实时压力预测上的能力，而且还有力地证明，仅仅使用从可穿戴传感器和智能手机中直接感受到的被动数据，就可以完成高精度的预测任务。因此，人们既不需要特意参与调查，也不用担心关键数据的暴露。对于繁忙的“社畜”和社恐的“肥宅”来说，无疑很大程度上降低了他们参与心理健康介入的门槛。
　　利用AI干掉焦虑，有何特别之处？
　　有趣的是，AI曾是贩卖技术焦虑的源泉，如今却变成了治疗焦虑的手段。那么在预防疾病这件事情上，到底能起到哪些作用呢？可以大概总结为三点：
　　1。数据化的指导工具
　　出于训练的需要，神经网络模型往往需要对体征或疾病的相关特征进行数据量化，比如将压力值转化为玩手机的时长、社交网络时间、饮食习惯等等，这些特征的数据化可以有效地帮助人类更好地理解焦虑等心理问题的背后原因，为辅助治疗或改善行动提供明确的指导。
　　2。提高预测精度
　　在多模态数据的基础上，深度神经网络的加入，能够将一些潜在条件和行为引入预测之中，发现不同要素之间的关联，从而提升准确率。此前北卡罗莱纳大学教堂山分校的一个研究小组就发现，行为调查问卷对早期自闭症的诊断准确率只有50，而随着在深度学习算法中引入大脑表面积、脑容量和性别（男孩比女孩更容易患自闭症），识别率能够提升到80。
　　3。推动诊疗与脑科学、可穿戴、NLP等技术的进步
　　对于一些亚健康疾病来说，取得临床数据并不是一件非常容易且必需的事情，而深度神经网络的引入，则有助于借助一些脑科学及被动数据来取得很好的预测效果，并且已经有不少产品被研发出来。
　　为了帮助探测情绪变化，麻省理工学院计算机科学与人工智能实验室（CSAIL）和医学工程与科学研究所（IMES）的研究人员还曾经制造出一种可穿戴式AI系统，可以根据人讲话方式和生命体征来判断说话者情绪是好是坏。在说话过程中系统会自动对音频、视频文本进行转录分析，并为情绪打出分数，准确率可以达到83。
　　斯坦福大学的心理学家和人工智能专家则在一年的测试和收集临床数据后，创建了一个个性化的聊天机器人，进行交流和心情管理。
　　显而易见，让AI心理模型变得可靠易用这一过程，直接或间接地加速了许多关联技术的创新进程。
　　AI并非灵药，焦虑需要一张综合处方签
　　当然也不难看出，如今AI在焦虑等亚健康心理问题上的应用，只是停留在数据收集、预测建议的浅干预阶段，并不是一味百试百灵的“药丸”。
　　这里或许可以发现一些AI在深入医疗领域过程中的重点难点：
　　首先，是过于庞大的数据成本。
　　要让AI模型真正在诊疗阶段发挥实际价值，实现节省医生资源的目的，精准的语义分析依赖于庞大的知识库体系。正如MIT的研究人员为了分辨哪些特征之于焦虑情绪有实际意义，采集了数百种特征、进行了1000多次迭代。而想要让神经网络挑战更高难度、更具专业型的医疗技能，必然会遭遇庞大的数据、处理架构和性能需求，这并不是一件容易实现的事。
　　另外，许多疾病本身数据边界模糊、自动化决策不足，直接影响到AI智能诊疗的稳定性和准确率。
　　西医推崇多轮临床实验的“循证医学”，中医讲究“望闻问切”之道，说明人类在认知疾病上还存在比较大的局限性，需要将各种数据特征进行拼接组合、反复验证，结合医生个体经验进行判断。
　　知识和数据边界不够清晰、总是在做问答题而不是选择题，这样的任务对AI系统来说还是比较大的挑战，达到治疗级别更是遥遥无期。
　　智能诊疗“领头羊”IBMWatso前不久宣布削减了自家的AI新药研发计划，多年来大多医疗保健计划也是“雷声大雨点小”，发展缓慢的关键原因之一，或许也在于此。
　　从这个角度看，这道名叫“AI”的处方似乎和安慰剂的效果类似，只能锦上添花，无法雪中送炭。想要真正在人生列车上快乐地前行，改变制造焦虑的生活方式，最需要的“药丸”，其实还是与一个挚爱你且充满生命活力的伙伴，建立长久而深刻的联系。
　　从对方的尊重和无条件接纳中汲取能量，如此才能真正打破现实世界中那些无穷无尽的物质欲望，和无边无际的佛系颓丧所带来的循环。
　　很多人可能会说，我要是有这样的小伙伴，怎么可能还会焦虑抑郁不开心呢？有道理。仔细想了想，这个任务“AI”未来好像也可以胜任嘛！让我们一起努力锻炼身体，争取活到AI拥有“情感”的那一天吧！