身为现代都市人的人，如果没有一点焦虑感，真的会和人说话。什么，你每天都很悲观，精力旺盛。

家里有矿吗？活在佛教里和不上进有区别吗？必要的情绪显然有助于人们努力工作和塑造自己，但长期沉浸在情绪中可能会导致身体炎症，减缓细胞凋亡的过程，甚至更严重的是给抑郁症等健康问题带来悲剧。那么，是不是一个可以检测情感价值的“温度计”，可以帮助人们在紧张的时候保持压力，在身体健康的关键时刻，警告他们放下身心呢？在5月的IEEE生物医学和健康信息学国际会议(BHI)上，麻省理工学院的科学家使用LSTM(长期记忆神经网络模型)来准确预测人们的压力水平。算法知道可以帮助人类生活的“适当放松”吗？LSTM:没有压力的压力预测我们(包括专业顾问)会经常建议或陪伴他们改变以前的生活方式，比如减少户外运动和帮助睡眠。

然而，压力的频繁发生往往是一个简单而动态的过程。当需要改变自己的不道德时，必须准确预测压力值以获得反对。在过去，这项工作不是和心理学家沟通，做各种复杂的试题就能完成的。

看起来流程难，成本高，真的在解决问题之前就制造了新的压力，总是拒绝很多人。我们能否以不引人注目和保护隐私的方式收集相关数据？麻省理工学院的媒体实验室领导NEC和三星电子，以可穿戴传感器为媒介，利用机器学习能力帮助构建更合理的压力测试。

首先，研究人员调查了美国142名大学生的数据，拒绝他们报告他们活动的时间和持续时间。比如睡觉，课外活动，运动等等。有些人不会被问及是否在睡觉前参加了一些活动，摄入了咖啡因，是否有强烈或负面的社会不道德行为等。

经过8天的倒计时报告，研究人员总共获得了1231系列数据。除了上述主观数据，研究者还在过程中引入了一系列客观特征。

例如，拒绝参与者佩戴AF-phtiva Q传感器，该传感器可以24小时连续测量与情绪和压力相关的生理活动特征，如交感神经活动、身体活动、睡眠模式、昼夜节律、压力反应等。此外，智能手机也起着不可忽视的作用。当然，它们不是脆弱的数据。一方面，研究人员可以通过手机控制两个关键信息：屏幕光线(可以预测睡眠质量)和社交程度(与情绪弹性有关)、SNS交流时间、类型和时长、屏幕关闭和重新打开的时间。

此外，手机的应用还可以记录参与者一天中的GPS信息，以及是否用于WiFi网络或蜂窝数据，这有助于研究人员了解参与者的总行程和在校园中花费的时间。一些研究指出，人们的运动模式与他们的心理健康密切相关。

基于这些数据，科学家们创建了一个标准化的动态机器学习模型来预测压力。长时短时记忆网络(LSTM)具有多年自学的不道德能力，能够很好地应对序列自学中的梯度消失。基于深度自学框架keras和Python构建了整个算法。

当然，LSTM的价值并不体现在困惑上。为了与它进行比较，研究人员还使用了反向量机SVM和逻辑回归LR，这些在以前的情绪预测研究中已经被普遍证明具有良好的效果。然而，由于不可能使用时间序列数据，它们仍然会丢失给具有时间信息的LSTM预测模型。

经过几天的循环测试，研究结果表明，只需要用收集到的338个客观特征就可以很好地预测第二天的压力水平。经过不懈努力，研究人员使用SVM、LR和LSTM模型同时预测了1-7天的压力情况。数据表明，时间越长，LSTM预测精度越高。4天数据的预测效果要比只有1天数据的预测效果好得多。

准确率超过83.6%。该研究不仅发现了LSTM模型在动态应力预测中的能力，而且有力地证明了它意味着必须从可穿戴传感器和智能手机中感受到的被动数据才能完成高精度的预测任务。因此，人们不必专门参与调查，也不必担心关键数据的暴露。对于拥挤的“群居动物”和有社会恐惧的“肥宅”，毫无疑问，他们参与心理健康干预的门槛已经降低到相当程度。

用AI杀情绪有什么特别的？有趣的是，AI曾经是卖技术的来源，现在却成了化疗的手段。那么在疾病的防治中，什么能起到作用呢？大致可以概括为三点：一、数据简化的指导工具。为了训练的需要，神经网络模型往往要分析身体体征或疾病的特征，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。

这些特征的数据可以有效地帮助人类更好地解释情绪等心理问题背后的原因，并获得辅助化疗或改善行动的具体指导。第二，提高预测精度。在多模态数据的基础上，通过深度神经网络的重新加入，有必要在预测中引入一些潜在的条件和不道德性，找到不同元素之间的关系，从而提高预测的准确性。

早些时候，北卡罗来纳大学教堂山分校的一个研究小组发现，不道德问卷对早期自闭症的临床准确率只有50%，但随着脑表面积、脑容量和性别(男孩比女孩更容易患自闭症)的引入，识别率需要提高到80%。第三，推进医学脑科学、可穿戴、NLP等技术改革。对于一些亚健康疾病，获取临床资料并不是很容易，也不是很必要。

深度神经网络的引入有助于利用一些脑科学和被动数据获得良好的预测结果，很多产品已经开发出来。为了帮助观察情绪变化，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)的研究人员多次研制出一种可穿戴式AI系统，可以根据说话的方式和生命体征来区分说话者的情绪是好还是害怕。在说话过程中，系统不会自动分析音视频文本的mRNA，也不会对情绪进行评分，准确率可以超过83%。斯坦福大学的心理学家和人工智能专家经过一年的测试和收集临床数据，创造了一款用于交流和情绪管理的个性化聊天机器人。

显然，让AI心智模型显得可信、易懂的过程，加速了很多相关技术的创作过程。AI不是万能的：情绪必须是一个全面的药方。不难看出，AI在情绪等亚健康心理问题上的应用，仅仅停留在数据采集和预测暗示的浅层干预阶段，并不是一味地去试云雀的“药丸”。在这里，我们可能会发现AI对医学领域的理解存在一些关键难点：第一，数据成本过高。

准确的语义分析依赖于可观的知识库系统，以使人工智能模型在医学阶段充分发挥其实用价值，达到节约医生资源的目的。就像麻省理工学院的研究人员收集了数百个特征，进行了1000多次递归，以识别哪些特征对情绪有实际意义。

但是，如果神经网络挑战的是难度更大、专业性更强的医疗技能，就不会遇到可观的数据、处理架构和性能要求，这不是一件容易构建的事情。此外，许多疾病的数据边界模糊，自动决策严重不足，直接影响AI智能医疗的稳定性和准确性。西医尊重多轮临床试验的“循证医学”，中医讲究“见、听、问、切”的方式，说明人类对疾病的认识并没有很大的局限性。

有必要拼凑各种数据特征，重复测试，并整合医生的个人经验来识别它们。科学知识和数据的界限太清晰，问答总是做而不是选择题。

这个任务对AI系统来说还是一个很大的挑战，远远超过化疗水平。智能医疗的“领头羊”IBM Watso最近宣布缩减自己的AI新药研发计划。多年来，大多数医疗保健计划也是发展缓慢的关键原因之一，也许这也是原因之一。

从这个角度来看，这个名为“AI”的药方，效果可能和安慰剂差不多，不能锦上添花。最需要的“药丸”就是和一个爱你的，充满活力的伴侣建立持久的，印象深刻的联系。从对方的认可和无条件采纳中吸取能量，从而真正超越现实世界中无尽的物欲和无尽的佛性压抑所带来的循环。

很多人可能会说，如果我有这样一个小伙伴，我怎么可能不情绪化/抑郁/不开心呢？有道理。仔细一想，这个任务“AI”以后也能胜任！希望大家一起锻炼，努力过好AI享受“情感”的日子。

本文来源：开云官网入口网页-www.jingshiworld.com