台灣清大團隊運用機器學習,從發文動態偵測躁鬱症徵兆

ShutterStock
「朋友最近發文怪怪的,好像有點狀況?」清大資工團隊以機器學習判讀網路發文動態,可從中偵測躁鬱症風險,未來可能用於協助症狀評估,幫助患者及早尋求專業協助。

國立清華大學資訊工程系陳宜欣教授團隊開發一套方法,能從社群網路平台發文動態中,偵測發文者精神狀況,可望用於協助受躁鬱症困擾的人。部分研究成果近日發表於arXiv線上論文預印本資料庫。

躁鬱症有較高自殘風險,及早就醫能改善症狀

躁鬱症又稱為雙極性情感疾患(bipolar disorder),發作時會導致情緒失調,患者會經歷一段情緒亢奮的躁期,變得精力旺盛、睡眠減少,說話滔滔不絕,但接著可能會陷入極端低潮的憂鬱期。躁鬱的成因目前不明,先天基因、後天環境或許都有影響。

躁鬱症有可能導致患者行為極端,自殺、自殘風險較高,但不易早期診斷。如果親友能在患者剛開始出現輕躁、躁症或憂鬱症狀時,及早協助就醫,一般都可有效控制、改善症狀,也能預防極端行為的發生。

運用機器學習,察覺躁鬱發作初期徵兆

清大資工黃彥皓、陳宜欣團隊開發的方法,可從發文動態偵測躁鬱發作的初期徵兆。據該論文引述,躁鬱症有較高的自傷及自殺率,但七成躁鬱症患者都曾先被誤診為其他精神狀況。如果有方法能自動偵測早期徵狀、評估可能有潛在躁鬱的狀況,應該會對患者、親友及照顧者有很大幫助。

研究人員搜集了上萬則推特(Twitter)上的動態發文,這些推特文是2006年到2016年之間,由超過400位曾在推特文中自陳有躁鬱症診斷的患者所發佈。接著隨機抽樣其他人的發文作為控制組,將患者的推特文與控制組的發文互相比較,試圖從發文行為模式中找出一些規律。

團隊分析不同時間發文的情形,並對照發文時間與正常睡眠規律的關係。另外,利用發文頻率估計使用者的「健談」程度。團隊也研究了每則發文內容的用詞,分析其中的情緒成分。比較特別的是,該研究還加入一項新方法,針對發文用字的「音韻特徵」進行語音能量評分計算。研究團隊假設情緒亢奮或憤怒的人會使用「能量強度」較高的字詞。

研究人員接著使用滑動視窗法(sliding-window appraoch),分析每個人推文牆的內容隨時間變化的情形,特別是接近確診時間點的狀況。

最後,研究人員訓練機器學習演算法,綜合各項數據特徵來區分有初期徵兆與無初期徵兆的人。結果顯示,偵測準確度可達91%以上。

該團隊提出的模型,可望協助躁鬱症患者的定期追蹤評估,及早察覺躁鬱發作的徵兆,以給予患者需要的幫助和治療,減低患者做出極端行為的機會,避免發生不可挽回的憾事。

資料來源:arXiv:1712.09183MIT Technology Review維基百科:躁鬱症

延伸閱讀
追蹤我們