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。