11 月 2 號,Alphabet 實驗性的研發實驗室 X 詳細介紹了 Amber 項目,它旨在使腦電波像血糖一樣容易解釋,以開發針對抑鬱和焦慮的客觀測量方法,並用於診斷和治療。
據美國國立衛生研究院(U.S.National Institutes of Health)的數據,美國大約有 1730 萬成年人至少有過一次嚴重的抑鬱發作。此外,從 2016 年到 2017 年,有嚴重自殺傾向的美國成年人比例增加了 0.15%,比上一年增加了 46 萬人。然而,抑鬱症有 1000 種可能的症狀組合,在不同的人群中表現不同,診斷也比較困難。目前抑鬱症的診斷主要依賴臨床醫生與患者的交談或抑鬱量表的測量,如 PHQ-9(抑鬱症自我評估量表)或 GAD-7(廣泛性焦慮量表)。
Amber 小組嘗試把機器學習與腦電圖技術相結合,以測量腦電活動。他們發現可以通過類似遊戲的活動觀察大腦獎勵系統的處理:與那些不沮喪的人相比,沮喪的人在比賽獲勝後大腦的獎勵機制是被抑制的。
X 實驗室並非第一個將機器學習算法應用於腦電圖的閱讀。在 2019 年 4 月發表的一篇論文中,IBM 的研究人員聲稱已經開發了一種算法可以對癲癇分類,準確率高達 98.4%。事實上,腦電圖已被廣泛用於研究吞咽、情緒分類,以及心理狀態分類、精神障礙診斷,如神經源性疼痛和癲癇。
Amber 團隊花了三年時間製造了一個低成本、可攜式、研究級的系統,使收集腦電數據變得更簡單。他們研發的頭戴式設備可以像泳帽一樣滑動,只需約三分鐘時間便可完成配置。該設備使用在 FZ、Cz 和 Pz(關鍵通道或電極)中線上的三個傳感器來監測大腦獎勵和認知功能。並且它有一個隨附的生物電放大器,可支持多達 32 個通道,通過將任務定時鎖定到腦電波測量的軟體、來收集靜息狀態的腦電波以及與事件相關電位波。
除頭戴式設備外,Amber 團隊還探索了如何利用機器學習的新方法來減少腦電波中多餘的噪聲。他們與 Alphabet 的深度學習研究實驗室 DeepMind 合作,改編了無監督表示學習中的方法,證明可以利用自編碼器的方法,對腦電波信號進行降噪,而無需人工幹預 —— 自編碼器通過忽略噪聲來學習數據集的表示形式。
此外團隊證明了一個理念,即可以根據心理健康專家的訪談提取與心理健康相關的特徵,這些特徵可以用於預測臨床表徵,例如重度抑鬱症和廣泛性焦慮症。與以前的研究不同,Amber 團隊聲稱他們能夠針對單個參與者而不是一個群體進行此操作。
「這些方法能夠從單個腦電試驗中恢復可用的信號表徵,」X 實驗室的負責人 Obi Felten 在一篇博客中解釋道,「這意味著有可能從腦電生理學中獲得有用的臨床信息,而所需的數據樣本要比傳統研究實驗室中少得多。一般來說,研究實驗室需要數百次實驗。」
Amber 團隊最終未能找到抑鬱和焦慮的單一生物標誌物。然而,儘管仍有缺陷,他們還是在 GitHub 上發布了他們開源開發的硬體設計、可視化工具和刺激工具。
從 11 月 2 日早上起,該頭戴式設備以及軟體會隨佛羅裡達州立大學的一項研究結果一起提供。此外,團隊承諾不會在 Amber 的硬體上主張專利,並向 Sapien Labs 捐贈 50 臺未使用的腦電波頭戴式設備,後者正在運行 「人類大腦多樣性計劃」,以支持低收入國家和弱勢群體的腦電波研究。
「我們希望腦電系統的開源以及機器學習技術的發布不僅對腦電研究專家有價值,而且在更廣泛的心理健康研究界發揮作用,他們之前可能因使用腦電圖的複雜性和成本而推遲其項目。」Felten 寫道,「當下,在以技術為基礎的心理健康測量工作的道路上存在著許多陷阱,還需要做更多的研究…… 要應對當今的挑戰,科學家、臨床醫生、技術人員、政策制定者和有經驗的個人之間將需要新的夥伴關係。」