憂鬱症越來越變成一個常見詞，很多普通人心情不好時就稱自己得了憂鬱症。不過即便對醫生來說，診斷也不是件容易的事。而南加州大學研究人員開發出的機器學習工具，或許能讓診斷變得更容易也客觀。
這個工具名為 SimSensei，它會在訪談中記錄患者的聲音，檢測出母音表達是否減少，因為這是心理及神經紊亂中的常見特徵，但對人類來說很難察覺。這種方法雖然不能取代人類診斷，但也提供了一個客觀標準。
憂鬱症誤診是一個很大的問題，2009 年一個綜述研究發現，5 萬名患者中僅一半被正確做出診斷，誤報與漏報比更是達到 3：1。原因有二：一是誤診比沒有診斷更安全，二是確定無疑地排除任何診斷的可能性都需要更多專業知識。
對憂鬱症來說，它又是一種異質性疾病，病因多樣，表現形式也不同。再加上醫生一週可能要見數百名狀況不一、描述也不一的患者，那誤診可以說是情有可原了，這也是為什麼 SimSensei 這樣的工具能發揮更大作用。
之前的調查發現，憂鬱症症患者的情感更平淡消極，語音變化會減少，音量和單調更單調，說話也會減少，而且吐字不清，停頓變長。另外，憂鬱症症患者的聲道和聲帶更緊張。機器學習很適合解決這類問題，能從噪音資料中進行預測，而且語音分析也是這一領域的重要話題。
原理很簡單，將患者的語音處理成隻剩母音，然後分析母音 a、i、u 的第一和第二共振峰（譜峰）。最後就是使用 k-means 演算法進行處理，這一演算法也挺老了，出現於 1967 年，原理是圍繞一定的平均值將資料集分為不同的類。
聚類的結果是一個三角圖，各角分別代表母音的譜峰。三角內的區域代表了母音空間，將它與一個用作對比的標準母音空間進行對比，所得的比例就能用於抑鬱診斷。
SimSensei 的效果也得到了證明，而且結果表明，在語音資料有限的情況下效果也不錯，這表明它具備了一定的實用性。
（本文由 雷鋒網 授權轉載）