任 萍，汪 悅，劉冬予，李 添，駱 方

1.北京師范大學(xué) 中國基礎(chǔ)教育質(zhì)量監(jiān)測協(xié)同創(chuàng)新中心，北京 100875；2.北京師范大學(xué) 心理學(xué)部，北京 100875

心理健康是健康的重要組成部分，同時也是個體全面發(fā)展的基礎(chǔ)，提高民眾的心理健康水平已成為當前黨和政府高度關(guān)注的重點工作之一。科學(xué)、高效的心理健康評估和干預(yù)是有效開展心理服務(wù)的前提。然而，傳統(tǒng)的心理健康評估和干預(yù)在大規(guī)模應(yīng)用時在真實性、有效性和便捷性等方面都受到了極大的挑戰(zhàn)。近年來，隨著人工智能和大數(shù)據(jù)技術(shù)的飛速發(fā)展，研究者們能夠更容易地獲取到更加豐富的多模態(tài)數(shù)據(jù)(如語音數(shù)據(jù)、文本數(shù)據(jù)、生理數(shù)據(jù)等)，也開始嘗試并采用人工智能領(lǐng)域的機器學(xué)習(xí)、深度學(xué)習(xí)等方法來表征和建模這些高維的、非結(jié)構(gòu)化的、自然產(chǎn)生的數(shù)據(jù)與其心理狀態(tài)之間的關(guān)系，實現(xiàn)對心理健康狀況的智能化評估，以及對心理健康干預(yù)手段的升級換代。本文將針對心理健康的初篩、診斷和干預(yù)過程，分別論述當前智能化應(yīng)用的研究現(xiàn)狀及存在的問題。

一、心理健康初篩的智能化應(yīng)用

心理健康評估的初篩工作主要是在學(xué)校和企事業(yè)單位中開展，由心理學(xué)專業(yè)人員對在校學(xué)生或者在職員工的心理健康狀態(tài)進行初級評估和篩查。傳統(tǒng)的心理健康篩查主要采用評定量表，量表的施測和數(shù)據(jù)收集較為便捷，但需要被試具有一定的閱讀理解能力和對自身情況的綜合判斷能力，對量表題目以及自身的理解偏差會對作答結(jié)果的有效性產(chǎn)生較大影響。此外，由于社會稱許效應(yīng)，被試對量表題目也可能作虛假回答。基于無侵擾采集的個體日常行為數(shù)據(jù)，可以應(yīng)用不同類型的人工智能和大數(shù)據(jù)技術(shù)來建模心理健康水平，從而突破了原有方法的局限，極大提升了心理健康篩查的便捷性和真實性。但由于這方面的研究多采用數(shù)據(jù)驅(qū)動的方法取向，往往缺乏對心理健康問題的深入理解和分析，側(cè)重于對非結(jié)構(gòu)化的、自然產(chǎn)生的大數(shù)據(jù)進行計算機建模，僅能對群體進行粗略劃分。因此，目前尚無法對個體的心理問題進行精確的分型和分級評估。

(一)基于自然語言處理技術(shù)的智能化應(yīng)用

自然語言處理(NLP)是計算機科學(xué)領(lǐng)域和人工智能領(lǐng)域中的一個分支，其目標是使計算機能夠像人類一樣理解語言。在應(yīng)用技術(shù)層面，它是虛擬助手、語音識別、情感分析、自動文本摘要、機器翻譯等的驅(qū)動力。日常生活中，人們已經(jīng)習(xí)慣于在社交媒體上發(fā)布內(nèi)容、與他人互動等，每天都能生成海量的自然語言文本數(shù)據(jù)。理論上，每個人所使用的語言反映了個體獨特的心理狀態(tài)或特質(zhì)傾向(1)G.Liang，M.X.Zhou and H.Yang，“KnowMe and ShareMe:Understanding Automatically Discovered Personality Traits from Social Media and User Sharing Preferences”，Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，2014，April，pp.955-964;Y.R.Tausczik and J.W.Pennebaker，“The Psychological Meaning of Words:LIWC and Computerized Text Analysis Methods”，Journal of Language and Social Psychology，2010，29(1)，pp.24-54.。社交媒體上的文本尤其具有主題內(nèi)容開放和時間跨度較長的特性，承載了個體的思想和情緒情感，從而有很大可能揭示其心理健康狀況。因而，一些研究者基于社交媒體的數(shù)據(jù)，使用自然語言處理來建模個體的心理健康狀況。

基于Facebook、Twitter、疾病論壇等平臺，國外研究者主要收集用戶在特定時間段內(nèi)發(fā)布的內(nèi)容以及網(wǎng)絡(luò)行為表現(xiàn)，采用機器學(xué)習(xí)和自然語言處理技術(shù)進行建模來預(yù)測個體的心理健康問題(2)J.C.Eichstaedt，R.J.Smith，R.M.Merchant,et al，“Facebook Language Predicts Depression in Medical Records”， Proceedings of the National Academy of Sciences，2018，p.115.。例如，Ophir等人通過構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的單任務(wù)(STM)和多任務(wù)(MTM)模型，從Facebook用戶的日常語言(樣本包括了1002名Facebook用戶在一年內(nèi)產(chǎn)生的83392條文本)中獲得了預(yù)測自殺風(fēng)險的關(guān)鍵模式。其結(jié)果表明，對自殺風(fēng)險的預(yù)測依靠的并不是文本中明確的自殺主題短語(如“死亡”、“自殺”)，而是一系列相關(guān)的文本特征：包括臟話、表達內(nèi)心痛苦和身體不適的詞句(3)Y.Ophir，R.Tikochinski，C.Asterhan，I.Sisso and R.Reichart，“Deep Neural Networks Detect Suicide Risk from Textual Facebook Posts”，Scientific Reports，2020，10(1)，16685.。

依托微博、知乎、在線學(xué)習(xí)平臺等數(shù)據(jù)，國內(nèi)學(xué)者也積極開展了諸如檢測用戶抑郁以及自殺傾向的研究(4)X.Tian，P.Batterham，S.Song，X.Yao and G.Yu，“Characterizing Depression Issues on Sina Weibo”，International Journal of Environmental Research and Public Health，2018，15(4)，p.764.。Liu等人從新浪微博的文本中篩選出家庭暴力的受害者，使用在線識別系統(tǒng)(OER)對其心理健康狀態(tài)進行識別，結(jié)果表明家庭暴力對受害者接下來4周內(nèi)的心理健康狀況有顯著影響，表現(xiàn)為抑郁程度增加、自殺風(fēng)險增加和生活滿意度降低(5)M.Liu，J.Xue,N.Zhao，X.Wang，D.Jiao and T.Zhu，“Using Social Media to Explore the Consequences of Domestic Violence on Mental Health”， Journal of Interpersonal Violence，2021，36(3-4)，NP1965-1985NP.。

(二)基于音頻分析和視頻分析技術(shù)的智能化應(yīng)用

音頻和視頻分析技術(shù)是人工智能研究的兩個重要分支，音頻分析是以數(shù)字音頻信號為分析對象，以數(shù)字信號處理為分析手段，提取信號在時域、頻域內(nèi)一系列特性的過程；視頻分析是在圖像及圖像描述之間建立映射關(guān)系，從而使計算機能夠通過數(shù)字圖像處理和分析來理解視頻畫面中的內(nèi)容。前人研究表明，音頻特征與心理障礙之間具有一定的相關(guān)性(6)J.C.Mundt，A.P.Vogel，D.E.Feltner and W.R.Lenderking，“Vocal Acoustic Biomarkers of Depression Severity and Treatment Response”，Biological Psychiatry，2012，72(7)，pp.580-587.，例如抑郁癥患者說話緩慢、單調(diào)、不連貫，與正常人群的說話模式存在明顯差異，因此從音頻中提取特征來預(yù)測心理健康問題也是值得嘗試的途徑之一。通過收集臨床情景下單相抑郁患者、雙相情感障礙患者以及健康的被試的語音數(shù)據(jù)，結(jié)合實驗室情境下的語音數(shù)據(jù)庫進行的數(shù)據(jù)適配和模型構(gòu)建準確率已達到73.33%(7)K.Y.Huang，C.H.Wu，M.H.Su and Y.T.Kuo，“Detecting Unipolar and Bipolar Depressive Disorders from Elicited Speech Responses Using Latent Affective Structure Model”，IEEE Transactions on Affective Computing，2020，p.1;J.R.Williamson，D.Young，A.A.Nierenberg，J.Niemi，B.S.Helfer and T.F.Quatieri，“Tracking Depression Severity from Audio and Video Based on Speech Articulatory Coordination”，Computer Speech and Language，2019，55，pp.40-56.。使用生成對抗網(wǎng)絡(luò)的技術(shù)對抑郁癥患者的臨床訪談數(shù)據(jù)進行增強學(xué)習(xí)，也可以提升對抑郁癥識別的準確性，所構(gòu)建的模型性能與其他模型相比具有最佳的性能(8)L.Yang，D.Jiang and H.Sahli，“Feature Augmenting Networks for Improving Depression Severity Estimation from Speech Signals”， IEEE Access，2020，8，pp.24033-24045.。

記錄了個體的面部表情和身體動作的視頻也有豐富的信息可以挖掘，通過面部動作編碼系統(tǒng)來識別面部肌肉的震顫和變化，捕捉個體的微表情，同樣也可以構(gòu)建識別心理健康問題的恰當模型。已有研究基于動態(tài)面部表情數(shù)據(jù)識別抑郁癥患者(9)Y.Zhu，Y.Shang，Z.Shao and G.Guo，“Automated Depression Diagnosis Based on Deep Networks to Encode Facial Appearance and Dynamics”，IEEE Transactions on Affective Computing，2017，9(4)，pp.578-584.。此外，從視頻中提取步態(tài)信息可用于識別個體的心理狀態(tài)，對個體情緒的預(yù)測精度達到80%以上，對焦慮和抑郁的預(yù)測結(jié)果與效標的相關(guān)分別達到0.74和0.64(10)N.Zhao，Z.Zhang，Y.Wang，J.Wang，B.Li，T.Zhu and Y.Xiang，“See Your Mental State from Your Walk:Recognizing Anxiety and Depression through Kinect-recorded Gait Data”，PLoS one，2019，14(5)，e0216591.。結(jié)合面部數(shù)據(jù)和語音數(shù)據(jù)還被證明可以用來識別創(chuàng)傷后應(yīng)激障礙患者，準確率達90%(11)K.Schultebraucks，V.Yadav，A.Y.Shalev，G.A.Bonanno and I.R.Galatzer-Levy，“Deep Learning-based Classification of Posttraumatic Stress Disorder and Depression Following Trauma Utilizing Visual and Auditory Markers of Arousal and Mood”，Psychological Medicine，2020,52(5)，pp.1-11.。

(三)基于多模態(tài)數(shù)據(jù)建模技術(shù)的智能化應(yīng)用

近年來，大量的智能電子設(shè)備已經(jīng)融入民眾的日常生活，記錄了個體海量的日常行為數(shù)據(jù)，包括應(yīng)用軟件的使用、溝通(打電話、發(fā)短信等)、聽音樂、位置移動(基于GPS)、連接(藍牙、WIFI等)、鍵盤、相機、屏幕使用等多模態(tài)數(shù)據(jù)。盡管當前的多模態(tài)數(shù)據(jù)建模方法還比較單一，但仍能提供比單一數(shù)據(jù)來源更為豐富的心理健康評估結(jié)果。

通過提取大學(xué)生智能手機數(shù)據(jù)中的空間移動特征，Ai等人搭建了人格特質(zhì)不同維度與日?？臻g行為的關(guān)系模式(外向性與到訪地數(shù)量、總旅行距離等指標呈正相關(guān)；宜人性與運動范圍呈正相關(guān)；盡責性與到訪地的數(shù)量呈負相關(guān))(12)P.Ai，Y.Liu and X.Zhao，“Big Five Personality Traits Predict Daily Spatial Behavior:Evidence from Smartphone Data”，Personality and Individual Differences，2019，147，pp.285-291.?；诒辉囍悄苁謾C中兩周的運動數(shù)據(jù)和社交數(shù)據(jù)，Jacobson等人采用機器學(xué)習(xí)算法構(gòu)建模型來預(yù)測被試的社交焦慮，其預(yù)測值與觀察值之間的相關(guān)達到了0.70(13)N.C.Jacobson，B.Summers and S.Wilhelm，“Digital Biomarkers of Social Anxiety Severity:Digital Phenotyping Using Passive Smartphone Sensors”，Journal of Medical Internet Research，2020，22(5)，e16875.。

智能手環(huán)能夠采集心率、血氧和心電等生命特征信號，具備運動記步、睡眠質(zhì)量監(jiān)測、心率監(jiān)測等功能。智能手表作為智能手環(huán)的升級版，數(shù)據(jù)處理能力更強大，通過內(nèi)置通信模塊還能夠同步與之配對的手機中的電話、短信、音樂等信息。利用智能手表采集被試在不同情緒狀態(tài)下的運動數(shù)據(jù)，提取特征并構(gòu)建模型，進而對個體情緒狀態(tài)(14)J.C.Quiroz，E.Geangu and M.H.Yong，“Emotion Recognition Using Smart Watch Sensor Data:Mixed-design Study”，JMIR Mental Health，2018，5(3)，e10153.、壓力(15)P.Siirtola，“Continuous Stress Detection Using the Sensors of Commercial Smartwatch”，Adjunct Proceedings of the 2019 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2019 ACM International Symposium on Wearable Computers，2019，pp.1198-1201.進行自動識別?；诖?，就可以方便地對諸如抑郁(16)N.Mahendran，D.R.Vincent，K.Srinivasan，C.Y.Chang，A.Garg，L.Gao and D.G.Reina，“Sensor-assisted Weighted Average Ensemble Model for Detecting Major Depressive Disorder”，Sensors，2019，19(22)，p.4822.及注意力缺陷多動癥(17)L.C.Lin，C.S.Ouyang，C.T.Chiang，R.C.Wu and R.C.Yang，“Quantitative Analysis of Movements in Children with Attention-deficit Hyperactivity Disorder Using a Smart Watch at School”，Applied Sciences，2020，10(12)，p.4116.等特定心理健康問題進行監(jiān)測。Jin等人使用智能手環(huán)收集高中生被試4周內(nèi)的生理指標，包括血容量脈搏、心率(HR)、心率變異性(HRV)和皮膚電活動(EDA)等數(shù)據(jù)，構(gòu)建分類模型預(yù)測被試的壓力水平，模型整體平均AUC值為0.86，表明收集到的生理指標對壓力起到了一定的預(yù)測能力(18)C.W.Jin，A.Osotsi and Z.Oravecz，“Predicting Stress in Teens from Wearable Device Data Using Machine Learning Methods”，MedRxiv，December 2,2020.。Bai等人通過醫(yī)院門診招募了334名臨床診斷為重度抑郁障礙的患者，借助智能手環(huán)和智能手機收集了他們12周的睡眠、步數(shù)、心率、通話記錄和App使用情況等數(shù)據(jù)，運用機器學(xué)習(xí)建模來預(yù)測患者的情緒狀況和穩(wěn)定性，結(jié)果表明對情緒穩(wěn)定性的分類結(jié)果的平均準確率最高可達76.67%(19)R.Bai，L.Xiao，Y.Guo，X.Zhu，N.Li，Y.Wang，Q.Chen，L.Feng，Y.Wang，X.Yu，H.Xie and G.Wang，“Tracking and Monitoring Mood Stability of Patients with Major Depressive Disorder by Machine Learning Models Using Passive Digital Data:Prospective Naturalistic Multicenter Study”，JMIR Mental Health，2021，9(3)，e24365.。

二、心理健康診斷的智能化應(yīng)用

與精度要求不高的心理健康初篩工作不同，心理健康診斷工作對結(jié)果準確性的要求更高，往往還需要對心理疾病進行分型和分級評估。根據(jù)我國的精神衛(wèi)生法，只有在醫(yī)院內(nèi)任職的精神科醫(yī)生具備診斷權(quán)和處方權(quán)，其主要工作內(nèi)容是針對精神障礙進行診斷及治療(包括藥物治療與心理治療)。醫(yī)療機構(gòu)的精神科醫(yī)生和心理治療師通常采用精神障礙評估工具來評估特定的精神障礙，如半定式診斷檢查工具學(xué)齡兒童(6-18歲)情感障礙和精神分裂癥問卷—終生版(K-SADS-PL)，用于評定兒童和青少年當前和既往精神病理性發(fā)作；定式訪談工具簡明兒童少年國際神經(jīng)精神訪談問卷(MINI-5)，以及雷氏青少年抑郁量表第二版(Reynolds Adolescent Depression Scale—Second Edition，RADS-2)、兒童抑郁問卷(Children Depression Inventory-2，CDI-2)等，同時還會結(jié)合面對面問診以及生理檢查結(jié)果提供綜合性的評估和診斷。雖然這種診斷具有較高的精細化和準確性，但是通常所花費的時間相對漫長。采用精心設(shè)計的游戲式心理健康測驗，或者在實驗室內(nèi)進行心理健康相關(guān)的腦科學(xué)和生物標志物等方法收集數(shù)據(jù)，借助人工智能技術(shù)進行數(shù)據(jù)分析和建模，則有助于為診斷提供多方面的輔助和參考，提高診斷的效率和效果。

(一)游戲式的心理健康測驗開發(fā)

近兩年一些用于積極心理預(yù)測和心理健康風(fēng)險篩查的游戲式測驗已被陸續(xù)開發(fā)出來。由于測驗的游戲形式提供了仿真性、沉浸式的交互場景，很大程度上降低了測驗焦慮，個體的行為表現(xiàn)真實自然。與純粹的電子游戲相比，游戲式測驗往往有嚴格的測驗設(shè)計流程，能夠降低測驗誤差，有著較為可靠的信效度。例如de-Juan-Ripoll 等人采用虛擬現(xiàn)實技術(shù)設(shè)計的風(fēng)險環(huán)境決策評估工具(assessment on decision making in risk environments，AEMIN)，可以通過測量個體在交互式虛擬環(huán)境中的行為反應(yīng)和生理反應(yīng)，來預(yù)測與風(fēng)險決策相關(guān)的人格特質(zhì)水平(對于神經(jīng)質(zhì)、外向性和開放性等人格維度，預(yù)測準確率已達到70.8%-75.4%)(20)C.de-Juan-Ripoll，J.Llanes-Jurado，I.A.C.Giglioli，J.Marín-Morales and M.Alcaiz，“An Immersive Virtual Reality Game for Predicting Risk Taking through the Use of Implicit Measures”，Applied Sciences，2021，11(2)，p.825.?；谏缃唤箲]的相關(guān)理論，Dechant等人通過設(shè)置相關(guān)游戲任務(wù)和場景嘗試測量個體的社交焦慮水平。該團隊首先提取了個體在游戲環(huán)境中與虛擬人物交互的各種行為指標，來反映其在人際互動中存在的認知偏差，從而預(yù)測個體現(xiàn)實中的社交焦慮；其次，該研究的實驗數(shù)據(jù)還表明，玩家視角的類型(第一人稱視角與第三人稱視角)和玩家在游戲中的角色(定制角色與預(yù)設(shè)角色)這兩個重要的游戲要素會改變個體在游戲中的社交焦慮的表現(xiàn)，說明了游戲要素的設(shè)置對測量結(jié)果有效性產(chǎn)生的一定影響(21)M.Dechant，J.Frommel and R.Mandryk，“Assessing Social Anxiety through Digital Biomarkers Embedded in a Gaming Task”，Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems，2021，pp.1-15.。考慮到自閉癥青少年與正常發(fā)育的同齡人在視覺和觸覺感覺處理上存在的差異，Koirala等人設(shè)計了一個繪畫游戲，運用眼動儀和觸覺設(shè)備測量個體在游戲中的注視情況和操控繪畫球的位置，來評估其視覺處理過程和觸覺處理過程，可以在統(tǒng)計學(xué)意義上發(fā)現(xiàn)不同類型參與者具有的感覺差異(22)A.Koirala，Z.Yu，H.Schiltz，A.Van Hecke，B.Armstrong and Z.Zheng，“A Preliminary Exploration of Virtual Reality-based Visual and Touch Sensory Processing Assessment for Adolescents with Autism Spectrum Disorder”，IEEE Transactions on Neural Systems and Rehabilitation Engineering，2021，29，pp.619-628.。Lev等人采用連續(xù)操作測驗(CPT)任務(wù)，并采集眼動數(shù)據(jù)，劃分實驗材料的興趣區(qū)(AOI)提取相關(guān)指標，機器學(xué)習(xí)預(yù)測模型最終能正確分類75.76%的ADHD患者和81.82%的健康被試(23)A.Lev，Y.Braw，T.Elbaum，M.Wagner and Y.Rassovsky，“Eye Tracking during a Continuous Performance Test:Utility for Assessing ADHD Patients”，Journal of Attention Disorders，2020,26(2),pp.245-255.。

(二)實驗室內(nèi)生物及神經(jīng)標志物識別研究

生物及神經(jīng)標志物是具有特異性和敏感性的生化指標，如神經(jīng)影像、心率變異性和皮膚電導(dǎo)等，對其進行客觀測定和評價，可以輔助對個體的心理健康水平和心理障礙狀況進行評估和診斷。近年來，隨著心理障礙的神經(jīng)生物學(xué)機制研究的累積，尋找心理障礙的神經(jīng)影像的生物標志物被認為是改善心理健康的重要途徑(24)L.Jollans and R.Whelan，“Neuromarkers for Mental Disorders:Harnessing Population Neuroscience”，F(xiàn)rontiers in Psychiatry，2018，9，pp.242.，人工智能領(lǐng)域的機器學(xué)習(xí)方法有助于分析高維神經(jīng)影像數(shù)據(jù)，從復(fù)雜的腦數(shù)據(jù)中識別提取神經(jīng)標志物，為許多精神疾病的神經(jīng)病理學(xué)提供了重要啟示，包括成癮(25)M.Luijten，A.F.Schellekens，S.Kühn，M.W.Machielse and G.Sescousse，“Disruption of Reward Processing in Addiction:An Image-based Meta-analysis of Functional Magnetic Resonance Imaging Studies”，JAMA Psychiatry，2017，74(4)，pp.387-398.、精神分裂癥(26)N.A.Crossley，A.Mechelli，C.Ginestet，M.Rubinov，E.T.Bullmore and P.McGuire，“Altered Hub Functioning and Compensatory Activations in the Connectome:A Meta-analysis of Functional Neuroimaging Studies in Schizophrenia”，Schizophrenia Bulletin，2015，42(2)，pp.127-128.、社交焦慮(27)A.B.Bruehl，A.Delsignore，K.Komossa and S.Weidt，“Neuroimaging in Social Anxiety Disorder—A Meta-analytic Review Resulting in a New Neurofunctional Model”，Neuroscience and Biobehavioral Reviews，2014，47，pp.260-280.、注意力缺陷多動障礙(28)M.M.Plichta and A.Scheres，“Ventral-striatal Responsiveness during Reward Anticipation in ADHD and Its Relation to Trait Impulsivity in the Healthy Population:A Meta-analytic Review of the fMRI Literature”，Neuroscience and Biobehavioral Reviews，2014，38，pp.125-134.等。其中，腦神經(jīng)信息獲取技術(shù)中功能性磁共振成像(fMRI)和功能性近紅外光譜技術(shù)(fNIRs)在心理健康評估領(lǐng)域的應(yīng)用最為廣泛?；诖笠?guī)模樣本的fMRI數(shù)據(jù)，Drysdale等人通過聚類分析成功識別出抑郁癥患者的四種神經(jīng)生理學(xué)亞型，該模型具有較高的敏感性和特異性(82%-93%)(29)A.T.Drysdale，L.Grosenick，J.Downar，K.Dunlop，F(xiàn).Mansouri，Y.Meng and C.Liston，“Resting-state Connectivity Biomarkers Define Neurophysiological Subtypes of Depression”，Nature Medicine，2017，23(1)，pp.28-38.?；?035名被試的fMRI數(shù)據(jù)實現(xiàn)對自閉癥患者的識別，模型準確度也達到了82%(30)T.Eslami，V.Mirjalili，A.Fong，A.R.Laird and F.Saeed，“ASD-DiagNet:A Hybrid Learning Approach for Detection of Autism Spectrum Disorder using fMRI Data”，F(xiàn)rontiers in Neuroinformatics，2019，13，p.70.。Al-Shargie等人測量前額葉皮層上EEG和fNIRS進行融合分析，共同評估個體的心理壓力狀態(tài)，預(yù)測準確度高于單獨使用EEG或fNIRS的結(jié)果(31)F.Al-Shargie，M.Kiguchi，N.Badruddin，S.C.Dass，A.F.M.Hani and T.B.Tang，“Mental Stress Assessment Using Simultaneous Measurement of EEG and fNIRS”，Biomedical Optics Express，2016，7(10)，pp.3882-3898.。結(jié)合腦電數(shù)據(jù)與眼動數(shù)據(jù)也被證明可以用來識別焦慮癥患者(32)X.W.Zhang，J.Pan，J.Shen，Z.U.Din，J.L.Li,D.W.Lu and B.Hu，“Fusing of Electroencephalogram and Eye Movement with Group Sparse Canonical Correlation Analysis for Anxiety Detection”，IEEE Transactions on Affective Computing，2020，99，p.1.。

心率變異性(heart rate variability，HRV)衡量竇性心律的波動變化程度，受到交感神經(jīng)和副交感神經(jīng)系統(tǒng)的雙重調(diào)節(jié)，可有效地反映個體在不同壓力下的心血管變化(33)J.F.Thayer，“Heart Rate Variability”，M.D.Gellman and J.R.Turner(eds),Encyclopedia of Behavioral Medicine，New York，NY:Springer，2013.，也被認為是檢測個體壓力和焦慮的重要生物學(xué)標志(34)M.Adheena，N.Sindhu and S.Jerritta，“Physiological Detection of Anxiety”，Proceedings of the 2018 International Conference on Circuits and Systems in Digital Enterprise Technology (ICCSDET)，Pathamuttom，India，2018，pp.21-22;W.Wen，G.Liu，Z.H.Mao，W.Huang，X.Zhang，H.Hu and W.Jia，“Toward Constructing a Real-time Social Anxiety Evaluation System:Exploring Effective Heart Rate Features”，IEEE Transactions on Affective Computing，2018，11(1)，pp.100-110.。結(jié)合Stroop任務(wù)和心率變異性測量，Huang等人發(fā)現(xiàn)高頻信號(HF)和R-R間期的標準差(SDNN)等關(guān)鍵HRV指標有助于區(qū)分軀體癥狀障礙患者和健康成人(35)W.L Huang，S.C.Liao and S.S.Gau，“Association between Stroop Tasks and Heart Rate Variability Features in Patients with Somatic Symptom Disorder”，Journal of Psychiatric Research，2021，136，pp.246-255.。

皮膚電導(dǎo)是監(jiān)測壓力的生物標志物(36)W.Boucsein，Electrodermal Activity，New York:Plenum Press，2012.，皮膚電導(dǎo)(SC)和皮膚溫度(ST)在檢測心理健康狀況和壓力方面具有較高的準確性，對心理健康問題和抑郁癥的預(yù)測準確率分別達到了87%和78.3%(37)A.Sano，S.Taylor，A.W.McHill，A.J.Phillips，L.K.Barger，E.Klerman and R.Picard，“Identifying Objective Physiological Markers and Modifiable Behaviors for Self-reported Stress and Mental Health Status Using Wearable Sensors and Mobile Phones:Observational Study”，Journal of Medical Internet Research，2018，20(6)，e9410.。皮膚電反應(yīng)(galvanic skin response，GSR)監(jiān)測壓力水平的模型預(yù)測準確率為85.3%(38)J.Kim，J.Park and J.Park，“Development of a Statistical Model to Classify Driving Stress Levels Using Galvanic Skin Responses”，Human Factors and Ergonomics in Manufacturing and Service Industries，2020，30(5)，pp.321-328.。此外，Smith等人還探討了個體的呼吸頻率和變異性與焦慮和壓力水平的關(guān)系(39)E.N.Smith，E.Santoro，N.Moraveji，M.Susi and A.J.Crum，“Integrating Wearables in Stress Management Interventions:Promising Evidence from a Randomized Trial”，International Journal of Stress Management，2020，27(2)，p.172.。

三、心理治療和干預(yù)的智能化應(yīng)用

除了心理健康的篩查和診斷，治療和干預(yù)也是心理健康服務(wù)的重要組成部分。目前針對精神疾病患者的干預(yù)手段主要包括藥物治療和臨床心理治療。然而，這些治療方式對于一些患者無法產(chǎn)生足夠的治療效果或會引起讓患者難以忍受的副作用(40)R.Klatte，B.Strauss，C.Flückiger and J.Rosendahl，“Adverse Effects of Psychotherapy:Protocol for a Systematic Review and Meta-analysis”,Systematic Reviews,2018,7(1),pp.1-7;T.S.Iversen，N.E.Steen，I.Dieset，S.Hope，R.M?rch，E.S.Gardsjord，K.N.J?rgensen，I.Melle，O.A.Andreassen，E.Molden and E.G.J?nsson，“Side Effect Burden of Antipsychotic Drugs in Real Life-impact of Gender and Polypharmacy”,Progress in Neuro-Psychopharmacology and Biological Psychiatry,2018,82,pp.263-271.。因此，心理治療和干預(yù)智能化進程也開始針對這些問題進行改進。

(一)基于可穿戴設(shè)備的干預(yù)手段

早期的智能化應(yīng)用主要功能是預(yù)測心理健康問題，而隨著預(yù)測精度的逐步提高、以及移動設(shè)備和可穿戴設(shè)備的逐漸普及，研究者開始嘗試將模型轉(zhuǎn)化為完整的診斷和干預(yù)系統(tǒng)，嵌入移動端以及可穿戴設(shè)備中，與個體的日常生活深度融合，實現(xiàn)即時的個性化干預(yù)。例如，Torrado等人應(yīng)用智能手表，通過實時監(jiān)測用戶心率實現(xiàn)動態(tài)干預(yù)，針對自閉癥譜系障礙患者制定自適應(yīng)的、個性化的情感調(diào)節(jié)策略，發(fā)現(xiàn)長期高頻的干預(yù)有助于防止問題行為的演化(41)J.C.Torrado，G.Javier and M.Germán，“Emotional Self-regulation of Individuals with Autism Spectrum Disorders:Smartwatches for Monitoring and Interaction”，Sensors, 2017，17(6),p.1359.。此外，Millings等人將可穿戴設(shè)備用于干預(yù)學(xué)生的壓力水平，根據(jù)傳感器和生物反饋訓(xùn)練的詳細報告，發(fā)現(xiàn)干預(yù)后學(xué)生的壓力降低，抑郁癥狀減少(42)A.Millings，J.Morris，A.Rowe，S.Easton，J.K.Martin，D.Majoe and C.Mohr，“Can the Effectiveness of An Online Stress Management Program Be Augmented by Wearable Sensor Technology?”，Internet Interventions，2015，2(3),pp.330-339.。因此，通過多維度的心率、體溫、皮膚生物電等實時動態(tài)數(shù)據(jù)驅(qū)動，應(yīng)用人工智能技術(shù)對數(shù)據(jù)智能分析和動態(tài)觀測，有利于實現(xiàn)對心理健康的實時監(jiān)測-診斷-預(yù)警-干預(yù)的自動化和一體化。

(二)基于自然語言處理的心理治療效果監(jiān)測

人工智能的介入也能讓傳統(tǒng)的心理治療變得更加有效。由于心理治療過程的復(fù)雜程度高，在臨床上一直缺乏有效的治療質(zhì)量監(jiān)測手段(43)H.A.Pincus and M.J.England,“Improving the Quality of Psychosocial Interventions for Mental and Substance Use Disorders:A Report from the IOM”,JAMA,2015,314(12),pp.1227-1228.。而人工智能自然語言處理技術(shù)(NLP)改變了這一現(xiàn)狀。由于心理治療是重點基于語言交流的治療手段(44)S.P.Lord，E.Sheng，Z.E.Imel，J.Baer and D.C.Atkins，“More Than Reflections:Empathy in Motivational Interviewing Includes Language Style Synchrony between Therapist and Client”,Behavior Therapy,2015,46(3),pp.296-303.，這給了自然語言處理技術(shù)的應(yīng)用提供了很大的空間。例如，NLP被用來分析來訪者在治療中情感詞的使用狀況，以此對單次治療中來訪者的情緒過程和治療效果進行評估(45)A.Buchheim and E.Mergenthaler,“The Relationship among Attachment Representation，Emotion-abstraction Patterns，and Narrative Style:A Computer-based Text Analysis of the Adult Attachment Interview”,Psychotherapy Research,2000,10(4),pp.390-407;E.Mergenthaler,“Resonating Minds:A School-independent Theoretical Conception and Its Empirical Application to Psychotherapeutic Processes”,Psychotherapy Research,2008,18(2),pp.109-126.。另一項研究也進一步證實了利用NLP和機器學(xué)習(xí)來預(yù)測與語言內(nèi)容相對較遠的關(guān)鍵心理治療過程變量的潛力，包括現(xiàn)代心理治療成功的基礎(chǔ)——治療聯(lián)盟(therapeutic alliance)的形成(46)S.B.Goldberg，N.Flemotomos，V.R.Martinez，M.J.Tanana，P.B.Kuo，B.T.Pace，J.L.Villatte，P.G.Georgiou，J.Van Epps，Z.E.Imel and S.S.Narayanan,“Machine Learning and Natural Language Processing in Psychotherapy Research:Alliance as Example Use Case”,Journal of Counseling Psychology,2020,67(4),p.438.。在這項研究中利用到的人工智能系統(tǒng)Lyssn在分析治療效果的同時，也使用一種算法來分析治療師和來訪者之間的對話，以揭示他們在改善治療過程中花了多少時間在建設(shè)性治療上，而不是普通的閑聊上，并據(jù)此分析是否需要將來訪者轉(zhuǎn)介給其他治療師。另一個研究團隊也在研究治療期間的對話。不過他們只關(guān)注來訪者而不是治療師。該團隊識別了來訪者發(fā)出的“主動改變的談話(change-talk active)”，以及“探索改變的談話(change-talk exploraton)”的語言內(nèi)容，以體現(xiàn)來訪者在治療過程中反思和做出改變的方式。研究小組注意到，在治療過程中沒有聽到這樣的陳述將是治療不起作用的警告信號。使用文本分析技術(shù)還可以研究優(yōu)秀的治療師所使用的語言特點，分析這些治療師是如何引導(dǎo)他們的來訪者的，從而有利于培訓(xùn)其他治療師(47)M.P.Ewbank，R.Cummins，V.Tablan，A.Catarino，S.Buchholz and A.D.Blackwell,“Understanding the Relationship between Patient Language and Outcomes in Internet-enabled Cognitive Behavioural Therapy:A Deep Learning Approach to Automatic Coding of Session Transcripts”,Psychotherapy Research,2021,31(3),pp.300-312.。

(三)人工智能與神經(jīng)調(diào)控

在治療檢測之外，認知神經(jīng)科學(xué)研究領(lǐng)域的智能化發(fā)展也為心理干預(yù)提供了可行的路徑。其中，多體素模式分析(multivoxel pattern analysis，MVPA)被認為是一項很有前途的技術(shù)，它將機器學(xué)習(xí)引入心理學(xué)，目前被用來研究包含在分布式神經(jīng)活動模式中的信息，以推斷大腦區(qū)域和網(wǎng)絡(luò)的功能作用(48)A.Mahmoudi，S.Takerkart，F(xiàn).Regragui，D.Boussaoud and A.Brovelli,“Multivoxel Pattern Analysis for fMRI Data:A Review”,Computational and Mathematical Methods in Medicine,2012,e961257.。而在應(yīng)用方面，基于MVPA，可以針對識別出的大腦活動模式進行解碼神經(jīng)反饋(DecNef)(49)A.Cortese，S.C.Tanaka，K.Amano，A.Koizumi，H.Lau，Y.Sasaki and K.Shibata，V.Taschereau-Dumouchel，T.Watanabe and M.Kawato,“The DecNef Collection，fMRI Data from Closed-loop Decoded Neurofeedback Experiments”,Scientific Data,2021,8(1),pp.1-9.，從而引領(lǐng)精神疾病的臨床干預(yù)。

基于大腦活動模式解碼來確定難治性精神癥狀的神經(jīng)生物學(xué)定位基質(zhì)，針對性地進行神經(jīng)調(diào)控的技術(shù)在心理健康干預(yù)中也有了一定發(fā)展。神經(jīng)調(diào)控的目的是通過改變大腦某些區(qū)域的工作方式來幫助改善精神疾病的癥狀，分為侵入式和非侵入式調(diào)控技術(shù)(50)Y.Temel，S.A.Hescham，A.Jahanshahi，M.L.Janssen，S.K.Tan，J.J.Van Overbeeke，L.Ackermans，M.Oosterloo，A.Duits，A.F.Leentjens and L.Lim，“Neuromodulation in Psychiatric Disorders”，International Review of Neurobiology,2012,107,pp.283-314.。非侵入式神經(jīng)調(diào)控技術(shù)在臨床上更為廣泛應(yīng)用，其中的一個例子是電休克療法(electroconvulsive therapy，ECT)。這種治療方法使用電流在全身麻醉下誘發(fā)強直陣攣發(fā)作(51)K.A.Leiknes，L.J.Schweder and B.H?ie,“Contemporary Use and Practice of Electroconvulsive Therapy Worldwide”,Brain and Behavior,2012,2(3),pp.283-344.，目前仍然是治療抑郁癥最快速有效的方法之一，其治療的反應(yīng)率高達70%至80%(52)J.Read and R.Bentall，“The Effectiveness of Electroconvulsive Therapy:Literature Review”,Epidemiology and Psychiatric Sciences,2010,19(4),pp.333-347.。對于雙向情感障礙和有嚴重自殺意念或精神疾病的患者ECT也同樣有效(53)T.C.Baghai and H.J.M?ller,“Electroconvulsive Therapy and Its Different Indications”,Dialogues in Clinical Neuroscience,Apr 1,2022.。然而，ECT也會對認知功能造成短暫影響(54)G.L.Sahlem，E.B.Short，S.Kerns，J.Snipes，W.DeVries，J.B.Fox，C.Burns，M.Schmidt，Z.H.Nahas，M.S.George and H.A.Sackeim,“Expanded Safety and Efficacy Data for A New Method of Performing Electroconvulsive Therapy:Focal Electrically Administered Seizure Therapy”,The Journal of ECT,2016,32(3),p.197.。在ECT之外，經(jīng)顱磁刺激(transcranial magnetic stimulation，TMS)也是一種常用的治療單相和雙相抑郁癥的手段。TMS使用一個磁圈在前額葉皮層(PFC)中感應(yīng)電流影響腦功能。TMS對抑郁癥的治療效果雖不如ECT(55)R.Magnezi，E.Aminov，D.Shmuel，M.Dreifuss and P.Dannon,“Comparison between Neurostimulation Techniques Repetitive Transcranial Magnetic Stimulation vs Electroconvulsive Therapy for the Treatment of Resistant Depression:Patient Preference and Cost-effectiveness”,Patient Preference and Adherence,2016,10,p.1481.，但不易對認知造成影響(56)M.Hallett,“Transcranial Magnetic Stimulation:A Primer”,Neuron,2007,55(2),pp.187-199.。其治療效果也是顯著且持久的，治療反應(yīng)率達到30%到60%(57)S.F.Taylor，M.T.Bhati，M.J.Dubin，J.M.Hawkins，S.H.Lisanby，O.Morales，I.M.Reti，S.Sampson，E.B.Short，C.Spino and K.Watcharotone,“A Naturalistic，Multi-site Study of Repetitive Transcranial Magnetic Stimulation Therapy for Depression”,Journal of Affective Disorders,2017,208,pp.284-290.，治療一年后的持續(xù)反應(yīng)率也能達到60%(58)D.L.Dunner，S.T.Aaronson，H.A.Sackeim，P.G.Janicak，L.L.Carpenter，T.Boyadjis，D.G.Brock，D.Bonneh-Barkay，I.A.Cook，K.Lanocha and B.Solvason,“A Multisite，Naturalistic，Observational Study of Transcranial Magnetic Stimulation for Patients with Pharmacoresistant Major Depressive Disorder:Durability of Benefit over a 1-year Follow-up Period”,The Journal of Clinical Psychiatry, 2014,75(12),p.12379.。

在非侵入性的神經(jīng)調(diào)控之外，研究人員也對侵入性的神經(jīng)調(diào)控手段開展了一系列研究。其中一個例子是迷走神經(jīng)刺激(vagus nerve stimulation，VNS)。VNS是一種可反復(fù)刺激左側(cè)頸迷走神經(jīng)的植入裝置，是美國FDA于2005年批準用于重度單相和雙相抑郁癥的輔助治療手段(59)R.Patwardhan，R.Cardenas，D.Myers，P.Ware and A.Nanda,“Left Vagus Nerve Stimulation for Depression:First Implantation Case Post-fDA Approval and Review of the Literature”,The Journal of the Louisiana State Medical Society:Official Organ of the Louisiana State Medical Society,2007,159(1),pp.38-41.。VNS利用迷走神經(jīng)的傳入投射到腦干核。此外，它可能會通過這些投影在大腦中增加去甲腎上腺素和多巴胺信號，進而增強單胺能藥物的效果(60)R.H.Howland,“Vagus Nerve Stimulation”,Current Behavioral Neuroscience Reports,2014,1(2),pp.64-73.。一項對795名患者進行的5年開放標簽研究發(fā)現(xiàn)，與常規(guī)治療相比，VNS對治療效率有顯著提高(67.6% vs 40.9%)(61)S.T.Aaronson，P.Sears，F(xiàn).Ruvuna，M.Bunker，C.R.Conway，D.D.Dougherty，F(xiàn).W.Reimherr，T.L.Schwartz and J.M.Zajecka,“A 5-year Observational Study of Patients with Treatment-resistant Depression Treated with Vagus Nerve Stimulation or Treatment as Usual:Comparison of Response，Remission，and Suicidality”,American Journal of Psychiatry，2017，174(7),pp.640-648.。這項5年的研究同時顯示，VNS即使對難治性抑郁癥也有長期益處。與常規(guī)治療相比，VNS對抑郁的緩解率顯著更高(59.6% vs 34.1%)。在VNS之外，腦深部電刺激(deep brain stimulation，DBS)是一種實驗性的治療單相和雙相抑郁癥的侵入式神經(jīng)調(diào)控方法，它通過MRI輔助將電極直接植入與情緒相關(guān)的大腦區(qū)域。在追蹤研究中，使用DBS的患者在初期會報告空虛消失，焦慮減少，連接感增強和欣快感。在早期的開放標簽研究中，嚴重難治性病例的緩解率為40%至66%(62)H.S.Mayberg，A.M.Lozano，V.Voon，H.E.McNeely，D.Seminowicz，C.Hamani，J.M.Schwalb and S.H.Kennedy，“Deep Brain Stimulation for Treatment-resistant Depression”,Focus,2008,6(1),pp.143-154;A.S.Taghva，D.A.Malone and A.R.Rezai.“Deep Brain Stimulation for Treatment-resistant Depression”,World Neurosurgery,2013,80(3-4),S27.e17-S27.e24.。而在隨機對照研究中，DBS的效果尚不清晰(63)P.E.Holtzheimer，M.M.Husain，S.H.Lisanby，S.F.Taylor，L.A.Whitworth，S.McClintock，K.V.Slavin，J.Berman，G.M.McKhann，P.G.Patil and B.R.Rittberg,“Subcallosal Cingulate Deep Brain Stimulation for Treatment-resistant Depression:A Multisite，Randomised，Sham-controlled Trial”,The Lancet Psychiatry，2017，4(11),pp.839-849;D.D.Dougherty，A.R.Rezai，L.L.Carpenter，R.H.Howland，M.T.Bhati，J.P.O’Reardon，E.N.Eskandar，G.H.Baltuch，A.D.Machado，D.Kondziolka and C.Cusin,“A Randomized Sham-controlled Trial of Deep Brain Stimulation of the Ventral Capsule/Ventral Striatum for Chronic Treatment-resistant Depression”，Biological Psychiatry,2015,78(4),pp.240-248.。

隨著信息技術(shù)的發(fā)展，現(xiàn)代的神經(jīng)調(diào)控手段也開始了智能化的進程。Ridder等人在2021年提出，在5-10年內(nèi)，神經(jīng)調(diào)控將涉及自適應(yīng)網(wǎng)絡(luò)神經(jīng)調(diào)節(jié)與預(yù)測人工智能的集成，由大腦和外部傳感器自動調(diào)節(jié)，并通過基于云的應(yīng)用程序控制。而在10年之后，這可能領(lǐng)導(dǎo)一個集成人工智能的大腦的構(gòu)建(64)D.De Ridder，J.Maciaczyk and S.Vanneste,“The Future of Neuromodulation:Smart Neuromodulation”,Expert Review of Medical Devices,2021,18(4),pp.307-317.。在神經(jīng)調(diào)控智能化的進程中，斯坦福大學(xué)開發(fā)的加速智能神經(jīng)調(diào)節(jié)療法(Stanford accelerated intelligent neuromodulation therapy，SAINT)被看做是具有里程碑意義的。SAINT是一種密集的經(jīng)顱磁刺激形式。其與以往神經(jīng)調(diào)控技術(shù)最大的不同是可以通過智能手段實現(xiàn)個性化定位，50分鐘間隔刺激和高脈沖劑量。通過SAINT，抑郁癥狀緩解通常發(fā)生在幾天內(nèi)，緩解的時間可以持續(xù)幾個月(65)E.J.Cole，K.H.Stimpson，B.S.Bentzley，M.Gulser，K.Cherian，C.Tischler，R.Nejad，H.Pankow，E.Choi，H.Aaron and F.M.Espil,“Stanford Accelerated Intelligent Neuromodulation Therapy for Treatment-resistant Depression”,American Journal of Psychiatry,2020,177(8),pp.716-726.。在一項臨床雙盲隨機對照實驗中，使用SAINT進行治療四周的被試抑郁癥狀評分較基線平均降低了52.5%，而對照組僅為11.1%(66)E.J.Cole，A.L.Phillips，B.S.Bentzley，K.H.Stimpson，R.Nejad，F(xiàn).Barmak，C.Veerapal，N.Khan，K.Cherian，E.Felber and R.Brown，“Stanford Neuromodulation Therapy (SNT):A Double-blind Randomized Controlled Trial”,American Journal of Psychiatry,October 29,2021.。在另一項針對抑郁癥的隨機雙盲對照實驗中，SAINT治療組和對照組的緩解率在無嚴重不良事件發(fā)生的情況下分別為78.57%和13.33%(67)A.L.Phillips，E.J.Cole，B.S.Bentzley，K.H.Stimpson，R.Nejad，C.Tischler，F(xiàn).Barmak，C.Veerapal，N.Khan，K.Cherian and E.Felber,“Stanford Accelerated Intelligent Neuromodulation Therapy (SAINT-TRD) Induces Rapid Remission from Treatment-resistant Depression in a Double-blinded，Randomized，and Controlled Trial”,Brain Stimulation:Basic，Translational，and Clinical Research in Neuromodulation,2020,13(6),pp.1859-1860.。其他研究同時顯示，SAINT治療對強迫癥的治療也同樣有效(68)N.R.Williams，K.D.Sudheimer，E.J.Cole，A.D.Varias，A.N.Goldstein-Piekarski，P.Stetz，A.Lombardi，M.Filippou-Frye，P.van Roessel，K.Anderson and E.A.McCarthy,“Accelerated Neuromodulation Therapy for Obsessive-compulsive Disorder”,Brain Stimulation:Basic，Translational，and Clinical Research in Neuromodulation,2021,14(2),pp.435-437.。從SAINT與傳統(tǒng)神經(jīng)調(diào)控手段的對比也可以看出，心理健康神經(jīng)調(diào)控干預(yù)的智能化也大有裨益。

四、心理健康智能化應(yīng)用的未來展望

心理健康問題的研究成果最終目標是惠及人類，心理健康智能化應(yīng)用將逐漸融入人們的生活中，實現(xiàn)更加便利、高效且實時的評估和干預(yù)。為此，研究者致力于開發(fā)生態(tài)化的、可融入應(yīng)用場景的測評和干預(yù)工具，并已經(jīng)取得一定的成果。下面將針對目前心理健康智能化應(yīng)用存在的一些問題加以分析，并探討未來的可能發(fā)展方向。

首先，心理健康智能化應(yīng)用的開發(fā)對數(shù)據(jù)量的要求比較高。例如，基于社交媒體數(shù)據(jù)的研究往往需要獲取被試數(shù)月甚至數(shù)年的數(shù)據(jù)，以實現(xiàn)準確的測量，但這會帶來較高的研究門檻。對此，學(xué)界提出了“最小化數(shù)據(jù)量”原則，要求研究者不斷提升數(shù)據(jù)分析和建模方法，在實現(xiàn)預(yù)期測評和研究目的的條件下，最大限度地減少所依賴的數(shù)據(jù)量，例如Khwaja和Matic在基于智能手機數(shù)據(jù)預(yù)測人格的研究中，對數(shù)據(jù)量與預(yù)測準確性進行了討論，在保證預(yù)測準確性的前提下將所需數(shù)據(jù)量降至一到兩個周末(69)M.Khwaja and A.Matic，“Personality is Revealed during Weekends:Towards Data Minimisation for Smartphone Based Personality Classification”，IFIP Conference on Human-Computer Interaction，2019，pp.551-560.。此外，基于心理學(xué)理論的精巧研究設(shè)計，即心理學(xué)傳統(tǒng)的研究手段的充分使用，與人工智能領(lǐng)域研究方法的深入結(jié)合，將有助于在收集較小數(shù)據(jù)量前提下降低測量誤差。收集多模態(tài)數(shù)據(jù)，利用多模態(tài)數(shù)據(jù)之間的互補性也能在有限樣本量的條件下提升心理測量的精度，即增大數(shù)據(jù)的多樣性，可以降低樣本量。人工智能領(lǐng)域的小樣本學(xué)習(xí)技術(shù)也同樣值得關(guān)注，它們基于遷移學(xué)習(xí)思想，依靠既有的知識、模型及學(xué)習(xí)能力進行建模。數(shù)據(jù)量要求的門檻降低，將有力地推動心理健康智能化應(yīng)用的實證研究發(fā)展與實踐應(yīng)用落地。

其次，心理健康智能化應(yīng)用需要致力于提高生態(tài)效度，設(shè)計更加自然的交互任務(wù)。用于初篩的智能化應(yīng)用生態(tài)效度較高，基于個體日常的在線和行為數(shù)據(jù)就能夠建模實現(xiàn)動態(tài)預(yù)警，個體在自然狀態(tài)下就能夠被動態(tài)預(yù)警，可以起到早預(yù)防、早關(guān)注的功能。而智能化的心理健康輔助診斷和干預(yù)系統(tǒng)需要有較高的精度，完全依賴于無侵入式和自然狀態(tài)下的數(shù)據(jù)來建模往往不能夠達到精度要求，這就需要將精心設(shè)計的評估或者干預(yù)任務(wù)嵌入到智能化應(yīng)用中。然而這種任務(wù)需要盡量脫離無關(guān)因素控制較強的實驗室環(huán)境，在更有生態(tài)效度的環(huán)境下進行，使得采集的數(shù)據(jù)能反映個體的真實狀況，并且在采集過程中需依靠心理學(xué)范式和臨床診斷標準作為支持，讓結(jié)果具有可解釋性。

最后，產(chǎn)生心理健康問題的原因是多樣化的，比如個人先天特質(zhì)、家庭因素、教育經(jīng)歷等。傳統(tǒng)心理學(xué)研究往往依賴于精確設(shè)計的實驗范式，即控制所有其他可能的因素來探究特定因素對于研究問題的影響，這就很難全面地揭示背后的多因素機制，也就很難揭示造成心理健康問題的核心要素，無法進行針對性的預(yù)防和干預(yù)。在人工智能時代，人們在自然情境下的活動數(shù)據(jù)，包括生理、動作、面部表情等多模態(tài)數(shù)據(jù)能夠被大規(guī)模、細粒度地采集，這將幫助心理學(xué)研究者剖析高維數(shù)據(jù)背后的復(fù)雜規(guī)律，揭示可能的統(tǒng)計學(xué)規(guī)律。換言之，傳統(tǒng)心理學(xué)研究往往源于自上而下的理論驅(qū)動，這首先需要一個很好的理論假設(shè)，再通過數(shù)據(jù)采集驗證假設(shè)。而與傳統(tǒng)心理學(xué)研究方法不同，未來人工智能獲取數(shù)據(jù)后，研究人員可以通過數(shù)據(jù)驅(qū)動，以自下而上的方式找到變量之間的存在關(guān)系，從而發(fā)現(xiàn)一些以往很少考慮到的心理健康問題的誘因，更有利于開發(fā)效果更好的預(yù)防和干預(yù)的智能化應(yīng)用。

人工智能領(lǐng)域和心理學(xué)領(lǐng)域中的某些概念及研究問題具有共通性，比如，認知心理學(xué)研究中通過捕捉個體的注意偏向來評估其抑郁狀態(tài)，而人工智能領(lǐng)域的研究者也在探索圖像認知和心理感受之間的關(guān)系。因此，心理健康智能化應(yīng)用的發(fā)展具有天然的銜接性，盡管本文所介紹的研究案例絕大多數(shù)還是初步探索，但是它能夠從更加生態(tài)化的角度評估和干預(yù)心理健康狀況，有效地彌補了傳統(tǒng)方法的不足。此外，在人機交互方面，通過心理學(xué)中的人因工程學(xué)、認知科學(xué)與人工智能的結(jié)合，可以在上下文感知、眼動跟蹤、手勢識別、三維輸入、語音識別、表情識別等多個方面實現(xiàn)突破，這有利于將智能化應(yīng)用做到極致的用戶體驗和個性化服務(wù)。因而，大力發(fā)展心理健康智能化應(yīng)用是必然趨勢，也必將走向更加人性化和普及化，惠及更廣泛的人群。