11月2号，Alphabet实验性的研发实验室X详细介绍了Amber项目，它旨在使脑电波像血糖一样容易解释，以开发针对抑郁和焦虑的客观测量方法，并用于诊断和治疗。
据美国国立卫生研究院（U.S.NationalInstitutesofHealth）的数据，美国大约有万成年人至少有过一次严重的抑郁发作。此外，从年到年，有严重自杀倾向的美国成年人比例增加了0.15%，比上一年增加了46万人。然而，抑郁症有种可能的症状组合，在不同的人群中表现不同，诊断也比较困难。目前抑郁症的诊断主要依赖临床医生与患者的交谈或抑郁量表的测量，如PHQ-9（抑郁症自我评估量表）或GAD-7（广泛性焦虑量表）。
Amber小组尝试把机器学习与脑电图技术相结合，以测量脑电活动。他们发现可以通过类似游戏的活动观察大脑奖励系统的处理：与那些不沮丧的人相比，沮丧的人在比赛获胜后大脑的奖励机制是被抑制的。
X实验室并非第一个将机器学习算法应用于脑电图的阅读。在年4月发表的一篇论文中，IBM的研究人员声称已经开发了一种算法可以对癫痫分类，准确率高达98.4%。事实上，脑电图已被广泛用于研究吞咽、情绪分类，以及心理状态分类、精神障碍诊断，如神经源性疼痛和癫痫。
Amber团队花了三年时间制造了一个低成本、便携式、研究级的系统，使收集脑电数据变得更简单。他们研发的头戴式设备可以像泳帽一样滑动，只需约三分钟时间便可完成配置。该设备使用在FZ、Cz和Pz（关键通道或电极）中线上的三个传感器来监测大脑奖励和认知功能。并且它有一个随附的生物电放大器，可支持多达32个通道，通过将任务定时锁定到脑电波测量的软件、来收集静息状态的脑电波以及与事件相关电位波。
除头戴式设备外，Amber团队还探索了如何利用机器学习的新方法来减少脑电波中多余的噪声。他们与Alphabet的深度学习研究实验室DeepMind合作，改编了无监督表示学习中的方法，证明可以利用自编码器的方法，对脑电波信号进行降噪，而无需人工干预——自编码器通过忽略噪声来学习数据集的表示形式。
此外团队证明了一个理念，即可以根据心理健康专家的访谈提取与心理健康相关的特征，这些特征可以用于预测临床表征，例如重度抑郁症和广泛性焦虑症。与以前的研究不同，Amber团队声称他们能够针对单个参与者而不是一个群体进行此操作。
“这些方法能够从单个脑电试验中恢复可用的信号表征，”X实验室的负责人ObiFelten在一篇博客中解释道，“这意味着有可能从脑电生理学中获得有用的临床信息，而所需的数据样本要比传统研究实验室中少得多。一般来说，研究实验室需要数百次实验。”
Amber团队最终未能找到抑郁和焦虑的单一生物标志物。然而，尽管仍有缺陷，他们还是在GitHub上发布了他们开源开发的硬件设计、可视化工具和刺激工具。
从11月2日早上起，该头戴式设备以及软件会随佛罗里达州立大学的一项研究结果一起提供。此外，团队承诺不会在Amber的硬件上主张专利，并向SapienLabs捐赠50台未使用的脑电波头戴式设备，后者正在运行“人类大脑多样性计划”，以支持低收入国家和弱势群体的脑电波研究。
“我们希望脑电系统的开源以及机器学习技术的发布不仅对脑电研究专家有价值，而且在更广泛的心理健康研究界发挥作用，他们之前可能因使用脑电图的复杂性和成本而推迟其项目。”Felten写道，“当下，在以技术为基础的心理健康测量工作的道路上存在着许多陷阱，还需要做更多的研究……要应对当今的挑战，科学家、临床医生、技术人员、*策制定者和有经验的个人之间将需要新的伙伴关系。”