随着智能手机的功能越来越全面，日常生活中的一切事情几乎都要做，包括我们的健康。有些人用它来记录自己每天的运动状态，有些人则用该应用程序来监控自己的心肺功能。

但这还不够。科学家总能想到一个更奇妙的需求：未来，你的手机也有机会成为“大麻探测器”！罗格斯大学健康、医疗保健政策和老龄化研究所的研究团队调查了大麻使用者的“嗨程度”，并将其与机器学习技术相结合，试图创造出一种可以准确判断大麻中毒程度的日常小工具。

这项研究发表在杂志《药物与酒精依赖》(药物和酒精依赖)[1]上。

大麻何以让人愉悦？

法国喜剧系列《大麻咖啡馆》(家族企业)年轻的企业家约瑟夫哈赞(Joseph Hazan)利用法国大麻合法化的机会，决定将自己的老父亲杰哈德哈赞(Jehad Hazan)的肉店改造成大麻咖啡馆。虽然父亲一开始反对，但在偶像恩里科马西亚斯的引导下，父亲终于体验到了麻木的快感，开始积极面对他们的咖啡馆生意。

为什么大麻能让人快乐到放弃执念？一个叫四氢大麻酚(THC)的家伙起了关键作用。因为THC的化学结构与内源性大麻“anandamide”非常相似，所以它能与大麻素受体结合，激活大脑的奖赏系统，使我们感到身心愉悦[2]。

这不禁让人疑惑：人到底是怎么摄入大麻的？

一般来说，大麻的摄入方式有两种：吸食，或者直接服用(不，是混着吃)。当人们吸食大麻时，其中的化学物质从肺部进入血液，然后被运输到身体的各个部位，包括大脑。但如果用于食物，由于是通过消化系统吸收的，大麻的影响一般会在30分钟到1小时后出现。

生产中的大麻膏。图//WIKIPEDIA

大麻中毒将导致「定向感」降低

对于大麻吸食者来说，它最迷人的地方就是使用后那种放松的感觉。此外，有些人也会经历感觉放大的流浪场景，但有些人认为大麻会让他们感到焦虑、恐惧、不信任和恐慌。目前，虽然单纯吸食大麻致死的案例很少，但如果过量使用，会引起大麻中毒[3]。

吸食大麻中毒的人会出现饥饿、嗜睡等症状，严重时会导致对人、对地的认知和方位感下降，甚至出现急性精神病[4]。其他典型和可预测的症状包括口干、红眼、短期记忆障碍以及感知和运动的影响。

由于大麻的精神影响，一些吸食大麻中毒的人会对外界反应过慢，导致在工作或学校表现不佳，甚至干扰驾驶和驾驶，最终导致交通事故、人员伤亡等遗憾。

虽然有血液、尿液或唾液等测试可以检测大麻中毒，但如果要在日常生活中时时刻刻监测，还是有一定的局限性。

过去曾有研究在现代人的“智能手机”中用传感器检测高危饮酒者，准确率高达90%[6]。鉴于此，罗格斯大学卫生与健康政策和老龄化研究所的团队开始研究，想知道手机能否在机器学习模型的帮助下，起到检测“大麻中毒”的作用，从而立即检测出那些可能由大麻中毒引发的危机。

智能手机有潜力被用作“大麻中毒”的探测器。图//Pexels

如何检测嗨不嗨？关键是「使用后的行为」

团队首先从宾夕法尼亚州匹兹堡招募了57名年龄在18岁到25岁之间的年轻人。通过自述，他们了解到自己每周至少吸食两次大麻。之后，该团队通过“手机回访调查”和“手机中的传感器数据”等方法，每天收集受试者使用大麻长达30天的数据，以了解他们在大麻中毒后的情况。

其中，反馈调查每天进行三次，包括开始和结束使用大麻的时间、剂量和主观感受。自评3354是根据“嗨”的程度，评分标准从1到10，其中10分是“敲嗨”。在后来报道的451起吸食大麻事件中，平均“嗨程度”为3.77分。

另一方面，手机使用应用程序收集102种手机传感器的数据，如GPS、加速度计、呼出电话数量和平均移动距离等。有些人听到这里可能会坐不住。等等，GPS和加速度计等定位工具能做什么？嗯，GPS可以用来检测大麻吸食者陷入“自我”

陶醉」时的行进範围（travel boundary），而加速度计则是用来监测他们的步态与身体活动量。

在对照受试者的回传调查及手机数据后发现，当使用者回报他们「正嗨」时，透过 GPS 的数据分析可知，他们的移动範围并不远。另外，此时加速度计的资料也显示，主观报告大麻中毒者，虽然活动多样性下降，但身体的活动程度却比较剧烈。

考虑时间点的监测，精确度大提升！

最后，他们在演算法的帮助下^[7][注1]，盼能了解上述方法，是否能区别无中毒和中毒（轻度或中度）的情形。透过各种中毒时的行为特徵，加上机器学习技术的检核，智慧型手机就可以变成如假包换的「大麻使用监测器」啦！

为了探究这个组合的準确性，团队企图在不同的时间点（例如：一周中的某一天，或是某一天的几点几分）下做排查，找出与大麻使用行为与特定时间点的关係，以进一步确认大麻中毒的具体指标。

结果显示，仅出动手机内的感测器侦测这群人是否使用大麻，準确度为 67 ％；但若结合「个人呼麻时间点」与 GPS 和加速度计等资料，则準确度高达 90％。

用手机侦测大麻使用？得再等等⋯⋯

面对如此结果，研究团队认为，以手机结合机器学习预测大麻中毒程度，是相当可行的。不过，未来还需要加入更多资料，以完备这项工具。

首先，由于该研究对大麻中毒的判定，主要建立在「受试者主观判断和自我（ㄕㄡˇ）报告」的基础上，因此在物质使用和生理反应的识别上，不如执法部门的检验工具那般客观。此外，像是大麻使用者的使用史、摄入身体的途径、剂量，以及使用者对大麻的耐受性，都会影响他们报告身体状况的结果。

不仅如此，像是不常使用大麻者在中毒时，他们的行为与身体反应和那些「老司机」们相比，是否有明显差异？该研究受试者多为白人，其他人种在同剂量的条件下，会不会产生相应的数据？这里不是要战种族，但光是「喝酒」这件事，每个人种的反应也多少带有一些差异，像亚洲人普遍就很难代谢酒精^[8]。

以上种种，都是这个工具可能被泛用的关键。最后，假设这个大麻侦测小工具，有朝一日被推到应用程式的市场上，你会想下载吗？又，我们是否能因为大麻使用者的敏感身份与风险，而逕自对他们搜集资料、加以监控？作为一旁拍手叫好等待好用产品问世的小老百姓，在引颈期盼的同时，也必须深思这样的问题。

注解

• 注 1：该研究所使用的技术为「Light Gradient Boosting Machine」，是微软公司以「决策数演算法」（decision tree algorithms）为基础，于二〇一七年释出 LightGBM 演算法，用于排序、分类和其它机器学习的任务。

参考文献

1. Sang Won Bae et al. (2021) Mobile phone sensor-based detection of subjective cannabis intoxication in young adults: A feasibility study in real-world settings. Drug and Alcohol Dependence.
2. How does marijuana produce its effects? National Institute on Drug Abuse, 2020.
3. What are marijuana’s effects? National Institute on Drug Abuse, 2020.
4. Helen Okoye. Cannabis Intoxication DSM-5 292.89 (F12.12). Theravive.
5. Marijuana intoxication. U.S. National Library of Medicine.
6. Bae et al. (2018) Mobile phone sensors and supervised machine learning to identify alcohol use events in young adults: Implications for just-in-time adaptive interventions. Addictive Behaviors
7. LightGBM. Wikipedia.
8. Hui Li et al. (2009) Refined Geographic Distribution of the Oriental ALDH2*504Lys (nee 487Lys) Variant. Annals of Human Genetics.

• 台湾杰出女科学家系列专访，持续更新中！