探讨微表情在抑郁症识别中的应用〔1〕

邓怀丽，王斌红，王靓

(太原市精神病医院，山西 太原 030045)

抑郁障碍是最常见的精神障碍，是指由各种原因引起的以显著而持久的心境低落为主要临床特征的一类心境障碍，伴有不同程度的认知和行为改变，部分患者存在自伤、自杀行为，甚至因此死亡。抑郁障碍是一种高发病率、高复发率及高致残率的慢性精神疾病。2019年中国精神卫生调查(CMHS)数据提示，大陆地区抑郁障碍的终生患病率为6.8%[1]。微表情是人类试图压抑或隐藏真实情感时泄露的非常短暂的、不能自主控制的一种表情。作为一种有效的非语言线索，微表情在人们生活中具有其他语言符号无法替代的重要作用。微表情的持续时间非常短，研究[2]表明微表情仅持续1/25～1/3 s，且动作幅度非常小，不会同时在上半脸和下半脸出现[3]，因此正确观测并且识别有相当的难度。尽管已有了专业的培训工具[4]，但据文献报道，依靠人力识别的准确率仅47%[5]。依靠人力识别受限于专业培训和时间成本，难以进行大规模推广。因此，近年来依赖计算机实现人脸微表情自动识别的需求越来越高。本研究旨在探讨微表情识别的综合参数与抑郁情绪的相关性。报告如下。

1.1 一般资料

选择2021年1月—2021年12月抑郁门诊就诊的患者64 例，性别不限，年龄14～64 岁，自觉抑郁状态持续2周以上。排除标准：心、肺、肝胆等严重躯体疾病导致的失眠；
严重自杀、自伤意念或行为；
精神活性物质所致精神障碍；
痴呆等依从性差，无法满足实验要求的患者。入组者自愿参加本研究，签署知情同意书。本研究经伦理委员会审查批准。

1.2 临床资料

1.2.1 一般人口学资料

包括姓名、性别、出生日期、家族史、婚姻状况、职业、最后学历7个部分。

1.2.2 心理测查量表

选用临床门诊常用的有较好的信效度的Zung抑郁自评量表(SDS)和Zung焦虑自评量表(SAS)，各有20个项目，均为4级评分，分别评定患者的抑郁和焦虑情况。

1.2.3 测评工具

工具包括电脑、网络摄像机、基于生物原理对影像中人物潜在情绪情感分析识别检测系统(太原康祺科技发展有限公司)。通过计算机分析获得攻击性、压力、焦虑、可疑、平衡、自信、活力、自我调节、抑郁、神经质10项行为参数。

1.3 方法

调查研究首先采取量表测评形式，由受过专业培训的精神科医师收集人口学资料、临床相关资料，完成SDS和SAS自评量表。将64 例自觉抑郁情绪的门诊患者按SAS≥53分和SAS<53分分为有焦虑-抑郁组(V1组，34 例)和无焦虑-抑郁组(V2组，30 例)，并由经过培训的专业人员对两组被试者进行微表情采集，通过计算机分析得出10项行为参数，通过振动影像统计程序，利用神经网络的标准方法学习发现振动影像参数[神经网络—焦虑水平(NN_anx)、神经网络—抑郁水平(NN_dep)]与SAD和SDS的相关性及对应关系。

2.1 两组行为参数比较

通过振动影像统计程序[6]查看振动影像，测量V1组和V2组行为参数的差异。两组10项行为参数的直方图见图1，没有显示出两组有明显差异。

T1～T10为攻击性、压力、焦虑、可疑、平衡、自信、活力、自我调节、抑郁、神经质的10项行为参数图1 两组10项行为参数统计图

在振动影像技术中，变异性比测量得到的参数具有更高的数学敏感性，常用来划分被试组的心理生理差异[7]。两组之间有明显差异(见图2)。随后应用简单的人工神经网络(ANN)观察SAS和SDS量表与振动影像技术测量的结果。

IN为振动影像神经网络学习的参数数量；
M(10)为10个参数的平均值；
S(10)为10个参数的标准差；
V(10)为10个参数的值；
Pos为正向情绪组值；
Neg为负向情绪组值；
Ph为生理参数组值；
P/N为正向情绪组值与负向情绪组值的比值；
N1/N2/N3为三层神经网络架构中隐含层计算部分；
Out：Dep为神经网络计算出的抑郁值，与下文中NN_dep同义；
Out：Anx为神经网络计算出的焦虑值，与下文中NN_anx同义图2 基于振动影像参数与SAS及SDS数据的前馈神经网络识别和学习方框图

2.2 神经网络学习后的两组行为参数与SAS相关性

利用神经网络的标准方法学习可以发现振动影像参数NN_anx，NN_dep与SAD，SDS之间的相关性及对应关系[6，8]。神经网络学习采用了振动影像的34个参数，包括10个M值(即10个参数的平均值)、10个SD值(即10个参数的标准差)、10个V值(即10个参数的变异性值)、积极情绪值、消极情绪值、生理值以及积极与消极情绪比值。经过10 min的学习后，神经网络生成了113个显著系数的辨别文件。我们通过神经网络判别NN_anx与SAS得分的相关性，两者之间的Pearson(皮尔逊)相关系数r=0.977(见图3)，因此可以判断振动影像参数NN_anx对SAS得分的预测精度较高。

图3 通过神经网络计算出的NN_anx与SAS得分的相关性

2.3 神经网络学习后的两组行为参数与SDS相关性

神经网络计算出的NN_dep与SDS得分之间的Pearson(皮尔逊)相关系数r=0.974，同样说明振动影像参数NN_dep对SDS得分的预测精度较高(见图4)。

图4 通过神经网络计算出的NN_dep与SDS得分的相关性

众所周知，各种生命现象(包括人类)，都是基于身体各器官发生的许多周期性过程(呼吸、脉搏、感觉系统的工作)。生理过程的强度与生物的状态有关。当一个人平静或休息时，心率和呼吸量都很小，而当一个人兴奋或运动时，呼吸和心率会增加，因此如果可以显示人体每个点运动频率和幅度的图像，就可以根据图像规律反映一个人在运动中消耗的能量，也可以反映其情绪变化和健康状况。抑郁症是以情绪低落、兴趣和愉快感缺乏为主要临床特征的一种常见心理疾病。男性一生中患病危险概率为5%～12%，女性为10%～25%。抑郁症病程较长，持续时间平均为6～12个月，严重影响人们的健康、生活质量和人际交往，有些人甚至丧失工作能力[7]。目前，尚无针对抑郁的特异性实验室检查项目，临床精神科医生对抑郁的诊断多根据患者或家属自主提供的病史(表现症状和持续时间)、量表的测量以及对患者的精神状态的观察，结合抑郁的诊断标准进行诊断[8]。这就存在一些问题如患者自主提供的病史和自主填写的问卷主观性太强、临床医生的经验水平低等，这也是抑郁症状不典型时容易被误诊或漏诊的原因。

本研究基于振动影像技术对自觉抑郁情绪的门诊患者进行微表情识别，通过计算机将人物头颈部微表情的影像转换为显示肌肉振动幅度和频率的振动影像，利用一系列算法和计算公式推导出人的潜在情绪指数。通过神经网络计算出综合振动影像参数值与SDS和SAS检测结果一致，准确率均高于97%。但本研究样本量有限，有待于扩大实验样本量进行更深入研究。未来希望利用人工智能技术，进一步整合抑郁症早期识别、预警和治疗技术，让机器或智能设备替代医护部分简单重复的工作[9]，从而为抑郁症的预测及生物学诊断提供更科学、更便捷、更安全的辅助检查手段。

推荐访问:抑郁症 识别 探讨