探討微表情在抑郁癥識別中的應用〔1〕

鄧懷麗，王斌紅，王靚

(太原市精神病醫院，山西 太原 030045)

抑郁障礙是最常見的精神障礙，是指由各種原因引起的以顯著而持久的心境低落為主要臨床特征的一類心境障礙，伴有不同程度的認知和行為改變，部分患者存在自傷、自殺行為，甚至因此死亡。抑郁障礙是一種高發病率、高復發率及高致殘率的慢性精神疾病。2019年中國精神衛生調查(CMHS)數據提示，大陸地區抑郁障礙的終生患病率為6.8%[1]。微表情是人類試圖壓抑或隱藏真實情感時泄露的非常短暫的、不能自主控制的一種表情。作為一種有效的非語言線索，微表情在人們生活中具有其他語言符號無法替代的重要作用。微表情的持續時間非常短，研究[2]表明微表情僅持續1/25～1/3 s，且動作幅度非常小，不會同時在上半臉和下半臉出現[3]，因此正確觀測并且識別有相當的難度。盡管已有了專業的培訓工具[4]，但據文獻報道，依靠人力識別的準確率僅47%[5]。依靠人力識別受限于專業培訓和時間成本，難以進行大規模推廣。因此，近年來依賴計算機實現人臉微表情自動識別的需求越來越高。本研究旨在探討微表情識別的綜合參數與抑郁情緒的相關性。報告如下。

1 資料與方法

1.1 一般資料

選擇2021年1月—2021年12月抑郁門診就診的患者64 例，性別不限，年齡14～64 歲，自覺抑郁狀態持續2周以上。排除標準：心、肺、肝膽等嚴重軀體疾病導致的失眠；嚴重自殺、自傷意念或行為；精神活性物質所致精神障礙；癡呆等依從性差，無法滿足實驗要求的患者。入組者自愿參加本研究，簽署知情同意書。本研究經倫理委員會審查批準。

1.2 臨床資料

1.2.1 一般人口學資料

包括姓名、性別、出生日期、家族史、婚姻狀況、職業、最后學歷7個部分。

1.2.2 心理測查量表

選用臨床門診常用的有較好的信效度的Zung抑郁自評量表(SDS)和Zung焦慮自評量表(SAS)，各有20個項目，均為4級評分，分別評定患者的抑郁和焦慮情況。

1.2.3 測評工具

工具包括電腦、網絡攝像機、基于生物原理對影像中人物潛在情緒情感分析識別檢測系統(太原康祺科技發展有限公司)。通過計算機分析獲得攻擊性、壓力、焦慮、可疑、平衡、自信、活力、自我調節、抑郁、神經質10項行為參數。

1.3 方法

調查研究首先采取量表測評形式，由受過專業培訓的精神科醫師收集人口學資料、臨床相關資料，完成SDS和SAS自評量表。將64 例自覺抑郁情緒的門診患者按SAS≥53分和SAS<53分分為有焦慮-抑郁組(V1組，34 例)和無焦慮-抑郁組(V2組，30 例)，并由經過培訓的專業人員對兩組被試者進行微表情采集，通過計算機分析得出10項行為參數，通過振動影像統計程序，利用神經網絡的標準方法學習發現振動影像參數[神經網絡—焦慮水平(NN_anx)、神經網絡—抑郁水平(NN_dep)]與SAD和SDS的相關性及對應關系。

2 結 果

2.1 兩組行為參數比較

通過振動影像統計程序[6]查看振動影像，測量V1組和V2組行為參數的差異。兩組10項行為參數的直方圖見圖1，沒有顯示出兩組有明顯差異。

T1～T10為攻擊性、壓力、焦慮、可疑、平衡、自信、活力、自我調節、抑郁、神經質的10項行為參數圖1 兩組10項行為參數統計圖

在振動影像技術中，變異性比測量得到的參數具有更高的數學敏感性，常用來劃分被試組的心理生理差異[7]。兩組之間有明顯差異(見圖2)。隨后應用簡單的人工神經網絡(ANN)觀察SAS和SDS量表與振動影像技術測量的結果。

IN為振動影像神經網絡學習的參數數量；M(10)為10個參數的平均值；S(10)為10個參數的標準差；V(10)為10個參數的值；Pos為正向情緒組值；Neg為負向情緒組值；Ph為生理參數組值；P/N為正向情緒組值與負向情緒組值的比值；N1/N2/N3為三層神經網絡架構中隱含層計算部分；Out：Dep為神經網絡計算出的抑郁值，與下文中NN_dep同義；Out：Anx為神經網絡計算出的焦慮值，與下文中NN_anx同義圖2 基于振動影像參數與SAS及SDS數據的前饋神經網絡識別和學習方框圖

2.2 神經網絡學習后的兩組行為參數與SAS相關性

利用神經網絡的標準方法學習可以發現振動影像參數NN_anx，NN_dep與SAD，SDS之間的相關性及對應關系[6，8]。神經網絡學習采用了振動影像的34個參數，包括10個M值(即10個參數的平均值)、10個SD值(即10個參數的標準差)、10個V值(即10個參數的變異性值)、積極情緒值、消極情緒值、生理值以及積極與消極情緒比值。經過10 min的學習后，神經網絡生成了113個顯著系數的辨別文件。我們通過神經網絡判別NN_anx與SAS得分的相關性，兩者之間的Pearson(皮爾遜)相關系數r=0.977(見圖3)，因此可以判斷振動影像參數NN_anx對SAS得分的預測精度較高。

圖3 通過神經網絡計算出的NN_anx與SAS得分的相關性

2.3 神經網絡學習后的兩組行為參數與SDS相關性

神經網絡計算出的NN_dep與SDS得分之間的Pearson(皮爾遜)相關系數r=0.974，同樣說明振動影像參數NN_dep對SDS得分的預測精度較高(見圖4)。

圖4 通過神經網絡計算出的NN_dep與SDS得分的相關性

3 討 論

眾所周知，各種生命現象(包括人類)，都是基于身體各器官發生的許多周期性過程(呼吸、脈搏、感覺系統的工作)。生理過程的強度與生物的狀態有關。當一個人平靜或休息時，心率和呼吸量都很小，而當一個人興奮或運動時，呼吸和心率會增加，因此如果可以顯示人體每個點運動頻率和幅度的圖像，就可以根據圖像規律反映一個人在運動中消耗的能量，也可以反映其情緒變化和健康狀況。抑郁癥是以情緒低落、興趣和愉快感缺乏為主要臨床特征的一種常見心理疾病。男性一生中患病危險概率為5%～12%，女性為10%～25%。抑郁癥病程較長，持續時間平均為6～12個月，嚴重影響人們的健康、生活質量和人際交往，有些人甚至喪失工作能力[7]。目前，尚無針對抑郁的特異性實驗室檢查項目，臨床精神科醫生對抑郁的診斷多根據患者或家屬自主提供的病史(表現癥狀和持續時間)、量表的測量以及對患者的精神狀態的觀察，結合抑郁的診斷標準進行診斷[8]。這就存在一些問題如患者自主提供的病史和自主填寫的問卷主觀性太強、臨床醫生的經驗水平低等，這也是抑郁癥狀不典型時容易被誤診或漏診的原因。

本研究基于振動影像技術對自覺抑郁情緒的門診患者進行微表情識別，通過計算機將人物頭頸部微表情的影像轉換為顯示肌肉振動幅度和頻率的振動影像，利用一系列算法和計算公式推導出人的潛在情緒指數。通過神經網絡計算出綜合振動影像參數值與SDS和SAS檢測結果一致，準確率均高于97%。但本研究樣本量有限，有待于擴大實驗樣本量進行更深入研究。未來希望利用人工智能技術，進一步整合抑郁癥早期識別、預警和治療技術，讓機器或智能設備替代醫護部分簡單重復的工作[9]，從而為抑郁癥的預測及生物學診斷提供更科學、更便捷、更安全的輔助檢查手段。