基于机器学习量化精神病性障碍面部情感变化的动态模式研究

本研究针对精神病性障碍患者面部情感表达减弱的临床难题，采用机器学习方法对48例患者和40名健康对照观看喜剧视频时的面部动作单元（AU）进行动态分析。通过连续小波变换和隐马尔可夫模型（HMM）识别出8种动态情感模式，发现患者积极情感相关AU（如AU06/AU12）激活降低，且HMM状态滞留特征与正/阴性症状显著相关。该研究为客观量化阴性症状提供了新范式，对精神分裂症诊断分型及疗效评估具有重要价值。

　　

面部情感表达的减弱是精神分裂症等精神病性障碍阴性症状的核心表现之一，临床常表现为情感平淡、社交互动减少等特征。然而，传统依赖主观评定量表（如PANSS、BNSS）的评估方法存在耗时长、训练要求高、评分者间一致性不足等局限，且仅通过单一维度难以捕捉面部表情的动态复杂性。尽管面部动作编码系统（FACS）能更客观地量化面部肌肉活动，但其手动评分效率低、易受主观因素影响，限制了在视频数据分析中的应用。随着计算机视觉技术的发展，自动化面部动作分析为破解这一难题提供了新思路。

为系统揭示精神病性障碍患者面部情感表达的动态特征，研究人员开展了一项结合机器学习与系统建模的创新研究。该研究招募了48名有精神病性障碍病史的患者和40名健康对照，所有参与者观看一段4分13秒的脱口秀喜剧视频。通过Logitech摄像头记录面部视频，采用OpenFace卷积神经网络提取18个面部动作单元（AU）的时间序列数据。排除AU45（眨眼）及恒定零值动作单元后，对15个AU时间序列进行连续小波变换，将其转换至时间-频率域，进而利用隐马尔可夫模型（HMM）识别动态面部情感状态。HMM将面部活动聚类为8个状态，每个状态表征特定动作单元组合在特征性时间尺度上的振荡模式。通过维特比算法解码每个参与者的状态序列，最终通过统计学方法分析组间差异及与临床症状的关联。

主要技术方法

研究团队通过开放式视频采集获取自然情境下面部数据，运用OpenFace算法自动提取动作单元（AU）时间序列，采用连续小波变换进行时频分析，并建立隐马尔可夫模型（HMM）识别动态情感状态。统计分析采用Mann-Whitney U检验、Spearman相关性分析及错误发现率（FDR）校正。

3.1 参与者特征

两组在年龄、性别、教育年限上无显著差异，但临床组智商较低（p=0.025）。临床组以精神分裂症（36例）和分裂情感性障碍（12例）为主，PANSS阴性症状评分较高（均值18.1±6.0）。

3.2 平均动作单元激活

临床组在积极情感相关AU上激活显著降低：AU06（脸颊提升器，p=0.005）、AU12（嘴角牵引器，p<0.001）和AU14（酒窝形成器，p=0.015）。笑话 punchline 后的AU12响应性也显著减弱（p<0.001）。相关性分析显示，PANSS阳性症状评分与AU06（r=-0.307）、AU12（r=-0.380）、AU14（r=-0.277）的激活降低显著相关（p_FDR<0.05），而阴性症状仅与AU12降低相关（r=-0.351）。

3.3 时间-频率分析

时频域分析显示，临床组在AU06、AU12、AU25等高频率振荡活动显著减弱，而在AU05（上眼睑提升器）和AU09（鼻皱器）等负性情感相关AU上活动增强，且这种差异主要出现在1Hz以下频段。

3.4 隐马尔可夫模型

HMM识别出的8个状态中，状态5（积极情感状态）激活AU06/AU12/AU14，状态7（负性情感状态）以AU04（眉部降低器）为主，状态6为低活动状态。临床组在状态6的滞留时间显著延长（p_FDR=0.011），状态7滞留时间缩短（p_FDR=0.033）。状态转移概率分析显示，临床组一旦进入状态6后更难转移到其他状态。临床症状关联分析表明，阳性症状严重者更多滞留于状态7（r=0.365），而阴性症状严重者更多滞留于状态6（r=0.296），且较少进入状态7（r=-0.349）。

本研究通过机器学习方法揭示了精神病性障碍患者面部情感表达的多维异常：静态上表现为积极情感相关动作单元的激活减弱，动态上呈现低活动状态的滞留倾向与负性情感状态的异常分配。HMM模型首次刻画了患者面部状态转换的“粘滞性”特征，为理解阴性症状的动力学基础提供了新视角。值得注意的是，抗精神病药物剂量与部分AU激活降低相关，但低SAS评分提示药物副作用并非主要影响因素。与抑郁症研究相比，精神病患者特异性地表现出AU05/AU09的高频活动增强，可能成为鉴别诊断的潜在生物标志物。该研究突破了传统评分法的维度限制，为开发客观、高效的精神症状监测工具奠定了方法学基础，未来可拓展至高危人群筛查、疗效评估及跨诊断比较研究。