编辑推荐：
为解决压力检测生态效度问题，研究人员开展面部数据研究，构建模型且效果良好，意义重大。
在现代社会，人们常常面临各种压力，这些压力如同隐藏在暗处的 “健康杀手”，悄无声息地影响着我们的身心健康。压力不仅会加重如恐惧症、重度抑郁症和双相情感障碍等精神疾病，还会增加患心血管疾病的风险。准确检测压力水平对于有效管理压力至关重要，就像给健康装上一个 “预警雷达”，能提前发现潜在危害，帮助人们预防疾病，提升生活质量和工作场所安全性。
目前，利用机器学习算法进行压力分类的研究虽然取得了一定成果，例如能通过心电图 (ECG) 读数和面部运动等数据实现高精度分类，但在压力诱导方面存在问题。以往研究多在人工实验条件下，通过各种心理任务诱导压力，这种方式与现实生活场景差异较大，导致实验结果的生态效度不足，无法准确反映真实生活中的压力情况。为了解决这些问题，中国科学院心理研究所的研究人员开展了一项关于基于面部分析检测压力水平的研究，相关成果发表在《Acta Psychologica》。
研究人员采用的主要关键技术方法包括：数据收集方面，招募 240 名成年志愿者，让他们在准备 5 分钟后进行至少 1 分半钟的自我介绍，内容涵盖家乡、专业和工作计划等，同时用摄像机记录面部视频，之后志愿者填写感知压力量表 (PSS) 。数据处理上，利用 OpenPose 提取 70 个面部关键点的 2D 坐标，对数据进行清洗（去除前 150 帧数据）、平滑（采用均值滤波器）处理。特征工程方面，计算帧间差异，从时域和频域提取 40 个特征，通过皮尔逊相关系数和 t 检验筛选特征，并进行降维处理。模型训练时，尝试 12 种回归算法，在不同设置下训练模型以寻找最优模型。
研究结果如下：
- 数据分析：
- 相关性：通过计算皮尔逊相关系数，发现 127 个与 PSS 分数显著相关的数据单元。进一步分析发现，面部的眼区、眉毛、鼻底等区域与 PSS 分数的相关性较强。例如，从特征 f13 - f16（与面部关键点最大或最小运动的初始或最终位置有关）和 f24 - f27（与重复数据单元的百分比或总和有关）的相关性较高。
- t 检验：将参与者分为高压力和低压力组进行独立样本 t 检验，共发现 129 个显著数据单元。结果同样显示，眉毛、眼区和鼻底等区域在两组间存在显著差异，这与相关性分析的结果一致。
- 模型评价：经过多种模型训练和评估，发现类别提升回归器（Category Boosting Regressor）表现最佳。在主成分分析 (PCA) 维度设为 25、五折交叉验证且使用单变量线性回归测试进行特征选择的情况下，该模型的平均皮尔逊相关系数达到 0.539，平均绝对误差 (MAE) 为 4.06，均方误差 (MSE) 为 25.92，均方根误差 (RMSE) 为 5.06 。此外，模型的半信度为 0.70，表明模型具有较好的可靠性和有效性。
研究结论和讨论部分表明，该研究通过分析面部特征与 PSS 分数的关系，构建了基于面部线索预测感知压力水平的模型。研究发现与压力感知相关的两类关键特征，即代表极端帧间差异初始和最终位置的特征，以及代表关键点位移重复率的特征。这两类特征反映出随着感知压力水平增加，面部运动呈现出幅度更受限、频率更高的模式。同时，研究还确定了如左脸轮廓、下唇、左眉毛和右眼瞳孔等与压力感知高度相关的面部关键点。
这项研究具有重要意义。其模型具有非侵入性、客观和实时监测的优点，基于较大样本量开发，保证了一定的普遍性和适用性，且使用的压力量表能准确测量真实压力状态，提高了生态效度。不过，研究也存在局限性，样本主要为 23 岁左右的年轻人，代表性不够广泛。未来研究可扩大样本范围，涵盖不同年龄、文化和职业的人群，进一步提升模型的稳健性和通用性。该研究为压力监测系统的发展提供了有前景的原型，有望应用于医疗、心理、职场管理和教育等多个领域，帮助人们更好地管理压力，促进健康生活。
