刷脸也可检测心理健康状况
眉毛挤在一起表示恐惧、抿嘴表示说话没信心、假笑时眼角是没有皱纹的……曾经风靡一时的美剧《别对我撒谎》让很多人知道，面部表情会出卖自己的小心思。而如今，面部活动识别的功能又被科学家拓宽了，它们还可能透露心理健康状况。
近日，中国科学院心理研究所行为科学重点实验室朱廷劭研究组的科研人员借助人工智能，构建了不同心理症状的面部自动识别模型，探索了个体面部活动指向心理健康症状的可能性。相关研究成果在线发表于《心理学前沿》。
破解心理测试量表局限
凡是接触过心理咨询的人都不会对心理测试量表感到陌生，因为在专业场景中，它是目前最核心的诊断方法。
症状自评量表SCL-90（Symptom Checklist 90）就是比较常见的一种，它由90个项目、一系列定量指标组成。
医生和研究人员通过问卷不仅可以评估广泛的心理问题和病症，还可以衡量心理治疗的进展和判定结果。
然而，传统心理测试量表有明显的局限。
“如果之前填过类似的问卷，被试者记住了答案，后面再测的话就可能不准确了，这就类似‘学习效应’，最后得到的测试结果并不能反映真实情况。”
朱廷劭告诉《中国科学报》，“有的被试者刻意隐藏内心的真实想法或潜意识误解自己的真实意图，填答传统的测试量表，就会造成最终结果的不准确。”
除此之外，不同的心理测量指标，比如抑郁、焦虑，也有不同的量表，测量几个指标就需要填几个量表，“很多人看到量表里的题太多，就不想填了”。
有什么办法能够更客观、更迅速地测量心理指标，一直是心理学研究人员的目标。
基于面部活动识别人的心理健康状况便是当下不同于传统心理测量的新方法。
已有研究表明，人类的行为包括面部活动会反映积极或消极的情绪变化，而情绪又受到心理健康状态的影响。
“患有不同心理疾病的个体表现出不同行为，而患有同种心理疾病不同亚型的个体的行为也存在差异。”
朱廷劭表示，这些研究结果为使用行为数据识别个体全面的心理健康症状提供了可能，而过去多数研究主要集中在识别某一种心理疾病的存在或程度。
“这一新方法借助人工智能里的机器学习算法，将人的面部活动变化作为输入，将其心理测试指标作为输出，建立输入和输出的映射关系后，被试者只要‘刷’个脸，理论上我们就能通过他的面部数据得到他的心理健康状况了。”朱廷劭说。
心理健康状况不同，面部表达不同
在与心理健康相关的所有非语言行为中，面部表情相对稳定，并且易于获取。
通过面部活动识别心理状况，既方便又可以多次使用，还能避免被试者主观想法干扰实验，并且减轻被试者过多的心理负担。
于是，朱廷劭团队尝试构建了不同心理症状的面部自动识别模型，从而探索个体的面部活动能否有效指向被试者的心理健康症状。
他们还将信效度检验方法应用于机器学习模型的评估，为未来的同类型研究提供一种可行的多维度机器学习模型评估方法。
研究共招募了100名被试者，他们首先需要填写SCL-90中的55道题，分别对应人际关系敏感、抑郁、焦虑、敌对、恐怖和精神病性6个维度。
然后，每名被试者被要求阅读一段介绍卢沟桥的中性文本，时长约44秒。
“阅读文本的目的是为了给被试者一个刺激，让他们的面部变化更显著一些，这样对于机器学习可能更有帮助。”
朱廷劭介绍，已有相关研究发现，不带有任何情感色彩的中性文本刺激效果最好。
在阅读期间，研究人员会使用Kinect摄像机记录每一帧中被试36个面部关键点的三维坐标。
与传统的平面图像特征不同的是，Kinect可以记录面部关键点在三维空间中的运动。
为了减少无关变量对面部关键点坐标的影响，采集数据后，研究人员首先要进行预处理工作，然后提取数据特征，再进行特征选择和特征标准化，并建立回归模型，最后得到数据的预测得分。
对于一个自动识别模型来说，测试的准确性、评估的有效性最为关键。
“经过检验，我们证实了不同心理健康症状的确具有特异性的面部表达，它们可以被识别。而且模型识别和SCL-90量表测试结果也比较接近。”朱廷劭解释。
但研究也发现，在不同心理维度的区分度上，现有模型的识别效果并不理想，比如对抑郁和焦虑的边界判断就比较模糊。
“这一方法目前仍在探索阶段。”
朱廷劭表示，由于研究的样本量不够大，机器学习还需要大量练习，才可能提高准确性和有效性。
再者，选择面部的哪些特征变化才能更好地对心理指标进行预测，也需要不断分析和调整。
尽管如此，朱廷劭认为，未来在一些非专业诊断的场景，这种方法有很大的应用潜力。
“由于面部数据的采集是实时且无侵入的，当它和视频技术结合用于心理健康的辅助检测，尤其能对特定的患病人群进行纵向跟踪检测，或者对容易出现心理疾病的人群进行预防和示警，都比传统的心理测量更有优势。”
朱廷劭还提到了在临床医生中一种容易被忽视，又有潜在需求的应用场景。
他告诉《中国科学报》，很多综合医院的临床大夫并没有精神科背景，有时他们无法判断前来就诊的患者究竟是受困于躯体性疾病，还是因为精神问题，“这就可能产生所谓的漏诊”。
他希望，届时临床大夫也能方便地借助这种手段，真正做到同时评估患者的“身”“心”状况。
行为痕迹预测心理健康大有可为
心理疾病在现代社会已经相当常见，在新冠疫情期间，心理健康问题也引起了世界卫生组织的高度关注。
如何在大数据时代，通过挖掘丰富的人类行为数据，评估他们当下的心理健康状况，一直是这些年朱廷劭团队研究的方向。
大数据记录的信息实际上就是普遍化的人类行为，而且，这种数据行为是自觉、自愿发生的，真实性、准确性更高。
在研究面部活动之前，他们的关注焦点是社交媒体上的用户行为痕迹。
人们有可能在主观的心理测量环境中进行有效的伪装，却很难在网络中长期这么做。
2020年新冠疫情期间，朱廷劭团队就从网络抓取了人们在微博上发表的言论数据，分析一定地域内，从居家隔离政策实施到解除期间，人们心理健康状况的变化情况；分析人们心理健康情况中一些具体指标的变化，比如负面情绪与正面情绪、对社会风险的敏感性与对生活的满意度等；讨论引起人们心理健康情况变化的因素，比如集体主义与恐惧；探索微博用户行为免疫系统（BIS）引起的情绪和认知过程促进预防行为的路径/机制。
事实上，通过识别行为痕迹预测人的心理健康状况已成为国内外心理测评研究的前沿方向。
“它虽然不能替代专业诊断，但这些检测方法在大规模人群心理变化监测方面，以及识别自杀意念，实现对个体自杀风险的评估和预警方面，将大有可为。”朱廷劭强调。
相关论文信息：
https://doi.org/10.3389/fpsyt.2020.607890