随着全球人口老龄化的加剧，帕金森病（Parkinson’s Disease, PD）的发病率逐年上升，成为继阿尔茨海默病之后的第二大常见神经退行性疾病。据预测，未来几年内帕金森病的患者数量将翻倍，这不仅对患者的健康和生活质量构成严重威胁，也给社会和医疗体系带来了巨大的经济负担。

帕金森病的其中一个症状是面部表情的情绪表达出现缺陷，因此，面部表情的变化也成为其早期识别与诊断的判断标准之一。

来自成都医学院的研究团队就提出了一种基于面部表情分析系统（FaceReader）提供的面部表情参数和人口统计学特征的贝叶斯网络模型来预测PD，旨在为临床诊断和治疗提供初步依据，并应用于关注PD面部表情障碍患者的需求和康复（Mouse et al., 2025）。

帕金森病的早期识别与诊断
帕金森病的主要临床表现包括震颤、肌强直、运动迟缓、姿势不稳以及“面具脸”（hypomimia）等症状。其中，“面具脸”作为早期典型症状之一，表现为面部表情减少、眨眼异常，是肌张力增高导致面部肌肉活动受限的结果。

研究表明，帕金森病患者不仅在表达基本情绪时存在困难，而且在识别他人面部表情时也表现出缺陷。这种情绪识别和表达的障碍不仅影响了患者的社交互动和心理健康，还可能加剧疾病的非运动症状，如抑郁和焦虑。
 

尽管已有研究揭示了帕金森病患者面部表情的变化，但这些变化如何具体影响疾病的早期识别和诊断仍不明确。因此，开发一种基于面部表情分析的早期诊断工具具有重要的临床意义和应用前景。

FaceReader帮助精准捕捉面部肌肉变化
实验招募了成都医学院第一附属医院的18名帕金森病患者和18名健康对照者。

实验中，被试被要求进行12个单音节、8个双音节和6个多音节词的发音测试，同时使用电脑的前置摄像头记录其面部表情。为确保数据准确性，实验在均匀照明的房间内进行（图1）。
 

图1

其中，使用诺达思的面部表情分析系统（FaceReader）对录制的视频片段进行面部表情分析。软件基于面部动作单元（Facial Action Units, AUs）分析面部肌肉运动，能够自动识别20种常用的面部动作单元，并同时测量面部两侧的活动强度，精准捕捉被试在发音过程中面部肌肉的微小运动。

分析结果包括七种基本表情：快乐、悲伤、愤怒、惊讶、恐惧、厌恶和中性表情。此外，FaceReader提供每种表情的强度参数（如效价和唤醒度），以及面部动作单元的活动强度数据。

实验共收集了67224个面部表情参数，并详细记录了被试的人口学信息，包括年龄、性别、职业、教育水平、饮酒习惯和吸烟习惯等。

使用信息增益方法筛选出16个随机变量（性别、年龄、饮酒、吸烟、职业、教育水平、中性、快乐、唤醒度、惊讶、效价、悲伤、厌恶、愤怒、恐惧和组别）用于构建贝叶斯网络模型。最终，构建了基于整个数据集、单音节测试、双音节测试和多音节测试的四个贝叶斯网络模型(图1）。

面部表情、人口学信息 与帕金森患病率的关系构建
结果表明，帕金森病组和对照组在性别、年龄、饮酒、吸烟、职业和教育水平方面无显著差异（p > 0.05），而在三种音节测试中的面部表情存在显著差异（p < 0.001）。

具体而言，帕金森病组的快乐、惊讶、效价和唤醒度中值显著低于对照组，而负面表情（悲伤、愤怒、恐惧和厌恶）的中值显著高于对照组（表1）。这一发现与过往研究结果一致，进一步证实了帕金森病患者正面表情减少、负面表情增多的现象。这一变化与疾病进展过程中的面部肌张力增高密切相关。

表1

分析贝叶斯网络模型的有效性，结果显示，四个贝叶斯网络模型的训练集和测试集的敏感度、特异度和曲线下面积（AUC）均接近0.96，模型间无显著差异。这表明基于面部表情和人口统计学特征的贝叶斯网络模型在预测帕金森病概率方面具有较高的准确性和可靠性，能进一步构建面部表情、人口统计学特征与帕金森病概率之间的复杂关系，为临床诊断提供有力支持。

此外，通过信息增益方法筛选出的关键变量中，年龄、教育水平和职业是预测帕金森病概率的最重要因素。随着年龄的增长，帕金森病的概率增加；教育水平较高和特定职业选择可能增加患病风险。在面部表情参数中，“快乐”在单音节、双音节和未分段音节模型中是最具影响力的因素，而唤醒度在多音节模型中是最佳预测因子。

此外，通过分析不同音节测试中的面部表情变化，可以更准确地预测帕金森病的概率。特别是单音节阅读时产生的恐惧表情对PD概率的影响最大，多音节阅读时产生的厌恶表情对PD概率的影响最小。

这或许是因为，随着发音复杂性的增加，帕金森病患者的认知负荷也相应增加，导致大脑神经对肌肉运动的控制变得更加困难。这可以解释为什么在多音节测试中，患者的负面表情增加较少，而正面表情减少更为显著。理解不同发音复杂性水平下帕金森病患者的认知负荷和运动规划需求，有助于开发更有效的康复治疗方案。

面部表情分析在帕金森病诊断中的潜力
本研究通过贝叶斯网络模型分析了面部表情变化在帕金森病早期诊断中的潜力，确定了面部表情对PD的概率有显著影响。

研究表明，使用面部表情分析系统（FaceReader）分析帕金森病患者的面部表情变化，有助于揭示患者情绪表达的障碍类型和程度。系统自动化高效可靠的数据分析能力可为制定个性化的康复治疗方案提供依据。未来研究可以针对患者情绪表达的障碍类型，设计相应的情绪训练和面部肌肉锻炼计划，以改善患者的情绪表达和社交互动能力。

此外，未来研究应进一步扩大样本量、探讨药物影响，并开发基于移动技术的家庭康复工具。例如可以利用平板电脑上的专用应用程序，通过实时面部表情分析为患者提供个性化康复建议。

参考文献

• Mouse M, Gong H, Liu Y, Xu F, Zou X, Huang M and Yang X (2025) Changes in facial expressions can distinguish Parkinson’s disease via Bayesian inference. Front. Neurol. 16:1533942.

欢迎关注诺达思官方公众号，了解更多精彩内容！