孤獨癥譜系障礙兒童非典型面部表情特征及其在早期篩查中的應用

摘 "要""孤獨癥譜系障礙（Autism Spectrum Disorder， ASD）兒童表現出特有的非典型面部表情特征， 包括中性表情居多、積極表情減少、社交微笑頻率低以及自發面部表情模仿能力不足。這些特征從幼兒期到兒童期表現穩定， 已成為ASD風險評估的重要標志。然而， 傳統研究方法（如人工評估和面部肌電圖）在分析ASD兒童面部表情時存在主觀性強、耗時長且難以推廣等局限性。近年來， 人工智能的迅速發展使基于計算機視覺和深度學習的自動化表情識別技術得以應用， 不僅顯著提高了分析效率， 還降低了人為評估的主觀誤差， 為基于非典型面部表情特征的大規模ASD早期篩查提供了強有力的支持。未來研究可進一步優化識別模型， 通過設計更接近自然情境的誘發范式， 深入探索ASD兒童多樣化的面部表情特征， 同時提升模型的準確性和靈敏度， 以推動ASD早期篩查和干預的發展。

關鍵詞""孤獨癥譜系障礙， 面部表情， 計算機自動識別

分類號""R395

1""引言

孤獨癥譜系障礙（Autism Spectrum Disorder， ASD）是一種神經發育障礙， 主要特征包括社交障礙、語言與非語言交流困難， 以及重復性和刻板行為（First， 2013）。ASD不僅對患者及其家庭帶來巨大挑戰， 也對社會造成嚴重的經濟負擔。盡管目前尚未找到明確的認知神經標記或有效的治療手段（Saral et al.， 2023）， 但研究表明早期識別和干預可以顯著改善ASD兒童的語言能力、認知發展和行為表現， 從而提高其長期生活質量（Thabtah amp; Peebles， 2019）。因此， 高效的早期篩查是后續提供精準干預的基礎， 對ASD兒童的整體發展至關重要（Wieckowski et al.， 2021）。

近年來， 非典型面部表情特征逐漸被視為ASD兒童早期篩查的重要線索（Egger et al.， 2018; Hashemi et al.， 2021）。相對于典型發育（Typical Development， TD）兒童， ASD兒童通常表現出更多的中性表情、減少的積極表情和較低的社交性微笑頻率， 同時自發的面部表情模仿能力也較弱（Manfredonia et al.， 2019）。這些非典型的面部表情特征直接影響他們的社交能力和情感交流（Keating amp; Cook， 2021）， 并被認為是導致其社交和溝通障礙（Wieckowski et al.， 2021）、情緒理解困難及同理心發展滯后的重要原因（Grazzani et al.， 2018）。因此， 以非典型面部表情特征為基礎的早期篩查方法為ASD的早期診斷提供了重要依據。

ASD兒童非典型面部表情特征的評估方法經歷了三個主要發展階段。第一個階段主要依賴人工評估、家庭錄像分析和回顧性訪談等主觀判斷方法來評估ASD兒童的面部表情特征（Adrien et al.， 1993; Clifford amp; Dissanayake， 2008）。這種方法需要專業評估人員依照標準化的工具進行判斷， 雖然專業性較強， 但具有較高的主觀性， 且耗費大量人力和時間。第二階段采用了肌電圖（Electromyography， EMG）傳感器技術， 通過捕捉面部肌肉運動信息來識別ASD兒童的非典型面部表情特征（Beall et al.， 2008; 馬偉娜， 朱蓓蓓， 2014）。盡管該方法能夠提高測量的客觀性， 但其需要兒童佩戴如肌電電極等接觸性設備， 可能引發不適感而抑制自然表情， 影響數據的真實性和有效性。此外， 其操作復雜性限制了該方法在大規模篩查中的應用。第三階段則得益于計算機視覺和人工智能技術的快速發展， 通過非接觸式攝像設備記錄面部表情數據， 并利用自動化識別算法進行分析（Egger et al.， 2018; Hashemi et al.， 2021; 廖夢怡"等， 2021; 唐傳高"等， 2020）。這種方法有效降低了人為干預對評估結果的影響， 同時顯著提高了評估的效率和準確性， 尤其適用于大規模篩查場景。未來， 基于自動化表情識別的技術有望成為ASD風險評估的重要工具。

近年來， 隨著兒童面部表情研究文獻的迅速增長， 基于非典型面部表情特征的ASD早期篩查方法被認為具有重要的發展潛力。本文對該領域的實證研究進行了系統回顧：首先， 重點分析了ASD兒童非典型面部表情特征的表現、特異性及其穩定性; 其次， 梳理了從人工評估到計算機自動化識別技術的發展軌跡， 深入探討了各方法的適用性及其優勢與局限; 最后， 探討了基于這些面部表情特征的ASD早期篩查應用， 特別強調了人工智能技術的引入。這一技術不僅提高了篩查的生態效度（無需直接接觸被試）， 還增強了篩查效率（可處理多樣化數據并提升處理速度）， 并具備對大規模樣本進行篩查的潛力， 具有很強的代表性和實用性。

2""研究方法

2.1""文獻檢索策略

文獻檢索根據系統綜述和元分析首選報告（Preferred Reporting Items for Systematic reviews and Meta-Analyses， PRISMA）指南（Moher et al.， 2009）進行開展， 通過數據庫PubMed、EMBASE、Web of Science、AMS-journals、中國知網（China National Knowledge Infrastructure， CNKI）、萬方查找有關ASD兒童面部表情的研究， 檢索時間為建庫以來至2024年9月。檢索采取主題詞與自由詞相結合的方式， 檢索英文文獻時的檢索詞包括Autism Spectrum Disorder、measuring Autism Risk Behaviors、Facial Emotions、Facial Expression、Emotion Automatic。檢索中文文獻時的檢索詞包括孤獨癥譜系障礙、情緒表達、共情、孤獨癥早期篩查、兒童面部表情。

2.2""納入和排除標準

2.2.1""納入標準

（1）研究對象：ASD兒童與TD兒童， 其中ASD兒童符合ASD診斷標準、由專業醫生下診斷， 無性別限制。

（2）研究內容：包含ASD面部表情的測量， 有明確的測量指標。TD兒童或其他非ASD兒童作為對照組。

2.2.2""排除標準

（1）研究對象：僅有TD兒童， 以及主要對象為青少年和成年人（年齡大于12歲）。

（2）研究內容：沒有針對面部表情的明確測量指標。

（3）重復報道的文獻。

2.2.3""文獻綜述方法

根據以上標準， 共篩選出符合要求的文獻有6篇。篩選流程如圖1所示。

2.2.4""納入研究的基本信息

本文納入的研究結果顯示， 隨著人工智能技術的快速發展， 研究者通過觀看情緒面孔圖片、視頻、動畫片及人物互動視頻等方式來誘發兒童的面部情緒表情， 并利用攝像設備記錄這些表現， 將計算機自動識別技術應用于ASD兒童的面部表情識別和評估。這一方法有效地探討了面部表情作為一種穩定且有效的風險行為標志物的潛力， 能夠清晰區分ASD兒童與TD兒童， 表明非典型面部表情特征在ASD早期篩查中具有廣闊的應用前景。

3""結果

本文系統地納入了6篇關于ASD兒童非典型面部表情特征的文獻。表1總結了這些文獻中與ASD兒童非典型面部表情特征相關的研究設計和結果指標。下文將對6項研究的方法及結果進行分析和總結。

3.1 "ASD兒童非典型面部表情特征

3.1.1""中性面部表情居多， 積極面部表情減少

面部表情通常分為積極、消極和中性表情。一般而言， 積極和消極表情由特定的情緒刺激引

發， 而中性表情則常在缺乏明確情緒刺激的情境下出現（Briot et al.， 2021）。研究表明， ASD兒童在面部表情特征上顯著不同于TD兒童或非ASD兒童（Yeung， 2022）。Trevisan等人（2018）的一項元分析顯示， ASD兒童通常較少通過面部表情來表達情緒， 表現為表情頻率較低， 即使出現表情， 其持續時間也相對較短（Trevisan et al.， 2018）。這種特點使得ASD的早期特征之一便是傾向于表現更多的中性表情， 尤其在社交情境中， ASD兒童更常以中性或缺乏明顯情緒波動的面部表情為主（Clifford amp; Dissanayake， 2008）。相關研究進一步驗證了這一特點。在模擬日常互動情境中， ASD兒童在與母親對視時， 其中性表情的持續時間顯著高于非ASD兒童（唐傳高"等， 2020）。在實驗室環境下， ASD兒童觀看正性逗樂視頻（如泡泡、跳躍的兔子）時， 其中性表情的持續時間仍然顯著延長， 而積極表情的持續時間則明顯縮短（Egger et"al.， 2018; Hashemi et al.， 2021）。橫向研究還發現， 隨著年齡增長（1～5歲）， ASD兒童中性表情占據主導地位的特征持續穩定。盡管積極表情隨年齡有所增加， 但其比例仍顯著低于中性表情（Egger et al.， 2018）。

綜上， ASD兒童以中性面部表情居多、積極面部表情減少的特征， 可能反映其在情緒感知、社會情境理解以及自我情緒調節方面的顯著困難。這一特征在社交情境中尤為突出， 并隨年齡增長保持穩定。因此， 面部表情的頻率和持續時間可作為ASD風險行為的早期篩查指標。

3.1.2""社會性微笑頻率低

在兒童發育過程中， 微笑是最常見的社交行為之一。其中， 社會性微笑指兒童在微笑時注視他人， 這種行為在TD兒童中通常于2～3個月時開始出現， 并隨著年齡增長其頻率逐漸增加（Ahn et al.， 2024; Pezzotti et al.， 2024）。然而， 研究表明ASD兒童在社會性微笑的頻率和注意力集中方面存在顯著缺陷。與TD兒童相比， ASD兒童在社交情境中較少表現出社會性微笑， 這一特征被認為是ASD早期識別的重要指標之一（Ahn et al.， 2024）。Alvari等人（2021）的一項回顧性研究利用家庭錄像并結合基于OpenFace AI的軟件， 對12至16月齡兒童的面部表情行為和微動作進行分析。結果顯示， 與TD兒童相比， ASD兒童的社會性微笑頻率和持續時間顯著降低（Alvari et al.， 2021）。這種差異在與親密家庭成員的互動中尤為明顯， 即便面對父母， ASD兒童也較少主動展現微笑。類似地， Nichols等人（2014）招募了12～23月齡兒童的研究顯示， ASD高風險兒童的社會性微笑、非社會性微笑以及微笑時的眼神接觸均低于ASD風險較低的兒童（Nichols et al.， 2014）。此外， Filliter等人（2015）研究發現， ASD高風險兒童在6個月時已表現出顯著較低的社會性微笑水平和持續時間， 這一特征在12個月和18個月的后續年齡組中仍保持一致（Filliter et al.， 2015）。這些結果表明ASD兒童在社會性微笑和情緒互動方面的延遲在早期發育階段即已顯現， 并在后續發展過程中保持相對穩定。綜上， 社會性微笑的頻率、持續時間以及微笑時的眼神接觸均可作為識別ASD潛在風險的可靠標志。

3.1.3""面部表情自動模仿能力不足

在社交互動中， 人們通常會模仿他人的面部表情， 例如看到微笑的臉會不自覺地微笑， 看到憤怒的表情則會皺眉， 這種行為被稱為“面部模仿”， 是多項關鍵社會認知功能的基礎（Liu et al.， 2023）。臨床研究表明， 面部表情模仿能力的異常與嚴重的社會功能障礙密切相關（Korb et al.， 2010）。

面部表情自動模仿的評估主要基于接觸式的面部EMG和非接觸式的視頻表情識別方法。其評估指標包括模仿的準確性、自動性、強度和反應時間等多個維度。通過EMG分析， 不同表情對應特定的面部肌肉活動：大顴肌（位于面部兩側， 連接顴骨和嘴角）通常與微笑和愉快表情相關; 皺眉肌（位于眉毛上方）負責眉毛的內下拉， 常見于憤怒表情; 額肌內側部分（位于前額區域）則負責抬眉， 通常與驚訝或困惑表情有關。基于這些肌肉活動的反應模式， 研究人員能夠精確分析兒童對不同情緒表情的模仿能力。據此， Deschamps等人（2015） 通過EMG研究了20名ASD兒童與27名TD兒童（6～7歲）在觀看憤怒、恐懼、悲傷和快樂表情圖片時的自動模仿表現。結果顯示， 兩組兒童的模仿準確性并無顯著差異， 但ASD兒童的社會反應障礙與其對恐懼面孔模仿頻次的減少顯著相關（Deschamps et al.， 2015）。相較之下， Beall等人（2008）針對8～13歲ASD兒童的研究顯示， ASD兒童對不同情緒表情圖片的EMG反應缺乏穩定性和區分度， 暗示其面部模仿能力相較于TD兒童可能存在缺陷。然而， ASD兒童對快樂表情的模仿能力隨年齡增長而有所提升（Beall et al.， 2008）。另一方面， 使用非接觸式的視頻表情識別方法的研究也得出了類似結論。例如， Liu等人（2023）讓兒童觀看靜態彩色面部表情圖片（如高興、悲傷和恐懼）， 并利用自動面部編碼軟件分析視頻記錄。結果顯示， ASD兒童與TD兒童在表情模仿準確性的差異不顯著， 但ASD兒童的模仿強度顯著低于TD兒童（Liu et al.， 2023）。

總的來說， 基于接觸式面部EMG和非接觸式面部表情視頻識別技術的研究一致表明， ASD兒童在面部表情自動模仿能力方面存在一定程度的異常。盡管ASD兒童與TD兒童在表情模仿的準確性方面差異不顯著， 但ASD兒童的模仿強度較低， 尤其在面對恐懼和憤怒等負面情緒時的反應較為模糊， 且表情區分能力較弱。但值得注意的是， 隨著年齡增長， ASD兒童對積極情緒表情（如快樂）的模仿能力有所提高。這些研究表明， ASD兒童的社會反應障礙可能與其面部表情自動模仿能力的受損密切相關， 特別是在識別和模仿復雜表情方面存在不足。未來研究可結合更大樣本量和多維度生理反應指標， 進一步探討面部表情模仿能力的發育機制及其背后的神經基礎， 這將有助于開發更為精確的ASD早期篩查工具。

3.2 "ASD兒童非典型面部表情特征的評估工具

3.2.1""人工評估

人工評估主要依靠行為觀察與評估人員的主觀經驗判斷來實現對ASD兒童的早期篩查（Dawson et al.， 2005）。這種方法主要包括兩種方式：其一， 評估人員依據標準化診斷工具對ASD兒童進行評定， 例如使用嬰幼兒孤獨癥篩查量表， 收集兒童的日常行為和認知能力數據， 并由專業醫生通過觀察進行評估， 從而篩查ASD兒童（Guthrie et al.， 2019; Thabtah amp; Peebles， 2019）。其二， 依托家長錄制的ASD兒童外顯行為視頻， 評估人員根據標準化工具對視頻中兒童的面部表情變化進行逐幀分析（Clifford amp; Dissanayake， 2008）。然而， 無論是基于標準化工具的專業評估， 還是通過逐幀分析家庭錄像的人工編碼， 這些傳統篩查方法均存在以下局限性：

（1）"依賴專業資源：專業醫生的篩查需要長期培訓， 但醫療資源短缺導致篩查時間延長， 可能錯過干預的關鍵期。

（2）"主觀性限制：評估過程易受評估人員主觀因素影響， 降低了診斷結果的客觀性。

（3）"難以量化：直接觀察兒童的面部表情難以形成精確量化， 而逐幀分析錄像又極其耗費時間和精力。

（4）"擴展性不足：人工觀察方法難以支持大規模篩查， 限制了其應用范圍。

綜上， 傳統ASD早期篩查方式在人力成本、客觀性和效率方面均存在較大不足。為應對這些挑戰， 亟需開發一種新型、高效、客觀且經濟的篩查技術路徑， 從而彌補現有方法的局限， 推動ASD早期篩查的普及化和科學化。

3.2.2 "EMG傳感器

面部表情變化復雜且瞬息萬變， 直接觀察和記錄的難度較大。然而， EMG傳感器技術通過檢測面部肌肉的生物電活動， 為ASD兒童的面部表情捕捉與量化提供了重要的客觀工具。與傳統的人工評估方法相比， EMG技術具有以下優勢：

（1）"非侵入性："EMG傳感器僅需將電極貼附于皮膚表面即可測量肌肉電活動， 對兒童無任何傷害。

（2）"高靈敏度：EMG傳感器能夠檢測微弱的肌肉電信號， 精確反映肌肉的收縮和放松狀態。

（3）"高時間分辨率：EMG傳感器可以實時采集肌肉電信號， 達到毫秒級的時間分辨率， 適用于快速面部表情變化的動態過程分析。

（4）"高空間分辨率：EMG傳感器可安放于不同面部肌肉部位， 如額肌、顴肌和皺眉肌， 以研究肌肉活動的區域差異和協調性。

（5）"客觀性：通過量化記錄肌肉電信號， EMG技術能夠以數據形式精準呈現ASD兒童的面部表情特征， 避免主觀偏差。

盡管如此， EMG技術在應用于兒童面部表情檢測時仍面臨一些局限性。首先， 傳感器通常集中于臉頰和眉毛區域， 可能不足以全面捕捉復雜的面部表情活動， 進而限制對ASD面部表情異常嚴重程度的判斷（Pellicano amp; Burr， 2012）。其次， 傳感器的面部貼附可能對兒童自然表情產生抑制效果， 影響結果的生態效度。此外， EMG測量需要兒童一定程度的配合， 因此對于低年齡段兒童的早期篩查適用性有限。

3.2.3""計算機自動識別

近年來， 計算機人工智能領域的迅猛發展， 特別是機器學習和深度學習技術的成熟， 為計算機視覺在ASD早期篩查中的應用帶來了革命性進展（Leroy et al.， 2024）。基于計算機自動識別技術的ASD篩查展現出諸多優勢：

（1） 精確、客觀、定量描述兒童面部表情模式：計算機自動識別技術能夠精確捕捉兒童面部表情的細微變化， 從而實現對面部表情模式的定量描述。這種方法避免了人工評估的主觀性， 為面部表情研究提供了更加可靠的數據支持。

（2） 節約人工和時間， 支持大規模推廣：自動識別技術無需人工逐幀分析， 大大降低了分析成本和時間投入， 極大地提高了篩查效率。其高拓展性使其適用于大規模人群篩查， 有望緩解傳統篩查方式中醫療資源不足的問題。

（3） 設備簡單， 適用場景廣泛：面部表情識別僅需一臺普通攝像頭即可完成數據采集。其非接觸式特點不僅降低了操作難度， 還避免了因設備干擾對兒童自然表情的影響， 使其更適用于日常家庭或教育環境中的篩查。

（4） 多模態結合分類：計算機識別技術可以將面部表情數據與其他生物行為指標（如眼動軌跡、注意力測量）相結合， 通過多模態數據分析構建更加全面的ASD篩查模型， 從而提高篩查的準確性和可靠性。

3.3""應用：ASD兒童非典型面部表情特征的早期篩查——基于計算機的自動識別

上文指出， ASD兒童的非典型面部表情特征包括中性面部表情居多、積極面部表情減少、社交微笑頻率低、面部表情模仿能力不足等， 這些特征從幼兒期至兒童期保持穩定， 是ASD風險評估的重要標記物。現階段， 隨著計算機視覺技術和人工智能的發展， 基于這些非典型面部表情特征的自動化風險評估工具正逐步完善， 展現出極高的實用性：生態效度強（無需直接接觸被試， 減少人為干擾）、高效性突出（多樣化數據類型處理迅速）、適用于大規模篩查且具有較強的代表性。以下將從這三方面探討計算機技術在ASD兒童非典型面部表情特征早期篩查中的具體應用。

3.3.1""非接觸式面部表情識別的應用

本部分探討了如何基于面部表情特征實現非接觸式篩查， 體現該方法的生態性優勢。唐傳高等（2020）提出了一種基于兒童面部表情的ASD早期自動篩查方法。研究納入了30例8～18月齡的兒童（10例ASD兒童和20例TD兒童）， 讓母親與兒童模擬日常生活中的逗樂互動和靜止臉狀態， 期間使用隱蔽攝像設備（如普通攝像頭）記錄兒童的面部信息。研究人員結合人工標注和計算機自動識別方法， 對兒童的面部表情進行了識別。結果顯示， 在靜止臉狀態下， ASD兒童的中性面部表情時間顯著長于TD兒童， 且基于面部表情的自動化分類準確率達83.3% （唐傳高"等， 2020）。類似地， Hammal等人（2017）研究了16～31月齡兒童（42例ASD兒童和82例TD兒童）在觀看簡單視頻刺激（如氣泡、跳躍的兔子和木偶玩具， 視頻時長分別為30秒、66秒和68秒）時的面部表情。研究發現， 這些視頻能夠有效引發TD兒童的積極表情， 而ASD兒童表現出的積極表情較少， 再次驗證了非接觸式面部表情識別對ASD篩查的有效性（Hammal et al.， 2017）。此外， 國內學者采用了兒童感興趣的動畫片作為刺激材料， 從動畫版《家有兒女》電視劇中提取正向情緒視頻5個， 負向情緒視頻5個， 每個視頻時長為12s。研究者招募3～6歲兒童（14例ASD兒童， 14例TD兒童） 觀看動畫片， 并同時錄制兒童面部視頻。結果發現在觀看正性情緒視頻時， ASD兒童較TD兒童更少被激發出正性的面部表情; 而在觀看負性情緒視頻時， ASD和TD兒童的負性表情無顯著差異（廖夢怡"等， 2020）。這項研究展示了計算機實時面部表情識別的量化分析能力， 其生成的識別指標對ASD兒童的篩查具有參考價值。

綜上所述， 研究者采用攝像頭進行非接觸式面部表情識別技術在ASD篩查中展現了顯著的應用潛力。首先， 該方法依托攝像設備進行數據采集， 無需陌生的研究者現場記錄或受試者佩戴接觸性設備（如肌電電極）， 有效避免因接觸而抑制自然表情的可能性， 從而顯著提升了數據采集過程的便捷性和篩查的生態效度。其次， 通過設計模擬日常生活情境的實驗方法（如記錄兒童與母親的自然互動、觀看簡單刺激視頻或情緒感染力較強的動畫片）， 研究者能夠在更放松的環境中捕捉受試者更真實的面部表情特征。這種接近自然狀態的數據采集方式， 不僅優化了篩查的生態效度， 還增強了數據的代表性， 為ASD早期篩查和風險評估提供了更為可靠的技術支持。

3.3.2""面部表情融合多模態數據的高效數據處理應用

本部分聚焦于通過面部表情結合其他多種數據（如頭動、眼動、生理信號、語言和行為）提升ASD篩查的精確度和效率。多模態數據能夠揭示ASD兒童的多層面異常模式， 為早期診斷提供更全面的信息支持。Carpenter等人（2021）收集了22名ASD兒童（平均26月齡）和74名TD兒童（平均21.7月齡）自主觀看簡單刺激視頻（如氣泡、跳躍的兔子玩具、木偶玩具）， 以誘發兒童自發的面部表情， 最終記錄兒童面部視頻。與前人研究一致， 計算機視覺與機器學習技術分析結果顯示， ASD兒童表現出更多的中性表情， 而TD兒童則展現出更豐富的面部表情（Carpenter et al.， 2021）。基于此， 研究者進一步引入競爭性視覺刺激（人物與玩具同時出現）， 通過攝像頭與計算機識別技術追蹤兒童的面部朝向， 以判斷其注意力偏向人物還是玩具。結果顯示， 結合面部表情和朝向信息的多模態分析， 顯著提升了篩查的準確性， 有助于區分ASD和TD兒童（Carpenter et al.， 2021）。類似地， 廖夢怡等人（2021） 在研究中記錄了3～6歲兒童（74名ASD兒童， 70名TD兒童）觀看短片（“媽媽喂寶寶吃東西”）時的面部表情視頻、眼動數據以及認知問題作答的得分和反應時間。通過多模態數據融合并采用隨機森林分類器對ASD和TD兒童進行識別， 結果顯示融合多模態數據的分類準確率達85%， 顯著高于基于單一面部表情數據的準確率（廖夢怡"等， 2021）。最后， 馬偉娜和朱蓓蓓（2014）的研究則進一步整合了ASD兒童觀看不同情緒圖片時的生理信號（皮電、皮溫和指脈）數據。結果表明， ASD兒童在觀看情緒圖片時皮電、皮溫和指脈的變化顯著低于TD兒童， 提示情緒刺激難以引發ASD兒童的情緒反應（馬偉娜， 朱蓓蓓， 2014）。這一發現進一步表明ASD兒童中性表情偏多、積極表情減少的特征可能源于其情緒感知障礙。

綜上所述， 通過整合多模態數據進行ASD篩查， 不僅達到了較高的分類準確率， 還在某些情境下優于傳統依賴單一指標或人工評估的方法。因此， 多模態數據融合是一種極具潛力的ASD早期篩查技術， 為精準診斷提供了重要依據和應用價值。

3.3.3 "基于面部表情識別的大規模篩查技術應用

在基于ASD兒童非典型面部表情特征的早期篩查方法中， 現有研究多集中于小樣本數據。然而， 隨著ASD兒童早期篩查和干預需求的增長， 如何實現大規模篩查成為關鍵挑戰。在此背景下， 移動端技術的引入提供了重要的解決方案。Egger等人（2018）開發了一款基于智能手機的移動應用程序， 利用手機呈現視頻刺激材料（如泡泡、兔子、鏡子等）誘發兒童的社交和情感反應， 并通過手機攝像頭實時記錄兒童面部表情。該方法突破了傳統篩查在空間和時間上的限制， 家長可在家中靈活完成篩查， 方便快捷， 大大拓展了應用場景。研究中， 研究者利用計算機視覺和機器學習技術分析手機錄制的兒童面部視頻， 以自動檢測和分類兒童的情緒表情和行為模式。該研究覆蓋1756個家庭（兒童年齡12～72個月）， 收集了5618份照顧者報告和4441段自然環境中錄制的視頻。分析結果顯示， 與低風險ASD兒童相比， 高ASD風險兒童在觀看泡泡、兔子和鏡子刺激時的中性表情顯著增多， 積極表情顯著減少（Egger et al.， 2018）。因此， 這些特征可以作為早期篩查的有效指標， 通過分析這些面部表情特征可以較早地識別出高ASD風險兒童。類似地， Thabtah和Peebles （2019） 則開發了一款基于機器學習的移動端篩查工具ASD Tests。該應用通過簡化傳統篩查量表， 為不同年齡段（嬰幼兒期、兒童期、青少年期和成人期）設計了專屬測試， 每組僅需完成10道測試題， 耗時3～5分鐘。非專業人員也能輕松操作， 并可廣泛應用于家庭、學校或醫療機構等場景。研究發現， 該工具對于ASD兒童的篩查靈敏度、特異性和準確率均超過95%， 是一個高效、普及性強的篩查解決方案（Thabtah amp; Peebles， 2019）。

以往的ASD篩查多在實驗室或醫院環境中進行， 而Egger等人（2018）， 以及Thabtah和Peebles （2019）開發的移動APP使家長能夠利用智能手機在兒童的自然環境中采集數據， 從而捕捉其自然狀態下的行為。基于移動應用程序的計算機大規模篩查不受時間和空間的限制， 擴展了篩查的應用場景， 適用于家庭、學校等多種場所。此方法在實驗室環境和自然場景均可記錄和識別ASD兒童的面部表情， 提高了生態效度， 為ASD的大規模早期篩查提供了切實可行的技術支持。

4""總結與展望

本文圍繞ASD兒童的非典型面部表情特征展開討論， 首先梳理了ASD兒童的主要特征， 包括：中性面部表情居多， 積極面部表情減少， 社交性微笑頻率低， 以及自發面部表情模仿能力不足。其次， 系統回顧了現有評估工具， 并分析了人工評估、面部EMG評估和計算機面部表情自動識別三大評估方法的演進過程， 明確了各自的優勢與不足。具體而言， 人工評估依賴專家的主觀判斷， 盡管具備專業性， 但效率較低且存在主觀偏差; 面部EMG評估提供了精確的面部肌肉活動數據， 但其操作復雜且可能影響自然表情; 而計算機自動識別則通過人工智能技術實現了更高效、客觀的情緒表情識別， 展現出廣泛的應用潛力。最后， 本文重點探討了基于計算機人工智能技術的面部表情識別在ASD兒童早期篩查中的應用潛力， 指出該技術有助于提升篩查效率和精度， 為早期干預提供重要支持。未來的研究還可以加強以下幾個方面：

設計更接近自然場景下兒童面部表情的誘發范式， 提高實驗生態效度。研究者不斷嘗試通過從靜態圖片到簡單幾何刺激動畫、再到具有社交屬性的人類互動視頻及兒童喜愛的動畫片等多種實驗材料， 逐步探索對兒童更具吸引力的實驗設計， 以誘發更真實的面部表情。此外， 通過調控刺激材料的效價（正性、中性和負性）， 實驗也能引導兒童展現不同的面部表情。然而， 這一方法中仍有三方面的問題可以進一步優化：一是視頻材料的選擇和適齡性， 視頻是否符合該年齡段兒童的喜好和理解能力， 直接影響其專注度和情緒表情。因此， 實驗前應先對視頻材料進行適齡性評估， 確保其符合目標兒童的興趣。實驗后也可測量兒童對視頻的興趣度和理解程度， 以進一步確認材料的有效性和適用性。二是視頻材料的呈現時長， 常見的視頻時長為12至68秒， 若時長過短， 兒童可能未能完全沉浸于動畫情境之中， 影響對情境的理解， 從而影響真實面部表情。因此， 適當延長視頻時長， 以便兒童能夠充分進入情境， 有助于捕捉更真實的情緒表情。三是視頻材料的效價設計， 當前研究多使用單一效價的視頻材料（正性、中性或負性）進行分類分析。然而， 讓兒童從觀看一個正性片段切換到一個負性片段， 容易造成情感割裂， 這種方式仍帶有實驗室設計的特性， 欠缺自然情境的連貫性。未來研究可考慮使用包含正性、中性和負性情節起伏的單一長片段視頻，"以保證故事情節的完整性。在保持兒童專注力的同時， 后續分析可以分離出不同效價片段所誘發的面部表情特征， 以實現更自然、生態的實驗設計。

探索多樣化的ASD兒童面部表情特征。現階段， 關于ASD兒童非典型面部表情特征的一致性結果主要集中在正性表情減少和中性表情偏多。然而， 也有部分研究探討ASD兒童在觀看負性刺激材料時的面部表情特征， 但結果存在爭議。一般而言， ASD兒童在面對負性刺激時， 仍傾向于保持較多的中性表情（Brewer et al.， 2016）， 負性情緒表情較少或顯現出延遲， 這可能反映了ASD兒童在識別負性情緒方面存在困難（Ashwin et al.， 2006）， 也可能是他們雖然能夠感知到負性情緒， 但面部表情依然較為僵硬（Pelphrey et al.， 2002）。此外， 其他研究發現ASD兒童及青少年在面對憤怒和恐懼刺激時， 其神經反應與非ASD兒童無顯著差異， 未表現出特異性的面部表情（Malaia et al.， 2019）。然而， 有些研究指出ASD兒童在面對負性刺激時表現出更為強烈的情緒表情（Magnée et al.， 2007）， 或者表現出一種不協調的面部表情， 例如憤怒的皺眉伴隨揚起的眉毛（Beall et al.， 2008）。這些非典型反應提示ASD兒童在負性表情方面存在更為復雜和多樣的表現模式。因此， 未來研究應繼續深入探索ASD兒童在面對負性刺激時的非典型面部表情特征， 包括他們可能展現出的不協調或奇異的面部表情。這一研究方向將有助于揭示ASD兒童在情緒表情識別與表達方面的獨特表現， 為ASD篩查和干預提供更多的依據。

提高計算機面部表情自動識別模型的準確度和靈敏度。由于兒童處于發育階段， 面部特征與成人存在顯著差異（Hammal et al.， 2017）。未來研究可以通過針對不同年齡段（如幼兒期和兒童期）構建各年齡組的情緒面部表情數據庫， 以提升面部表情識別模型的準確性。同時， 通過大數據樣本建立ASD兒童非典型面部表情特征的常模， 也能顯著增強識別效果。此外， 計算機自動識別技術有助于監測兒童面部表情的時間動態變化， 推導出諸如表情誘發強度、誘發時間、維持時間等量化指標。這些時間動態特征有助于深入了解ASD兒童的面部表情。進一步地， 計算機技術可結合量表、認知測試和眼動等多種特征指標， 整合多維數據， 提升對ASD兒童非典型面部表情的評估能力。

參考文獻

廖夢怡， 陳靚影， 王廣帥， 彭世新. （2021）. 融合多模態數據的自閉癥譜系障礙兒童智能化識別及其有效性. 科學通報， 66（20）， 2618?2628.

廖夢怡， 陳靚影， 張坤， 王廣帥. （2020）. 自閉癥譜系障礙兒童共情過程中能力缺陷量化研究. 中國特殊教育， （1）， 51?59.

馬偉娜， 朱蓓蓓. （2014）. 孤獨癥兒童的情緒共情能力及情緒表情注意方式. 心理學報， 46（4）， 528?539.

唐傳高， 鄭文明， 宗源， 仇娜娜， 閆思蒙， 翟夢瑤， 柯曉燕. （2020）. 深度空時嬰幼兒表情識別模型下的ASD自動篩查. 中國圖象圖形學報， 25（11）， 2404?2414.

Adrien， J. L.， Lenoir， P.， Martineau， J.， Perrot， A.， Hameury， L.， Larmande， C.， amp; Sauvage， D. （1993）. Blind ratings of early symptoms of autism based upon family home movies. Journal of the American Academy of Child and Adolescent Psychiatry， 32（3）， 617?626. https：//doi.org/10.1097/00004583-"199305000-00019.

Ahn， Y. A.， Moffitt， J. M.， Tao， Y.， Custode， S.， Parlade， M.， Beaumont， A.， … Messinger， D. S. （2024）. Objective measurement of social gaze and smile behaviors in children with suspected autism spectrum disorder during administration of the autism diagnostic observation schedule， 2nd edition. Journal of Autism and Developmental"Disorders， 54（6）， 2124?2137. https：//doi.org/10.1007/s10803-023-05990-z.

Alvari， G.， Furlanello， C.， amp; Venuti， P. （2021）. Is smiling the key？ Machine learning analytics detect subtle patterns in micro-expressions of infants with ASD. Journal of Clinical Medicine， 10（8）， 1776. https：//doi.org/10.3390/"jcm10081776

Ashwin， C.， Chapman， E.， Colle， L.， amp; Baron-Cohen， S. （2006）. Impaired recognition of negative basic emotions in autism： A test of the amygdala theory. Social Neuroscience， 1（3?4）， 349?363. https：//doi.org/10.1080/17470910601040772

Beall， P. M.， Moody， E. J.， McIntosh， D. N.， Hepburn， S. L.， amp; Reed， C. L. （2008）. Rapid facial reactions to emotional facial expressions in typically developing children and children with autism spectrum disorder. Journal of Experimental Child Psychology， 101（3）， 206?223. https：//"doi.org/10.1016/j.jecp.2008.04.004

Brewer， R.， Biotti， F.， Catmur， C.， Press， C.， Happé， F.， Cook， R.， amp; Bird， G. （2016）. Can neurotypical individuals read autistic facial expressions？ Atypical production of emotional facial expressions in autism spectrum disorders. Autism Research， 9（2）， 262?271. https：//doi.org/10.1002/"aur.1508

Briot， K.， Pizano， A.， Bouvard， M.， amp; Amestoy， A. （2021）. New technologies as promising tools for assessing facial emotion expressions impairments in ASD： A systematic review. Frontiers in Psychiatry， 12， 634756. https：//doi."org/10.3389/fpsyt.2021.634756

Carpenter， K. L. H.， Hahemi， J.， Campbell， K.， Lippmann， S. J.， Baker， J. P.， Egger， H. L.， ... Dawson， G. （2021）. Digital behavioral phenotyping detects atypical pattern of facial expression in toddlers with autism. Autism Research， 14（3）， 488?499. https：//doi.org/10.1002/aur.2391

Clifford， S. M.， amp; Dissanayake， C. （2008）. The early development of joint attention in infants with autistic disorder using home video observations and parental interview. Journal of Autism and Developmental Disorders，"38（5）， 791?805. https：//doi.org/10.1007/s10803-007-0444-7

Dawson， G.， Webb， S. J.， amp; McPartland， J. （2005）. Understanding the nature of face processing impairment in autism： Insights from behavioral and electrophysiological studies. Developmental Neuropsychology， 27（3）， 403?424. https：//doi.org/10.1207/s15326942dn2703_6

Deschamps， P. K. H.， Coppes， L.， Kenemans， J. L.， Schutter， D. J. L. G.， amp; Matthys， W. （2015）. Electromyographic responses to emotional facial expressions in 6?7 year olds with autism spectrum disorders. Journal of Autism and Developmental Disorders， 45（2）， 354?362. https：//doi.org/"10.1007/s10803-013-1890-z

Egger， H. L.， Dawson， G.， Hashemi， J.， Carpenter， K. L. H.， Espinosa， S.， Campbell， K.， ... Sapiro， G. （2018）. Automatic emotion and attention analysis of young children at home： A researchKit autism feasibility study. NPJ Digital Medicine， 1， 20. https：//doi.org/10.1038/s41746-"018-0024-6

Filliter， J. H.， Longard， J.， Lawrence， M. A.， Zwaigenbaum， L.， Brian， J.， Garon， N.， ... Bryson， S. E. （2015）. Positive affect in infant siblings of children diagnosed with autism spectrum disorder. Journal of Abnormal Child Psychology， 43（3）， 567?575. https：//doi.org/10.1007/s10802-014-9921-6

First， M. B. （2013）. Diagnostic and statistical manual of mental disorders， 5th edition， and clinical utility. The Journal of Nervous and Mental Disease， 201（9）， 727?729. https：//doi.org/10.1097/NMD.0b013e3182a2168a

Grazzani， I.， Ornaghi， V.， Conte， E.， Pepe， A.， amp; Caprin， C. （2018）. The relation between emotion understanding and theory of mind in children aged 3 to 8： The key role of language. Frontiers in Psychology， 9， 724. https：//doi.org/"10.3389/fpsyg.2018.00724

Guthrie， W.， Wallis， K.， Bennett， A.， Brooks， E.， Dudley， J.， Gerdes， M.， ... Miller， J. S. （2019）. Accuracy of autism screening in a large pediatric network. Pediatrics， 144（4）， e20183963. https：//doi.org/10.1542/peds.2018-3963

Hammal， Z.， Chu， W. S.， Cohn， J. F.， Heike， C.， amp; Speltz， M. L. （2017）. Automatic action unit detection in infants using convolutional neural network. 2017 Seventh International Conference on Affective Computing and Intelligent Interaction （ACII）， San Antonio， TX， USA， pp.216?221. https：//doi.org/10.1109/ACII.2017.8273603

Hashemi， J.， Dawson， G.， Carpenter， K. L. H.， Campbell， K.， Qiu， Q.， Espinosa， S.， ... Sapiro， G. （2021）. Computer vision analysis for quantification of autism risk behaviors. IEEE Transactions on Affective Computing， 12（1）， 215?226. https：//doi.org/10.1109/TAFFC.2018.2868196

Keating， C. T.， amp; Cook， J. L. （2021）. Facial expression production and recognition in autism spectrum disorders： A shifting landscape. Psychiatric Clinics of North America， 44（1）， 125?139. https：//doi.org/10.1016/j.psc.2020.11.010

Korb， S.， Grandjean， D.， amp; Scherer， K. R. （2010）. Timing and voluntary suppression of facial mimicry to smiling faces in a Go/NoGo task-An EMG study. Biological Psychology， 85（2）， 347?349. https：//doi.org/10.1016/j."biopsycho.2010.07.012

Leroy， G.， Andrews， J. G.， Kealohi-Preece， M.， Jaswani， A.， Song， H.， Galindo， M. K.， amp; Rice， S. A. （2024）. Transparent deep learning to identify autism spectrum disorders （ASD） in EHR using clinical notes. Journal of the American Medical Informatics Association， 31（6）， 1313?1321. https：//doi.org/10.1093/jamia/ocae080

Liu， S.， Wang， Y.， amp; Song， Y. （2023）. Atypical facial mimicry for basic emotions in children with autism spectrum disorder. Autism Research， 16（7）， 1375?1388. https：//doi.org/10.1002/aur.2957

Magnée， M. J. C. M.， De Gelder， B.， Van Engeland， H.， amp; Kemner， C. （2007）. Facial electromyographic responses to emotional information from faces and voices in individuals"with pervasive developmental disorder. Journal of Child Psychology and Psychiatry and Allied Disciplines， 48（11）， 1122?1130. https：//doi.org/10.1111/j.1469-7610.2007.01779.x

Malaia， E.， Cockerham， D.， amp; Rublein， K. （2019）. Visual integration of fear and anger emotional cues by children on the autism spectrum and neurotypical peers： An EEG study. Neuropsychologia， 126， 138?146. https：//doi.org/"10.1016/j.neuropsychologia.2017.06.014

Manfredonia， J.， Bangerter， A.， Manyakov， N. V.， Ness， S.， Lewin， D.， Skalkin， A.， ... Pandina， G. （2019）. Automatic recognition of posed facial expression of emotion in individuals with autism spectrum disorder. Journal of Autism and Developmental Disorders， 49（1）， 279?293. https：//doi.org/10.1007/s10803-018-3757-9

Moher， D.， Liberati， A.， Tetzlaff， J.， Altman， D. G.， Antes， G.， Atkins， D.， … Tugwell， P. （2009）. Preferred reporting items for systematic reviews and meta-analyses： The PRISMA statement. PLoS Medicine， 6（7）， e1000097. https：//doi.org/10.1371/journal.pmed.1000097

Nichols， C. M. M.， Iba?ez， L. V.， Foss-Feig， J. H.， amp; Stone， W. L. （2014）. Social smiling and its components in high-"risk infant siblings without later ASD symptomatology. Journal of Autism and Developmental Disorders， 44（4）， 894?902. https：//doi.org/10.1007/s10803-013-1944-2

Pellicano， E.， amp; Burr， D. （2012）. When the world becomes “too real”： A bayesian explanation of autistic perception. Trends in Cognitive Sciences， 16（10）， 504?510. https：//doi."org/10.1016/j.tics.2012.08.009

Pelphrey， K. A.， Sasson， N. J.， Reznick， J. S.， Paul， G.， Goldman， B. D.， amp; Piven， J. （2002）. Visual scanning of faces in autism. Journal of Autism and Developmental Disorders， 32（4）， 249?261. https：//doi.org/10.1023/A："1016374617369

Pezzotti， E.， Provenzi， L.， Naboni， C.， Capelli， E.， Ghirardello， S.， Borgatti， R.， amp; Orcesi， S. （2024）. Masked or not， I smile to you： Exploring full-term and preterm infants’ social smiles to adults wearing a protective facemask. Infant Behavior and Development， 75（10）， 101947. https：//"doi.org/10.1016/j.infbeh.2024.101947

Saral， D.， Olcay， S.， amp; Ozturk， H. （2023）. Autism spectrum disorder： When there is no cure， there are countless of treatments. Journal of Autism and Developmental Disorders，"53（12）， 4901?4916. https：//doi.org/10.1007/s10803-022-"05745-2

Thabtah， F.， amp; Peebles， D. （2019）. Early autism screening： A comprehensive review. International Journal of Environmental Research and Public Health， 16（18）， 3502. https：//doi."org/10.3390/ijerph16183502

Trevisan， D. A.， Hoskyn， M.， amp; Birmingham， E. （2018）. Facial expression production in autism： A meta-analysis. Autism Research， 11（12）， 1586?1601. https：//doi.org/10.1002/"aur.2037

Wieckowski， A. T.， Hamner， T.， Nanovic， S.， Porto， K. S.， Coulter， K. L.， Eldeeb， S. Y.， ... Robins， D. L. （2021）. Early and repeated screening detects autism spectrum disorder. Journal of Pediatrics， 234， 227?235. https：//doi."org/10.1016/j.jpeds.2021.03.009

Yeung， M. K. （2022）. A systematic review and meta-analysis of facial emotion recognition in autism spectrum disorder： The specificity of deficits and the role of task characteristics. Neuroscience and Biobehavioral Reviews， 133， 104518. https：//doi.org/10.1016/j.neubiorev.2021.104518

Atypical facial expression characteristics in children with autism spectrum disorder and their application in early screening

YANG Ping¹， FANG Runqiu²， WENG Xuchu²

（¹"School of Psychology， Guizhou Normal University， Guiyang 550025，"China）（²"Institute of Brain Research and Rehabilitation， South China Normal University， Guangzhou 510898，"China）

Abstract： Children with Autism Spectrum Disorder （ASD） exhibit atypical facial emotional expressions， such as a prevalence of neutral expressions， reduced positive expressions， lower frequency of social smiles， and limited spontaneous facial mimicry. These characteristics remain stable from infancy to childhood， making them important markers for ASD risk assessment. However， traditional assessment methods， such as manual observation and facial electromyography， have limitations in analyzing facial emotional expressions in ASD children due to high subjectivity， time consumption， and difficulties in large-scale application. In recent years， advancements in artificial intelligence have facilitated the application of automated facial expression recognition technology based on computer vision and deep learning， significantly enhancing efficiency and reducing subjective bias， thereby providing strong support for large-scale ASD early screening based on atypical facial expressions. Future research could further optimize recognition models by designing more naturalistic induction paradigms to explore the diverse facial emotional expressions of ASD children， thus improving the accuracy and sensitivity of automated models and advancing ASD early screening and intervention efforts.

Keywords："autism spectrum disorder， facial expression， computer automatic recognition