人工智能人臉識別技術(shù)在ICU的應(yīng)用

[摘要]"抑郁情緒已成為重癥醫(yī)學(xué)科（intensive"care"unit，ICU）患者中最為常見的一種精神障礙性表現(xiàn)，是ICU綜合征的重要個體影響因素之一，及時識別ICU患者抑郁情緒的發(fā)生已成為一個非常緊迫的公共健康問題。近年來隨著人工智能在ICU領(lǐng)域得到較好發(fā)展，作為人工智能重要領(lǐng)域之一的人臉識別技術(shù)對抑郁情緒的早期識別和判斷也有著積極作用。

[關(guān)鍵詞]"人工智能；人臉識別；重癥監(jiān)護室；抑郁

[中圖分類號]"R44""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2025.11.029

抑郁癥是一種高發(fā)病率的精神障礙，近幾年已上升為導(dǎo)致健康生命損傷的第三大原因[1]。研究表明抑郁癥的疾病負擔(dān)將可能發(fā)展成為僅次于心血管疾病的第二大疾病[2]。隨著對危重患者救治能力的不斷提升，幸存者常因重癥醫(yī)學(xué)科（intensive"care"unit，ICU）后綜合征的發(fā)生，出現(xiàn)認知、心理和生理的一系列功能障礙[3-4]。ICU抑郁狀態(tài)是指重癥患者在ICU治療期間或在轉(zhuǎn)出ICU后所發(fā)生的精神心理與行為失常的一系列表現(xiàn)。研究表明出現(xiàn)抑郁情緒在ICU的康復(fù)階段是非常普遍的，發(fā)病率高達60%[5-7]。當患者出現(xiàn)抑郁情緒時不僅放大自己的臨床癥狀，而且由于缺乏足夠的身體活動可能對后續(xù)的康復(fù)治療產(chǎn)生影響，進一步降低生活質(zhì)量，并妨礙其重新融入社會和工作[8?9]。對這種情緒的及時和準確早期診斷可能因患者的主觀評估、ICU環(huán)境及患者的配合等特殊因素而導(dǎo)致延誤。因此及時識別并預(yù)防ICU中的抑郁癥狀已成為一個非常緊迫的公共健康問題。

基于面部大數(shù)據(jù)分析的人臉識別的興起給出現(xiàn)抑郁精神障礙患者帶來曙光。隨著21世紀發(fā)起的第四次工業(yè)革命，人臉識別技術(shù)已成為當今醫(yī)學(xué)技術(shù)發(fā)展的熱點領(lǐng)域[10?13]。本研究圍繞人工智能人臉識別技術(shù)的基本原理、醫(yī)療應(yīng)用、抑郁的識別等展開綜述，旨在為將人臉識別技術(shù)引入ICU抑郁情緒的早期識別提供參考。

1""人臉識別技術(shù)的基本原理及情緒分析的基本方法

1.1""基本原理

人臉識別技術(shù)是一種通過計算機分析人臉圖像特征的人工智能技術(shù)，其基本原理是通過攝像頭或其他傳感器采集人臉圖像，通過人臉檢測算法，指出人臉區(qū)域并進行對齊和標準化。然后根據(jù)面部特征提取算法，提取出局部人臉的關(guān)鍵特征點或特征向量。最后，將提取出的特征與預(yù)先存儲的特征進行對比或通過機器學(xué)習(xí)算法進行分類，判斷出人臉的身份信息或情緒狀態(tài)。

1.2""情緒分析基本方法

情緒分析是人臉識別技術(shù)的一個重要應(yīng)用領(lǐng)域，其基本方法包括表情識別和情緒分析。表情識別是指將人臉圖像劃分為不同的表情類別通過分析判斷人的情緒狀態(tài)。它可以通過檢測人臉區(qū)域，提取出人臉表情的關(guān)鍵特征點或特征向量，隨后利用機器學(xué)習(xí)的方法對這些特征進行分類。常見的特征提取方法有主成分分析、線性判別分析和局部二值模式等[14]。而分類則常用支持向量機、人工神經(jīng)網(wǎng)絡(luò)等[15]。與表情識別相比，情緒分類更加復(fù)雜，因為情緒受到多種因素的綜合影響，如文化、背景、環(huán)境等。因此情緒分類往往需要借助大規(guī)模的數(shù)據(jù)和機器學(xué)習(xí)算法進行訓(xùn)練和優(yōu)化，常用的分類算法包括多層感知器、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等[16]。

2""人工智能人臉識別技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用及前景

2.1""人工智能技術(shù)在ICU中的應(yīng)用

隨著科技的不斷進步，人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域展現(xiàn)出巨大潛力和價值并逐漸成為研究熱點，人臉識別技術(shù)也在醫(yī)療領(lǐng)域取得一定發(fā)展[17]。研究表明人工智能技術(shù)在ICU中應(yīng)用起到關(guān)鍵性作用，尤其是醫(yī)生對疾病的早期識別診斷、早期預(yù)警、早期干預(yù)、臨床決策等[18-20]。

2.2""人臉識別技術(shù)應(yīng)用于抑郁癥的早期識別

人臉識別技術(shù)作為人工智能的重要分支，在醫(yī)療領(lǐng)域也得到一定的應(yīng)用，如對抑郁癥的早期識別，其核心在于對面部特征的識別和分析，通過對面部表情、眼神、嘴角等細微變化的識別，捕捉患者可能出現(xiàn)的抑郁癥狀。這些面部特征的變化可為醫(yī)生提供初步的診斷依據(jù)，有助于及時發(fā)現(xiàn)潛在的抑郁風(fēng)險。在平時的生活中，可通過一個人表情的變化推測其情緒波動，因此面部表情變化是判斷有無抑郁癥典型癥狀的一個途徑。研究表明抑郁癥患者面部聚集大量抑郁癥相關(guān)信息，因此部分研究通過采用人臉圖像識別技術(shù)開展抑郁癥的早期篩查[21]。研究者將算法用于學(xué)習(xí)面部表情的特征，進而分析抑郁癥患者的情緒變化和心理狀態(tài)，以此設(shè)計一種輔助診斷抑郁障礙的模型[22]。安昳等[23]提出通過對人臉宏觀結(jié)構(gòu)及微觀結(jié)構(gòu)信息的深入分析，利用動態(tài)描述符可顯著提升抑郁癥檢測的準確性。此外，有研究利用面部動作編碼系統(tǒng)識別微小表情變化，這些變化與悲傷、厭惡或蔑視等情緒特征相關(guān)，通過這些變化建立微觀人臉識別系統(tǒng)，達到有效提高抑郁癥監(jiān)測準確率的目的[24-25]。

2.3""人臉識別技術(shù)應(yīng)用于疼痛的早期評估

疼痛是一種主觀感受，每個人對疼痛的感知和表達方式存在顯著差異，這使得傳統(tǒng)的疼痛評估方法往往難以做到精準，而臉部的表情變化在這一方面則起到至關(guān)重要的作用[26-27]。近年來，隨著科技的不斷創(chuàng)新，人臉識別技術(shù)通過分析患者的面部表情可對患者非言語的疼痛信號進行量化分析。這種基于面部表情的疼痛評估方法能更加客觀地反映患者的疼痛程度，因此通過面部表情數(shù)據(jù)自動識別疼痛，可為醫(yī)生進行疾病診斷提供更加精確的參考指標，這無疑是一個高效的方法。人臉識別技術(shù)在疼痛管理的應(yīng)用中也存在一些問題，蔣斌等[28]認為現(xiàn)有的疼痛表情數(shù)據(jù)庫在數(shù)量和規(guī)模上都不夠完善，因此在實際應(yīng)用中還存在不少困難。彭進業(yè)等[29]指出盡管面部表情識別技術(shù)在疼痛診斷和治療中已相對完善，但仍需處理的表情數(shù)量急劇增加，因此該技術(shù)在疼痛識別算法中的效率仍需進一步提升，并在臨床實踐中需進行更深入的研究。Sakulchit等[30]的研究展示一種創(chuàng)新的面部表情應(yīng)用程序編程接口，與傳統(tǒng)的疼痛評估工具相比，具有更多優(yōu)勢，并有望在未來的研究中成為一種有效的疼痛評估工具。因此，對那些無法清晰表達或言語的疼痛患者來說，面部自動疼痛識別技術(shù)可能具有廣闊的應(yīng)用潛力。

3""基于面部特征人臉識別的抑郁表情識別方法研究

3.1""第一類：傳統(tǒng)的表情識別算法

傳統(tǒng)的表情識別方法通常基于人眼對表情的識別，然后通過將人眼的識別經(jīng)驗轉(zhuǎn)化為機器識別經(jīng)驗，實現(xiàn)機器對表情的識別。李曉凡等[31]利用圖像處理技術(shù)實現(xiàn)對精神類疾病的自動識別，以此發(fā)現(xiàn)抑郁癥患者和正常人在面部特征上的差異。研究者通過對表情行為模式的抑郁識別研究完成建模，并從中提取68個臉部特征點，隨后對68個特征點的坐標進行標記，并將其定為初級特征進行分析。最終從這些特征點中提取其物理參數(shù)，如距離、角度、面積等作為高級特征，并將其輸入分類器進行深入研究，這種方法的顯著優(yōu)勢首先是將特征點的坐標定為初級特征，其次這些特征點本身就有著各自清晰的含義，以此利用三維坐標構(gòu)建出不同的距離、梯度和面積特征，從而更方便地將抽象特征與面部表情和行為特征結(jié)合起來，觀察不同人群之間的行為差異；不足之處是在構(gòu)建高級特征時需使用相對復(fù)雜的模型，否則其準確性可能受到影響。

3.2""第二類：深度神經(jīng)網(wǎng)絡(luò)和表情識別

深度學(xué)習(xí)方法可在海量數(shù)據(jù)訓(xùn)練下消除光照和角度的干擾使表情識別更精準。Sakulchit等[30]以此作為基準，對人的面部表情進行識別，并將提取到的圖像展開二維LBP特征的統(tǒng)計分析和計算。該團隊在研究中介紹一種融合數(shù)字小波變換與局部二進制模式的技術(shù)，旨在從靜態(tài)圖像中能更加精準地識別人臉面部表情，其在Cohn-Kanade數(shù)據(jù)庫中識別的準確率達90%，在JAFFE數(shù)據(jù)庫中識別的準確率高達93%。

3.3""第三類：基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的表情識別算法

區(qū)域卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的算法，是神經(jīng)網(wǎng)絡(luò)的一個分支，可將圖像劃分為不同的區(qū)域，并分別提取每個區(qū)域里的特征，使其更精確地捕獲面部表情的細節(jié)。該算法是基于靜態(tài)的圖像特征并通過對所有特征的不同變化程度進行詳細的統(tǒng)計分析，進而形成一種基于時間模型的面部特征算法，與其他算法相比，這一新算法集成更豐富的時間信息，使得不同人群之間變化模式的差異能夠更加直觀的觀察。

3.4""第四類：基于卷積神經(jīng)網(wǎng)絡(luò)的動態(tài)表情識別

除靜態(tài)表情識別外，研究者還推出一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的動態(tài)人臉面部表情檢測算法。該算法可將人臉表情的不同特征相互關(guān)聯(lián)起來，從而更好地識別動態(tài)表情。Stratou等[32]對動作單元（AU）強度等特性進行深入研究，并對PTSD和抑郁癥進行深度探討，以此驗證AU特征的重要性和價值。

4""人臉識別技術(shù)在ICU中應(yīng)用的未來發(fā)展和挑戰(zhàn)

隨著科技的不斷進步，人工智能技術(shù)在ICU的應(yīng)用中展現(xiàn)出較大的潛力，人臉識別技術(shù)同樣也在疾病的早期識別與診斷中得到較好應(yīng)用。由于人臉識別在表情的判斷及疼痛方面有獨特的優(yōu)勢，預(yù)示其對ICU患者抑郁情緒的識別有較大潛力。但由于ICU患者的特殊性，人臉識別在ICU領(lǐng)域中如何準確表達、判斷和分類是一個有待進一步研究的重要難題。此外，如何保護用戶的隱私和數(shù)據(jù)安全也值得深入思考和研究。因此把握好人臉識別技術(shù)的精準性及技術(shù)與倫理的平衡是人臉識別技術(shù)向ICU領(lǐng)域發(fā)展的重要因素之一。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] 陳艷美."ICU患者心理變化影響因素與護理干預(yù)措施[J]."中國實用神經(jīng)疾病雜志，"2012，"15（16）："86–87.

[2] 趙晶晶，"姚莉，"李萌，"等."ICU患者抑郁焦慮發(fā)生的危險因素分析[J]."中華臨床醫(yī)師雜志（電子版），"2014，"8（24）："4418–4421.

[3] NIKAYIN"S，"RABIEE"A，"HASHEM"D"M，"et"al."Anxiety"symptoms"in"survivors"of"critical"illness："A"systematic"review"and"Meta-analysis[J]."General"Hospital"Psychiatry，"2016，"43："23–29.

[4] ANAHITA"R，"SINA"N，"MOHAMED"D"H，"et"al."Depressive"symptoms"after"critical"illness："A"systematic"review"and"Meta-analysis[J]."Crit"care"Med，"2016，"44（9）："1744–1753.

[5] SVENNINGSEN"H，"LANGHORN"L，"?G?RD"A"S，"""et"al."Post-ICU"symptoms，"consequences，"and"follow-up："An"integrative"review[J]."Nurs"Crit"Care，"2017，"22（4）："212–220.

[6] EMILY"B，"ANNA"S，"MATTEO"B，"et"al."The"impact"of"sepsis，"delirium，"and"psychological"distress"on"self-rated"cognitive"function"in"ICU"survivors-A"prospective"cohort"study[J]."J"Intensive"Care，"2018，"6（1）："2.

[7] DOROTHY"W，"NICOLE"A，"VAUGHAN"B，"et"al."Providing"psychological"support"to"people"in"intensive"care："Development"and"feasibility"study"of"a"nurse-led"intervention"to"prevent"acute"stress"and"long-term"morbidity[J]."BMJ"Open，"2018，"8（7）："021083.

[8] BIENVENU"O"J，"COLANTUONI"E，"MENDEZTE-"LLEZ"P"A，"et"al."Depressive"symptoms"and"impaired"physical"function"after"acute"lung"injury："A"2-year"longitudinal"study[J]."Am"J"Respir"Crit"Care"Med，"2012，"185（5）："517–524.

[9] 朱琳."以日記為載體的認知行為干預(yù)對ICU后綜合征患者創(chuàng)傷后應(yīng)激障礙及生活質(zhì)量的影響[J]."衛(wèi)生職業(yè)教育，"2021，"39（14）："133–135.

[10] 毛子駿，"朱鈺謙."人工智能的國外社會科學(xué)研究熱點綜述[J]."電子科技大學(xué)學(xué)報（社科版），"2023，"25（2）："55–67.

[11] 朱廷劭."人工智能助力心理學(xué)研究的應(yīng)用場景[J]."人民論壇·學(xué)術(shù)前沿，"2019（20）："48–53.

[12] 盧佳琨."淺談人工智能中人臉識別技術(shù)的應(yīng)用[J]."通訊世界，"2019，"26（1）："221–222.

[13] 吳文華."人臉識別技術(shù)的發(fā)展與功能[J]."電子技術(shù)與軟件工程，"2019（2）："76.

[14] CHANG"B，"CHOI"Y，"JEON"M，"et"al."ARPNet："Antidepressant"response"prediction"network"for"major"depressive"disorder[J]."Genes，"2019，"10（11）："907.

[15] RONALD"C"K，"IRVING"H，"CLAIRE"A"H，"et"al."Developing"a"practical"suicide"risk"prediction"model"for"targeting"high-risk"patients"in"the"Veterans"Health"Administration[J]."Int"J"Methods"Psychiatr"Res，"2017，"26"（3）："1575.

[16] 景晨凱，"宋濤，"莊雷，"等."基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]."計算機應(yīng)用與軟件，"2018，"35（1）："223–231.

[17] 劉南艷，"魏鴻飛，"馬圣祥."融合局部動態(tài)特征的面部表情識別[J]."計算機工程與科學(xué)，"2023，"45（5）："849–858.

[18] 王蘭."人工智能在重癥監(jiān)護中的應(yīng)用"（英文）[J]."中西醫(yī)結(jié)合護理（中英文），"2023，"9（7）："175–179.

[19] 迪麗熱巴·吐爾遜，"丁瓊莉，"于湘友."人工智能化管理在ICU中的應(yīng)用[J]."新疆醫(yī)學(xué)，"2021，"51（4）："378–380，"377.

[20] 胡月云，"李芬."人工智能技術(shù)在重癥監(jiān)護領(lǐng)域的應(yīng)用分析[J]."衛(wèi)生職業(yè)教育，"2021，"39（8）："150–152.

[21] 陳樂，"童瑩，"陳瑞，"等."端到端增強特征神經(jīng)網(wǎng)絡(luò)的視頻表情識別[J]."重慶理工大學(xué)學(xué)報（自然科學(xué)），"2019，"33（9）："125–131.

[22] WALECKI"R"O."Deep"structured"learning"for"facil"expression"intensity"estimation[J]."Mage"Vis"Comput，"2017，"259："143–154.

[23] 安昳，"曲珍，"許寧，"等."面部動態(tài)特征描述的抑郁癥識別[J]."中國圖象圖形學(xué)報，"2020，"25（11）："2415–2427.

[24] 楊煥新，"于艷紅，"呂曉敏，"等."抑郁癥肝氣郁癥患者面部表情及眼神的識別[J]."中國中醫(yī)基礎(chǔ)醫(yī)學(xué)雜志，"2017，"23（2）："230–233.

[25] GILANIE"G，"HASSAN"M"U，"ASGHAR"M，"et"al."An"automated"and"real"time"approach"of"depression"detection"from"facial"micro-expressions[J]."Comput"Mater"Contin，"2022，"73（2）："2513–2528.