隨著全球人口老齡化的加劇，帕金森病（Parkinson’s Disease, PD）的發病率逐年上升，成為繼阿爾茨海默病之后的第二大常見神經退行性疾病。據預測，未來幾年內帕金森病的患者數量將翻倍，這不僅對患者的健康和生活質量構成嚴重威脅，也給社會和醫療體系帶來了巨大的經濟負擔。

帕金森病的其中一個癥狀是面部表情的情緒表達出現缺陷，因此，面部表情的變化也成為其早期識別與診斷的判斷標準之一。

來自成都醫學院的研究團隊就提出了一種基于面部表情分析系統（FaceReader）提供的面部表情參數和人口統計學特征的貝葉斯網絡模型來預測PD，旨在為臨床診斷和治療提供初步依據，并應用于關注PD面部表情障礙患者的需求和康復（Mouse et al., 2025）。

帕金森病的早期識別與診斷
帕金森病的主要臨床表現包括震顫、肌強直、運動遲緩、姿勢不穩以及“面具臉”（hypomimia）等癥狀。其中，“面具臉”作為早期典型癥狀之一，表現為面部表情減少、眨眼異常，是肌張力增高導致面部肌肉活動受限的結果。

研究表明，帕金森病患者不僅在表達基本情緒時存在困難，而且在識別他人面部表情時也表現出缺陷。這種情緒識別和表達的障礙不僅影響了患者的社交互動和心理健康，還可能加劇疾病的非運動癥狀，如抑郁和焦慮。
 

盡管已有研究揭示了帕金森病患者面部表情的變化，但這些變化如何具體影響疾病的早期識別和診斷仍不明確。因此，開發一種基于面部表情分析的早期診斷工具具有重要的臨床意義和應用前景。

FaceReader幫助精準捕捉面部肌肉變化
實驗招募了成都醫學院第一附屬醫院的18名帕金森病患者和18名健康對照者。

實驗中，被試被要求進行12個單音節、8個雙音節和6個多音節詞的發音測試，同時使用電腦的前置攝像頭記錄其面部表情。為確保數據準確性，實驗在均勻照明的房間內進行（圖1）。
 

圖1

其中，使用諾達思的面部表情分析系統（FaceReader）對錄制的視頻片段進行面部表情分析。軟件基于面部動作單元（Facial Action Units, AUs）分析面部肌肉運動，能夠自動識別20種常用的面部動作單元，并同時測量面部兩側的活動強度，精準捕捉被試在發音過程中面部肌肉的微小運動。

分析結果包括七種基本表情：快樂、悲傷、憤怒、驚訝、恐懼、厭惡和中性表情。此外，FaceReader提供每種表情的強度參數（如效價和喚醒度），以及面部動作單元的活動強度數據。

實驗共收集了67224個面部表情參數，并詳細記錄了被試的人口學信息，包括年齡、性別、職業、教育水平、飲酒習慣和吸煙習慣等。

使用信息增益方法篩選出16個隨機變量（性別、年齡、飲酒、吸煙、職業、教育水平、中性、快樂、喚醒度、驚訝、效價、悲傷、厭惡、憤怒、恐懼和組別）用于構建貝葉斯網絡模型。最終，構建了基于整個數據集、單音節測試、雙音節測試和多音節測試的四個貝葉斯網絡模型(圖1）。

面部表情、人口學信息 與帕金森患病率的關系構建
結果表明，帕金森病組和對照組在性別、年齡、飲酒、吸煙、職業和教育水平方面無顯著差異（p > 0.05），而在三種音節測試中的面部表情存在顯著差異（p < 0.001）。

具體而言，帕金森病組的快樂、驚訝、效價和喚醒度中值顯著低于對照組，而負面表情（悲傷、憤怒、恐懼和厭惡）的中值顯著高于對照組（表1）。這一發現與過往研究結果一致，進一步證實了帕金森病患者正面表情減少、負面表情增多的現象。這一變化與疾病進展過程中的面部肌張力增高密切相關。

表1

分析貝葉斯網絡模型的有效性，結果顯示，四個貝葉斯網絡模型的訓練集和測試集的敏感度、特異度和曲線下面積（AUC）均接近0.96，模型間無顯著差異。這表明基于面部表情和人口統計學特征的貝葉斯網絡模型在預測帕金森病概率方面具有較高的準確性和可靠性，能進一步構建面部表情、人口統計學特征與帕金森病概率之間的復雜關系，為臨床診斷提供有力支持。

此外，通過信息增益方法篩選出的關鍵變量中，年齡、教育水平和職業是預測帕金森病概率的最重要因素。隨著年齡的增長，帕金森病的概率增加；教育水平較高和特定職業選擇可能增加患病風險。在面部表情參數中，“快樂”在單音節、雙音節和未分段音節模型中是最具影響力的因素，而喚醒度在多音節模型中是最佳預測因子。

此外，通過分析不同音節測試中的面部表情變化，可以更準確地預測帕金森病的概率。特別是單音節閱讀時產生的恐懼表情對PD概率的影響最大，多音節閱讀時產生的厭惡表情對PD概率的影響最小。

這或許是因為，隨著發音復雜性的增加，帕金森病患者的認知負荷也相應增加，導致大腦神經對肌肉運動的控制變得更加困難。這可以解釋為什么在多音節測試中，患者的負面表情增加較少，而正面表情減少更為顯著。理解不同發音復雜性水平下帕金森病患者的認知負荷和運動規劃需求，有助于開發更有效的康復治療方案。

面部表情分析在帕金森病診斷中的潛力
本研究通過貝葉斯網絡模型分析了面部表情變化在帕金森病早期診斷中的潛力，確定了面部表情對PD的概率有顯著影響。

研究表明，使用面部表情分析系統（FaceReader）分析帕金森病患者的面部表情變化，有助于揭示患者情緒表達的障礙類型和程度。系統自動化高效可靠的數據分析能力可為制定個性化的康復治療方案提供依據。未來研究可以針對患者情緒表達的障礙類型，設計相應的情緒訓練和面部肌肉鍛煉計劃，以改善患者的情緒表達和社交互動能力。

此外，未來研究應進一步擴大樣本量、探討藥物影響，并開發基于移動技術的家庭康復工具。例如可以利用平板電腦上的專用應用程序，通過實時面部表情分析為患者提供個性化康復建議。

參考文獻

• 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.

歡迎關注諾達思官方公眾號，了解更多精彩內容！