心理健康狀態對個體的身體健康、個人成就和主觀幸福感有很大的影響。除量表方法外，目前已有很多研究者提出可以使用行為數據建立機器學習模型來自動識別個體的心理健康狀態。但是，目前多數研究都致力于識別某一種心理疾病的存在或程度，在一些非專業診斷的場景（如自我檢測或大規模監測），識別個體全面的心理健康癥狀或許更有幫助。

　　已有多項研究表明，個體行為（如面部活動）受到其心理健康狀態影響，患有不同心理疾病的個體所表現出來的行為有所不同，而患有同種心理疾病不同亞型的個體的行為也存在差異。這些研究結果為使用行為數據識別個體全面的心理健康癥狀提供了可能。

　　除了需要從理論層面考慮識別不同心理癥狀的行為差異的可能性之外，如何在建立識別模型之后評估其識別不同心理癥狀的能力也是該研究考慮的重點。由于現有的模型評估方法（如準確率或者均方根誤差）無法評估這種有效性，量表的信效度檢驗方法或許可以應用于這種多維度模型的性能評估。鑒于此，中國科學院行為科學重點實驗室朱廷劭研究組的科研人員嘗試構建不同心理癥狀的面部自動識別模型，并使用信效度檢驗方法對模型進行評估，以探索個體的面部活動能否有效指向其心理健康癥狀。

　　該研究共招募100名被試，被試首先填寫了癥狀自評量表（SCL-90）中的55道題（分別對應人際關系敏感、抑郁、焦慮、敵對、恐怖和精神病性六個維度）；然后，閱讀一段介紹盧溝橋的中性文本（約44s）。在這期間，研究者使用Kinect攝像機記錄下每一幀中被試36個面部關鍵點的三維坐標，實驗場景和36個面部關鍵點如下圖所示。

實驗場景及面部關鍵點示例

　　為減少無關變量對面部關鍵點坐標的影響，采集數據后，研究者對面部數據進行了坐標平移、噪聲平滑、坐標差分和截取等數據預處理工作。最終將第100幀-第700幀數據記錄為“全部數據”，奇數300幀和偶數300幀數據記錄為“分半數據”。

　　數據預處理之后，提取“全部數據”和“分半數據”在時間序列中的30維時序特征，然后進行特征選擇和特征標準化，并建立回歸模型，最后保存“全部數據”和“分半數據”的預測得分。

　　得到“全部數據”和“分半數據”共3組預測分數之后，該研究使用多方法多特質矩陣和相關系數計算分半信度、會聚效度、區分效度和校標效度。結果顯示，面部識別心理癥狀模型具有較好的分半信度(P < 0.001)、校標效度(P < 0.01)和會聚效度，但是區分效度較差。

　　該研究探索了通過面部活動識別不同心理健康癥狀的可能性，結果表明不同心理健康癥狀具有特異性的面部表達，使其可以被識別。由于面部數據的采集是實時且無侵入的，該研究可以與視頻技術結合用于心理健康檢測。除此之外，該研究創新性地將信效度檢驗方法應用于機器學習模型的評估，為未來的同類型研究提供了一種可行的多維度機器學習模型評估方法。

　　研究成果在線發表于Frontiers in Psychiatry：

　　Wang X, Wang Y, Zhou M, Li B, Liu X, Zhu T. (2020). Identifying Psychological Symptoms Based on Facial Movements. Front. Psychiatry 11:607890.

　　https://www.frontiersin.org/articles/10.3389/fpsyt.2020.607890/full