در دنیای امروز، تشخیص و ارزیابی دقیق و به موقع اختلالات روانی از اهمیت بسزایی برخوردار است. روش‌های مختلفی برای این منظور وجود دارد، از جمله پرسشنامه‌ها، مصاحبه‌های بالینی و مشاهدات رفتاری. در این میان، تحلیل حالات چهره به عنوان یک شاخص غیرتهاجمی و غنی از اطلاعات، توجه بسیاری را به خود جلب کرده است. حالات چهره، به‌ویژه تغییرات ظریف و پویای آن‌ها، می‌توانند سرنخ‌های ارزشمندی در مورد وضعیت عاطفی و شناختی افراد ارائه دهند.

مقاله حاضر، با عنوان انگلیسی “Modeling Dynamics of Facial Behavior for Mental Health Assessment” و عنوان فارسی “مدل‌سازی پویایی رفتار چهره‌ای برای ارزیابی سلامت روان”، توسط تیمی از محققان به سرپرستی آقایان و خانم‌ها Minh Tran, Ellen Bradley, Michelle Matvey, Joshua Woolley و Mohammad Soleymani به رشته تحریر درآمده است. این محققان در زمینه‌های بینایی کامپیوتر (Computer Vision) و تشخیص الگو (Pattern Recognition) فعالیت دارند و تلاش کرده‌اند با استفاده از روش‌های نوین پردازش تصویر و یادگیری ماشین، راهی جدید برای ارزیابی سلامت روان ارائه دهند.

چکیده مقاله به این صورت است: واحدهای کنش چهره‌ای (FAU) به عنوان توصیف‌گرهای رایج برای تحلیل رفتار چهره‌ای شناخته می‌شوند. با این حال، زمانی که تنها تعداد کمی از این واحدها فعال می‌شوند، اطلاعات مربوط به آن‌ها بسیار پراکنده و ناکافی است. در این مطالعه، محققان امکان نمایش پویایی عبارات چهره‌ای را با استفاده از الگوریتم‌های به کار رفته در پردازش زبان طبیعی (NLP) بررسی کرده‌اند. به طور خاص، آن‌ها ابتدا بر روی یک مجموعه داده بزرگ از عبارات چهره‌ای زمانی (با 5.3 میلیون فریم) خوشه‌بندی انجام داده‌اند و سپس از الگوریتم Global Vector representation (GloVe) برای یادگیری بازنمایی‌های خوشه‌های چهره‌ای استفاده کرده‌اند. اثربخشی بازنمایی‌های آموخته‌شده در دو وظیفه ارزیابی شده است: تخمین علائم اسکیزوفرنی و رگرسیون شدت افسردگی. نتایج تجربی نشان می‌دهند که رویکرد پیشنهادی پتانسیل بهبود ارزیابی علائم سلامت روان را نسبت به مدل‌های پایه که فقط از شدت FAU استفاده می‌کنند، داراست.

به طور خلاصه، این مقاله یک روش جدید برای تحلیل و درک حالات چهره به منظور تشخیص و ارزیابی اختلالات روانی ارائه می‌دهد. این روش با استفاده از الگوریتم‌های پیشرفته پردازش تصویر و یادگیری ماشین، قادر است پویایی حالات چهره را به طور دقیق مدل‌سازی کرده و از این اطلاعات برای تخمین شدت علائم بیماری‌های روانی استفاده کند.

روش‌شناسی تحقیق به شرح زیر است:

• جمع‌آوری داده: محققان از یک مجموعه داده بزرگ از ویدئوهای ضبط شده از چهره افراد استفاده کرده‌اند. این ویدئوها شامل عبارات چهره‌ای مختلف بوده و برای هر فریم، شدت واحدهای کنش چهره‌ای (FAU) به صورت دستی یا با استفاده از الگوریتم‌های خودکار تعیین شده است.
• پیش‌پردازش داده: داده‌ها پیش‌پردازش شده‌اند تا نویزها کاهش یابند و کیفیت آن‌ها بهبود یابد. این پیش‌پردازش شامل نرمال‌سازی شدت FAUها و هموارسازی تغییرات زمانی آن‌ها بوده است.
• خوشه‌بندی عبارات چهره‌ای: با استفاده از الگوریتم‌های خوشه‌بندی مانند K-Means، عبارات چهره‌ای مشابه در گروه‌های جداگانه قرار داده شده‌اند. هدف از این خوشه‌بندی، ایجاد مجموعه‌ای از “واژگان چهره‌ای” بوده است که هر خوشه نمایانگر یک نوع خاص از عبارت چهره‌ای است. برای مثال، یک خوشه ممکن است نمایانگر لبخند خفیف و خوشه دیگر نمایانگر اخم باشد.
• یادگیری بازنمایی‌های برداری: از الگوریتم GloVe (Global Vectors for Word Representation) برای یادگیری بازنمایی‌های برداری برای هر خوشه چهره‌ای استفاده شده است. GloVe یک الگوریتم محبوب در پردازش زبان طبیعی است که بر اساس هم‌وقوعی کلمات در یک متن، بازنمایی‌های برداری برای آن‌ها ایجاد می‌کند. در این مقاله، به جای کلمات، از خوشه‌های چهره‌ای استفاده شده است. به این ترتیب، الگوریتم GloVe با تحلیل توالی زمانی خوشه‌های چهره‌ای، بازنمایی‌های برداری برای هر خوشه ایجاد می‌کند که نشان‌دهنده روابط بین آن‌ها است.
• ارزیابی عملکرد: بازنمایی‌های برداری یادگرفته شده در دو وظیفه ارزیابی شده‌اند: تخمین علائم اسکیزوفرنی و رگرسیون شدت افسردگی. برای این منظور، مدل‌های یادگیری ماشین مختلفی مانند رگرسیون خطی و ماشین‌های بردار پشتیبان (SVM) با استفاده از بازنمایی‌های برداری آموزش داده شده‌اند. عملکرد این مدل‌ها با استفاده از معیارهای ارزیابی استاندارد مانند میانگین مربعات خطا (MSE) و ضریب همبستگی پیرسون (Pearson correlation coefficient) سنجیده شده است.

مثال عملی: فرض کنید فردی در حال تماشای یک فیلم غمگین است. حالات چهره او ممکن است شامل ترکیبی از اخم، پایین آمدن گوشه‌های لب و چین خوردن پیشانی باشد. الگوریتم پیشنهادی در این مقاله، این ترکیبات را به عنوان یک توالی از خوشه‌های چهره‌ای ثبت می‌کند و سپس با استفاده از بازنمایی‌های برداری یادگرفته شده، شدت غم و اندوه فرد را تخمین می‌زند.

نکته کلیدی: استفاده از الگوریتم GloVe در این تحقیق، یک نوآوری قابل توجه است. این الگوریتم به محققان اجازه می‌دهد تا روابط پیچیده بین حالات چهره‌ای مختلف را در طول زمان مدل‌سازی کرده و از این اطلاعات برای ارزیابی دقیق‌تر سلامت روان استفاده کنند.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• روش پیشنهادی در تخمین علائم اسکیزوفرنی و رگرسیون شدت افسردگی، عملکرد بهتری نسبت به مدل‌های پایه که فقط از شدت FAU استفاده می‌کنند، داشته است.
• استفاده از بازنمایی‌های برداری یادگرفته شده با الگوریتم GloVe، اطلاعات ارزشمندی در مورد پویایی حالات چهره‌ای ارائه می‌دهد که برای ارزیابی سلامت روان مفید است.
• نتایج تجربی نشان می‌دهند که مدل‌سازی پویایی حالات چهره‌ای می‌تواند به بهبود دقت و قابلیت اطمینان ارزیابی اختلالات روانی کمک کند.

مثال عملی: در یک آزمایش، محققان از الگوریتم پیشنهادی برای تخمین شدت علائم اسکیزوفرنی در گروهی از بیماران استفاده کردند. نتایج نشان داد که الگوریتم پیشنهادی قادر است با دقت بالاتری نسبت به روش‌های سنتی، شدت علائم را تخمین بزند و بیماران را به درستی طبقه‌بندی کند.

این تحقیق دستاوردها و کاربردهای متعددی دارد، از جمله:

• بهبود تشخیص و ارزیابی اختلالات روانی: روش پیشنهادی می‌تواند به روانپزشکان و متخصصان بهداشت روان در تشخیص و ارزیابی دقیق‌تر و سریع‌تر اختلالات روانی کمک کند.
• توسعه ابزارهای غربالگری: این روش می‌تواند در توسعه ابزارهای غربالگری خودکار برای شناسایی افراد در معرض خطر ابتلا به اختلالات روانی استفاده شود.
• بهبود درمان و مداخلات: با استفاده از این روش، می‌توان اثربخشی درمان‌ها و مداخلات روانی را به طور دقیق‌تر ارزیابی کرد و برنامه‌های درمانی را بر اساس نیازهای فردی هر بیمار تنظیم کرد.
• تحقیقات بیشتر در زمینه علوم اعصاب شناختی: این تحقیق می‌تواند الهام‌بخش تحقیقات بیشتر در زمینه علوم اعصاب شناختی و درک بهتر مکانیسم‌های عصبی مرتبط با حالات چهره‌ای و اختلالات روانی باشد.

نکته کلیدی: یکی از مهم‌ترین دستاوردهای این تحقیق، ارائه یک روش غیرتهاجمی و مبتنی بر داده برای ارزیابی سلامت روان است. این روش می‌تواند به طور گسترده در محیط‌های مختلف مورد استفاده قرار گیرد و به بهبود دسترسی به خدمات بهداشت روان کمک کند.

به طور کلی، مقاله حاضر یک رویکرد نوآورانه برای مدل‌سازی پویایی رفتار چهره‌ای به منظور ارزیابی سلامت روان ارائه می‌دهد. استفاده از الگوریتم GloVe برای یادگیری بازنمایی‌های برداری از خوشه‌های چهره‌ای، به محققان این امکان را می‌دهد تا اطلاعات ارزشمندی در مورد پویایی حالات چهره‌ای استخراج کرده و از این اطلاعات برای تخمین شدت علائم اختلالات روانی استفاده کنند. نتایج تجربی نشان می‌دهند که روش پیشنهادی پتانسیل بهبود دقت و قابلیت اطمینان ارزیابی اختلالات روانی را داراست و می‌تواند در توسعه ابزارهای تشخیصی و درمانی جدید مورد استفاده قرار گیرد.

با توجه به اهمیت روزافزون سلامت روان و نیاز به روش‌های دقیق‌تر و قابل‌اعتمادتر برای تشخیص و ارزیابی اختلالات روانی، این تحقیق می‌تواند گام مهمی در این راستا باشد و به بهبود زندگی افراد مبتلا به این اختلالات کمک کند.