微表情是一种短暂的、微弱的、无意识的面部微表情，持续时间往往在0.5s内，能够揭示人类试图隐藏的真实情绪。微表情识别的研究旨在让机器有足够的智能，能够从人脸视频序列中识别人类的真实情绪。然而由于微表情持续时间短、面部肌肉运动强度低，对其进行准确的表征与识别是一项极具挑战性的任务。为了促进心理学领域和计算机视觉领域针对微表情的进一步研究，由中国图象图形学学会（CSIG）和中国科学院心理研究所举办、CSIG机器视觉专业委员会、CSIG情感计算与理解专业委员会和中科院青促会心理所小组联合承办，中国科学院心理研究所的王甦菁博士组织一系列云上微表情的学术活动。
第四十七期云上微表情于2023年12月28日晚上7点进行，由中国科学院心理研究所王甦菁老师团队的李婧婷博士主持。此次讲座的主题为“基于面部表情和肢体表情的抑郁症检测方法”，邀请到来自齐鲁工业大学（山东省科学院）大数据与智能制造重点实验室由王庆祥副教授指导的在读硕士生李兴运同学介绍课题组在范式设计、数据采集、情感分析、模型构建和未来研究等几个方向上的工作或思考。
李兴运，齐鲁工业大学（山东省科学院）大数据与智能制造重点实验室在读硕士，师从王庆祥副教授，主要研究方向为基于深度学习的抑郁症和焦虑症自动识别。
报告题目：基于面部表情和肢体表情的抑郁症检测方法
报告摘要：
抑郁症和焦虑症是两种常见的精神疾病。在现有的检测体系中，专科医生根据标准化量表与受试者进行谈话，以生理检查作为辅助进行诊断。非生物学标志作为抑郁症的重要指标却不能很好地被利用。非生物学标志通常可以分为语言特征和非语言特征。专科医生通常需要大量的训练和经验积累才能够捕获这些特征的变化。深度学习技术的发展为非生物学标志的捕捉提供了技术支持。研究人员提出了一系列基于音视频的抑郁症自动评估（ADE）系统以辅助医生捕捉这些特征并进行抑郁症的筛查。本报告以基于面部表情和肢体表情的抑郁症检测方法为主题，介绍课题组在范式设计、数据采集、情感分析、模型构建和未来研究等几个方向上的工作或思考。
参考文献：
[1] Ye Jiayu, Yu Yanhong, Fu Gang, Zheng Yunshao, Liu Yang, Zhu Yitao, Wang Qingxiang*. Analysis and Recognition of Voluntary Facial Expression Mimicry Based on Depressed Patients[J]. IEEE Journal of Biomedical and Health Informatics, 2023, 27(8): 3698-3709.
[2] Li Xingyun, Yi Xinyu, Lu Lin, Wang Hao, Zheng Yunshao, Han Mengmeng, Wang Qingxiang*. TSFFM:Depression detection based on latent association of facial and body expressions[J]. Computers in Biology and Medicine, 2024, 168: 107805.
[3] Fu Gang, Yu Yanhong, Ye Jiayu, Zheng Yunshao, Li Wentao, Cui Ning, Wang Qingxiang*. A method for diagnosing depression: Facial expression mimicry is evaluated by facial expression recognition[J]. Journal of Affective Disorders, 2023, 323: 809-818.
[4] Li Xingyun, Yi Xinyu, Ye Jiayu, Zheng Yunshao, Wang Qingxiang*. SFTNet: A microexpression-based method for depression detection[J]. Computer Methods and Programs in Biomedicine, 2024, 243: 107943.