Zixiang Fei¹, Erfu Yang¹, Leijian Yu¹, Xia Li², Huiyu Zhou³, Wenju Zhou⁴

（1. Department of Design, Manufacturing and Engineering Management, University of Strathclyde, Glasgow G1 1XJ, UK,

2. Shanghai Jiaotong University, Shanghai, China,

3. Department of Informatics, Universitycof Leicester, Leicester LE1 7RH, UK,

4.Shanghai University, Shanghai, China）

与正常人相比，痴呆症患者的记忆力和语言障碍可能更差。需要花费大量金钱和工作量来照顾痴呆症患者。由于轻度认知障碍（Mild Cognitive Impairment，MCI）可以被认为是痴呆之前的中间阶段，因此早期发现MCI对患者和护理人员都非常重要。

然而，目前检测MCI的方法并不完善。例如，对于传统的认知测试，需要神经生理学家进行测试。此外，磁共振成像（Magnetic Resonance Imaging, MRI）等神经影像技术可用于诊断该疾病，但会导致高昂的费用。另一方面，一些研究认为认知障碍患者具有异常的情绪模式，这有可能作为检测认知障碍的替代方法。但是，目前还没有成熟的系统来检测基于情绪分析的认知障碍，并具有良好的表现。

为此，该研究提出了一种新系统，该系统专为早期认知障碍检测而设计。系统中有三个单元，第一个单元是用户界面，它能够向参与者显示视频刺激并同时记录他们的面部表情。第二个单元是面部表情识别系统，它可以将面部表情的视频转换为包含识别结果的数据矩阵。第三单元负责根据面部表情的数据矩阵检测参与者的认知障碍。

该研究邀请61名参与者参与实验，其中包括25名健康人和36名认知障碍参与者。在收集情绪数据之前，参与者被要求进行蒙特利尔认知评估，该评估将用于对参与者进行分类：认知受损和认知健康的参与者。接下来，开发的界面将用于向参与者显示设计的视频刺激，这将激发参与者的情绪，包括快乐、中性、悲伤、愤怒、惊讶等。然后，通过接口模块记录他们的反应和面部表情。经过数据处理后，该研究采用深度神经网络MobileNet的block_11_add层提取图像特征，并使用SVM来识别情绪。结果对于每个参与者，创建了一个显示参与者在实验过程中情绪演变的数据矩阵。

该研究使用3个数据集对6种面部表情识别算法进行比较，值得注意的是所提出的方法（MobileNet+ block_11_add + SVM）在这三个数据集中具有最好的情感识别性能。虽然所提出的算法具有良好的识别准确率和较短的运算时间，但在识别轻微情绪方面可能存在问题。对于未来的工作，开发的系统可以作为应用程序在移动设备上运行。该系统有助于检测用户在通过手机观看设计刺激时的认知障碍。因此，该应用程序可以作为全球老年人的低成本认知障碍检测解决方案。

资料来源：

根据Zixiang Fei等于2022年发表在Neurocomputing期刊题目为《A Novel deep neural network-based emotion analysis system for automatic detection of mild cognitive impairment in the elderly》的文章缩写整理而成。

（责任编辑：张卓越）