AnxietyFaceTrack：基于智能手机的非侵入式社交焦虑检测方法
计算机视觉与模式识别
2025-02-25 v1 计算机与社会
机器学习
摘要
社交焦虑障碍（SAD）是一种广泛的心理健康状况，但由于缺乏客观标志物，阻碍了及时的检测和干预。虽然前期研究聚焦于结构化活动（如演讲或面试）中的行为和非语言标志物，但这些环境未能完全复制现实世界中非结构化社交互动的情况。识别自然环境中非语言标志物对于开发无处不在且非侵入式的监测解决方案至关重要。为此，我们提出AnxietyFaceTrack，一种利用面部视频分析在非结构化社交场景中检测焦虑的研究方法。91名参与者在与不熟悉的个体进行社交活动时进行采集，其面部视频使用低成本智能手机摄像头记录。我们检查了包括眼动、头部位置、面部关键点和面部动作单元在内的面部特征，并使用自报告调查数据建立了多类（焦虑、中性、非焦虑）和二分类（如焦虑与中性）的真实标签。我们的结果表明，基于顶部20%特征训练的随机森林分类器在多分类任务中达到91.0%的最高准确率，在二分类任务中平均达到92.33%的准确率。值得注意的是，头部位置和面部关键点在各个面部区域中表现最佳，在多分类中分别达到85.0%和88.0%的准确率，在二分类中分别达到89.66%和91.0%的准确率。该研究引入了一种非侵入式、低成本的解决方案，可无缝集成到日常智能手机中，用于持续焦虑监测，为早期检测和干预提供了有前景的途径。
引用
@article{arxiv.2502.16106,
title = {AnxietyFaceTrack: A Smartphone-Based Non-Intrusive Approach for Detecting Social Anxiety Using Facial Features},
author = {Nilesh Kumar Sahu and Snehil Gupta and Haroon R Lone},
journal= {arXiv preprint arXiv:2502.16106},
year = {2025}
}