《Algorithms》:Uncovering Several Degrees of Anxiety in Mexican Students Through Advanced Deep Learning Techniques
Marco A. Moreno-Armendáriz,
Arturo Lara-Cázares,
Jared Castillo-González and
Halder V. Galdo-Navarro
编辑推荐:
本研究聚焦于大学生日益严重的焦虑问题,传统问卷评估存在滞后性、主观性强等局限。为更实时、客观地评估焦虑,研究人员利用计算机视觉(CV)技术,通过设计实验协议构建了一个特定的焦虑视频数据集,并深入探讨了情绪强度分级的适宜数量。在此基础上,他们开发了适用于时空数据处理的ConvNet架构(如CNN3D、CNN3D+Att、TD-CNN)。其中,最优架构在五级强度分类中取得了F1分数0.7620的基线性能,为基于多媒体的焦虑等级自动识别提供了有效方案。这项研究发表在《Algorithms》上,为实时、客观地量化学生焦虑开辟了新途径。
焦虑,作为一种普遍的情绪体验,在现代社会中,尤其是在高压的学术环境中,已成为一个日益突出的公共卫生问题。对于学生而言,过高的焦虑水平不仅与学业倦怠、拖延、投入度降低相关,甚至会影响其整体的心理健康状况。一项针对墨西哥大学生的研究显示,高达86.3%的受试者报告了与学业相关的中度焦虑。然而,我们如何准确、及时地识别和评估这种复杂且动态变化的情感状态呢?
传统上,焦虑评估主要依赖于自评问卷,如广泛性焦虑量表-7(GAD-7)和抑郁焦虑压力量表(DASS)。这些工具虽然应用广泛,但也存在诸多局限:它们测量的是过去一段时间的情绪状态,无法实时捕捉“当下”的焦虑;其评估依赖于受试者的自我报告,可能存在回忆偏差或主观高/低估;更重要的是,它们完全忽略了可观察的行为和生理信号,例如微妙的面部表情变化、身体姿态和眨眼频率等,而这些恰恰是焦虑体验在现实世界中的自然流露。
随着人工智能,特别是计算机视觉(CV)和深度学习技术的飞速发展,一种新的可能性出现了:能否通过分析面部视频,自动、连续地识别出焦虑的强度和变化?这正是Marco A. Moreno-Armendáriz及其团队在发表在《Algorithms》上的论文《Uncovering Several Degrees of Anxiety in Mexican Students Through Advanced Deep Learning Techniques》中所致力于解决的问题。他们指出,视频数据特别适合情绪研究,因为它能将情绪视为一种时空现象,捕捉到单张图片无法呈现的情感状态过渡。
为了克服该领域缺乏专门数据集的挑战,并探索最佳的焦虑强度分级策略,研究人员系统性地开展了以下工作。首先,他们设计了一套严谨的实验协议,在受控环境下对58名墨西哥大学生(平均年龄21.58 ± 1.83岁)进行录像。参与者被依次展示旨在诱发快乐和焦虑的视听刺激,整个过程被记录下来,最终生成了包含3022个视频片段的数据集。其次,他们对焦虑强度的分级数量(如传统GAD-7的四级与Hamilton的五级)进行了深入探讨。最后,他们设计并比较了三种不同的深度学习架构,旨在从视频序列中有效提取时空特征,从而对焦虑水平进行多分类。
在技术方法上,本研究主要运用了以下关键步骤:1) 数据采集与预处理:使用MediaPipe进行人脸检测与定位,将视频帧尺寸从1920×1080统一缩放到240×240,并进行归一化和数据增强(水平翻转)。2) 模型架构设计与训练:提出了三种卷积神经网络(ConvNet)架构进行对比:标准的CNN3D、引入注意力机制(Attention)的CNN3D+Att,以及时间分布式CNN(TD-CNN)。这些架构专门用于处理视频的时空序列信息,以捕捉帧间的关联性。所有模型使用相同的超参数配置进行训练和评估。3) 模型评估:采用F1分数等指标评估不同焦虑强度分级(三级、四级、五级)下各模型的分类性能,以确定最优的分级方案和网络架构。
研究结果如下:
3.1. 数据集创建:焦虑数据集
研究人员成功构建了一个专门用于焦虑检测的视频数据集。他们制定了详细的参与者纳入、排除标准,并在标准化环境(恒定光照、白色背景、固定相机位)下录制视频。通过对录制的视频进行每50帧裁剪,最终获得了3022个独立的视频片段,为后续模型训练提供了数据基础。
3.2. 预处理
预处理流程包括人脸检测、尺寸缩放、像素归一化、数据集划分(80%训练,20%测试)以及数据增强。这一系列操作旨在减少计算成本、统一输入数据并提升模型的泛化能力。
3.3. 模型训练:AnxietyNet
研究提出了三种核心架构。CNN3D使用三维卷积核直接处理视频序列以提取时空特征;CNN3D+Att在CNN3D基础上引入了时空注意力机制,使网络能聚焦于视频中的关键区域和时间片段;TD-CNN则采用时间分布层,将二维卷积独立应用于每一帧后再整合时序信息。研究为每种架构提供了详细的数学定义。
4. 结果
通过对不同情绪强度级别(三级、四级、五级)的分类实验,研究人员发现,在五级分类设定下,CNN3D+Att架构取得了最佳的综合性能,其F1分数达到0.7620。这表明五级分级能更细致地刻画焦虑强度的变化,而引入注意力机制有助于模型更好地捕捉与焦虑相关的判别性时空特征。该结果为基于视频的焦虑多分类问题建立了一个有效的性能基线。
5. 讨论
本研究通过构建新的数据集、系统研究情绪分级数量并设计合适的深度学习架构,为利用计算机视觉技术客观、实时地评估学生焦虑提供了重要的方法论基础和实证依据。与传统的问卷评估相比,这种基于视频分析的方法能够规避自我报告偏差,实现对学生情境性焦虑(如在考试或面试中)的即时检测。尽管研究存在数据集样本量相对有限、参与者性别分布不均等局限性,但其提出的框架和获得的基线结果为未来更大规模、更精细化的情感计算研究指明了方向。这项工作不仅对改善学生心理健康支持具有潜在的应用价值,也为情感计算在教育、临床等领域的深入应用拓展了新的思路。