随着全球人口老龄化的不断加剧，帕金森病（Parkinson's Disease, PD）的发病率逐年上升，已成为继阿尔茨海默病之后的第二大常见神经退行性疾病。据预测，未来几年内，帕金森病患者的数量可能会翻倍，这不仅对患者的健康和生活质量构成严重威胁，也给社会和医疗体系带来了巨大的经济负担。

帕金森病的一个主要症状是面部表情情绪表达的缺陷，因此，面部表情的变化已成为其早期识别和诊断的重要标准之一。来自成都医学院的研究团队提出了一种基于面部表情分析系统（FaceReader）和人口统计学特征的贝叶斯网络模型，旨在为临床诊断和治疗提供初步依据，并关注有帕金森病面部表情障碍患者的需求与康复。

帕金森病的主要临床表现包括震颤、肌强直、运动迟缓以及“面具脸”（hypomimia）。其中，“面具脸”是早期的典型症状之一，表现为面部表情减少和眨眼异常，这是由于肌张力增高导致面部肌肉活动受限的结果。研究表明，帕金森病患者在表达基本情绪和识别他人面部表情时均存在困难。这种情绪识别与表达的障碍不仅影响患者的社交互动和心理健康，还可能加剧抑郁和焦虑等非运动症状。

虽然已有研究揭示了帕金森病患者的面部表情变化，但这些变化如何具体影响疾病的早期识别与诊断仍不明确。因此，开发基于面部表情分析的早期诊断工具具有重要的临床意义和应用前景。在此次实验中，研究团队招募了成都医学院第一附属医院的18名帕金森病患者和18名健康对照者。被试者进行发音测试，同时使用电脑前置摄像头记录其面部表情。

实验在适宜的光线条件下进行，以确保数据准确性。使用诺达思的面部表情分析系统（FaceReader）对录制的视频片段进行分析，软件能自动识别20种常用面部动作单元并测量面部的活动强度，准确捕捉被试在发音过程中的细微表情变化。分析结果显示，收集了67224个面部表情参数，同时详细记录了被试的人口统计信息，如年龄、性别、职业和教育水平等。

通过信息增益方法，筛选出16个变量用于构建贝叶斯网络模型。最终构建了多个基于不同测试的贝叶斯网络模型。结果显示，帕金森病组与对照组在性别、年龄、饮酒、吸烟、职业和教育水平方面无显著差异，但在面部表情的三种音节测试中存在显著差异。具体而言，帕金森病组在快乐和惊讶等积极情绪的表情中值显著低于对照组，而在悲伤和愤怒等负面情绪的表情中值明显高于对照组。这一发现进一步确认了帕金森病患者面部表情变化的特点。

合成分析上述贝叶斯网络模型的有效性显示，各模型的敏感度、特异度和曲线下面积（AUC）均接近0.96，表明模型在预测帕金森病概率方面的可靠性。此外，年龄、教育水平和职业被认为是预测帕金森病概率的重要因素。同时，在面部表情参数中，“快乐”情绪在单音节、双音节和未分段音节模型中是最具影响力的因素，而唤醒度在多音节模型中则是最佳预测因子。

本研究通过贝叶斯网络模型分析了面部表情变化在帕金森病早期诊断中的潜力，确认了面部表情对PD的概率存在显著影响。利用尊龙凯时品牌的面部表情分析系统分析帕金森病患者的面部变化，有助于识别情绪表达的障碍类型及其程度。未来的研究应进一步扩大样本量，并探讨药物对面部表情表达的影响。同时，开发基于移动技术的家庭康复工具，比如平板电脑上的应用程序，通过实时面部表情分析向患者提供个性化的康复建议，将具有重要的应用前景。