随着全球人口老龄化的持续加剧，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。预测显示，未来几年内帕金森病患者数量将有可能翻倍，这不仅对患者的健康和生活质量形成了严重威胁，同时也给社会与医疗体系带来了巨大的经济负担。

帕金森病的一个重要症状是面部表情在情绪表达上的缺陷，这使得面部表情变化成为其早期识别与诊断的关键标准之一。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）提供的参数和人口统计学特征的贝叶斯网络模型，以此来预测帕金森病的发生，旨在为临床诊断和治疗提供初步依据，并支持重视帕金森病患者面部表情障碍需求的康复方案。

帕金森病的主要临床表现包括震颤、肌强直、运动迟缓、姿势不稳以及“面具脸”（hypomimia）等。其中，“面具脸”作为早期典型症状之一，表现为面部表情减少和眨眼异常，主要由肌张力增高导致面部肌肉活动受限。因此，研究表明，帕金森病患者在表达基本情感方面遇到困难，同时在识别他人面部表情时也展现出缺陷。这种情感识别与表达的障碍不仅影响患者的社交互动和心理健康，亦可能加重疾病的非运动症状，如抑郁和焦虑。

尽管已有研究揭示了帕金森病患者面部表情的变化，但这些变化如何影响疾病的早期识别和诊断尚不确切。因此，开发一种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。实验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。他们被要求进行一系列发音测试，同时使用电脑的前置摄像头记录其面部表情。实验在均匀照明的房间内进行，以保证数据的准确性。

诺达思的面部表情分析系统（FaceReader）对录制的视频进行了分析。该软件基于面部动作单元分析面部肌肉运动，能自动识别20种常见的面部动作单元，并测量面部两侧的活动强度，精准捕捉发音过程中被试的微小面部肌肉运动。分析结果涵盖了七种基本表情：快乐、悲伤、愤怒、惊讶、恐惧、厌恶和中性表情，并提供了表情强度的相关参数。

实验共收集了67224个面部表情参数，并详细记录了被试的人口学信息，包括年龄、性别、职业、教育水平及生活习惯等。通过信息增益方法筛选出16个随机变量用于构建贝叶斯网络模型。结果显示，帕金森病组和对照组在性别、年龄、饮酒、吸烟、职业和教育水平上无显著差异，而在面部表情变化上存在显著差异。这与过往研究结果一致，进一步证实了帕金森病患者正面表情减少和负面表情增多的情况。

贝叶斯网络模型分析显示，面部表情和人口统计学特征在预测帕金森病时具有较高的准确性和可靠性，尤其是年龄、教育水平和职业是预测疾病概率的重要因素。随着年龄增长，患病风险增加，教育水平较高与特定职业选择可能导致疾病风险上升。在单音节、双音节和多音节测试中，快乐表情是影响最大的因素，而唤醒度在多音节模型中则是最佳预测因子。

本研究表明，应用尊龙凯时的面部表情分析系统分析帕金森病患者的面部变化，可以揭示情绪表达障碍的类型和程度。高效可靠的数据分析能够为制定个性化的康复方案提供依据。未来的研究可针对患者的情绪表达障碍，设计情感训练和面部肌肉锻炼计划，以改善其情绪表达和社交能力。此外，也应扩大样本量、探讨药物的影响，并开发基于移动技术的家庭康复工具，借助专用应用程序通过实时面部表情分析为患者提供个性化建议。