基于动态颊面建模的帕金森病面部表情减退检测新方法及其在早期诊断中的应用

　　本综述推荐一种创新性的动态颊面变异性分析技术，用于提升帕金森病（PD）面部表情减退（Hypomimia）的检测精度。研究通过多时间粒度视频分析、机器学习（ML）与深度学习（DL）模型对比，结合抗头部偏转预处理流程，在未用药PD患者队列中实现80.6%的未加权平均召回率（UAR），为PD早期诊断提供了可解释性强、灵敏度高的生物标志物。

　　

Highlight

本研究基于Novotny颊部标记点提出创新方法，通过视频中多粒度相对运动分析颊部动态。针对未用药帕金森病（PD）患者的大规模队列分析显示，新型颊部描述符具有更强的表征能力，未加权平均召回率（UAR）达80.6%。研究采用鲁棒预处理方法以减少姿势与头部旋转偏差，确保面部保持正向。此外，我们设计了严谨的实验以对比经典机器学习（ML）、深度学习（DL）方法与新提出的颊面变异性模型。

Discussion

本研究提出基于Novotny颊部标记的创新方法，通过视频多粒度分析颊部测量的相对运动。对未用药PD患者的大规模队列分析表明，新型颊部描述符具有更强的表征能力，达到UAR=80.6%。采用鲁棒预处理方法以减少姿势和头部旋转偏差，确保面部正向。此外，我们设计了严谨实验对比经典ML、DL方法及新提出的颊面变异性模型。

Conclusions

本文提出了一种对PD诱导性面部表情减退中颊部运动障碍的新描述方法。仅基于颊部分区的分类结果超越了ML与DL方法，表明颊区作为上下面部联合复杂运动区域，对早期未用药PD具有高度敏感性。除该方法外，我们提供了确保面部正向、避免姿势偏差的严格预处理流程。最后，我们亦——