【儀表網(wǎng) 研發(fā)快訊】近日，信息科學(xué)與工程學(xué)院賁晛燁教授團隊在智能健康監(jiān)測、多模態(tài)生物識別和情感計算等方向取得系列研究進(jìn)展。團隊圍繞真實復(fù)雜場景下智能感知模型“難部署、易受干擾、樣本稀缺、泛化不足”等關(guān)鍵問題，分別在抑郁癥被動檢測、多模態(tài)步態(tài)識別和微表情識別研究中提出了具有創(chuàng)新性的算法框架和系統(tǒng)方案。相關(guān)成果分別發(fā)表于IEEE Internet of Things Journal(影響因子：8.7)、IEEE Transactions on Information Forensics and Security(影響因子：8.7)和IEEE Transactions on Affective Computing(影響因子：11.3)等國際權(quán)威期刊。論文第一作者分別為山東大學(xué)2024級博士研究生張嵐、2022級碩博連讀研究生杜含月和2022級博士研究生郭穎穎，通訊作者均為賁晛燁教授，山東大學(xué)是第一作者和通訊作者單位。
 

　　在智能健康監(jiān)測方面，團隊針對抑郁癥檢測模型在邊緣設(shè)備上難以實時部署的問題，提出了一種基于可解釋面部特征分析的輕量化抑郁癥被動檢測系統(tǒng)。抑郁癥影響全球大量人群，早期干預(yù)長期受限于臨床評估手段不足?；诿娌恳曨l的被動檢測無需用戶主動配合，在物聯(lián)網(wǎng)健康監(jiān)測場景中具有重要應(yīng)用潛力。現(xiàn)有方法往往依賴復(fù)雜深度模型，計算開銷大、推理延遲高，難以滿足邊緣設(shè)備實時運行需求。針對這一問題，團隊以“特征驅(qū)動設(shè)計”為核心理念，通過靜態(tài)—動態(tài)分析、RGB通道消融和多區(qū)域掩碼實驗，系統(tǒng)挖掘與抑郁狀態(tài)相關(guān)的面部視覺規(guī)律，并據(jù)此設(shè)計了藍(lán)色通道抑制、90°Gabor濾波等目標(biāo)導(dǎo)向預(yù)處理策略。在模型架構(gòu)方面，團隊提出輕量化混合靜態(tài)—動態(tài)模型，通過靜態(tài)分支、動態(tài)分支和空間—通道聯(lián)合注意力融合模塊，實現(xiàn)了高精度、低延遲、低能耗的抑郁癥輔助檢測。實驗結(jié)果表明，該系統(tǒng)在權(quán)威數(shù)據(jù)集上取得優(yōu)異性能，并在Jetson Nano邊緣推理平臺上展現(xiàn)出良好的部署潛力，為智能健康監(jiān)測設(shè)備中的抑郁癥輔助診斷提供了重要技術(shù)支撐。
 

　　在多模態(tài)步態(tài)識別方面，團隊面向智能安防和公共安全場景，提出了多模態(tài)步態(tài)識別框架SeeGait。步態(tài)識別具有遠(yuǎn)距離、非接觸、難偽的等優(yōu)勢，但在真實場景中容易受到衣著變化、攜帶物品和跨視角觀測等復(fù)雜因素干擾。輪廓模態(tài)能夠提供較強的外觀表征，骨架模態(tài)則擅長描述人體結(jié)構(gòu)與運動關(guān)系，二者具有天然互補性。然而，現(xiàn)有融合方法多停留在特征拼接或加權(quán)層面，難以充分挖掘跨模態(tài)深層協(xié)同信息。針對這一問題，團隊提出“協(xié)同演化表征”多模態(tài)學(xué)習(xí)原則，設(shè)計了雙向?qū)哟位缒B(tài)協(xié)同模塊，使骨架結(jié)構(gòu)表征與輪廓外觀表征在多個語義層級上持續(xù)交互、相互引導(dǎo)、逐層增強。與此同時，團隊構(gòu)建了基于Transformer的層次化時空骨架編碼器和層次化卷積輪廓編碼器，并引入整體特征聚合策略，最終獲得更具判別性和魯棒性的步態(tài)身份表征。在CASIA-B、CCPG和SUSTech1K等權(quán)威數(shù)據(jù)集上的實驗結(jié)果表明，SeeGait在多種復(fù)雜條件下均表現(xiàn)出優(yōu)異的識別性能和泛化能力，為非合作場景下身份辨識和智能安防裝備升級提供了新的技術(shù)方案。
 

　　在情感計算與微表情識別方面，團隊圍繞微表情識別中樣本稀缺、跨域差異大和模型泛化不足等難題，提出了一種基于宏表情先驗的跨域知識遷移學(xué)習(xí)框架。微表情是個體在潛意識狀態(tài)下產(chǎn)生的短時面部反應(yīng)，通常能夠反映隱藏的真實情緒，在心理診斷、人機交互、偵查審訊和商務(wù)談判等領(lǐng)域具有重要應(yīng)用價值。然而，微表情持續(xù)時間短、運動幅度弱，公開數(shù)據(jù)集中標(biāo)注樣本有限，使得模型難以充分學(xué)習(xí)穩(wěn)定、判別性強的表征。團隊將微表情識別重新建模為結(jié)構(gòu)一致的跨域?qū)W習(xí)問題，利用宏表情中更清晰、更充足的情緒語義和肌肉運動線索，為微表情學(xué)習(xí)提供先驗支撐。該框架由跨域結(jié)構(gòu)傳播模塊和域內(nèi)結(jié)構(gòu)增強模塊組成，分別實現(xiàn)宏—微表情之間的類別級依賴遷移，以及各自域內(nèi)特征關(guān)系的緊湊建模。實驗結(jié)果表明，該方法在多個公開微表情基準(zhǔn)數(shù)據(jù)集上取得良好表現(xiàn)，能夠有效提升小樣本條件下微表情識別的準(zhǔn)確性和穩(wěn)定性，同時具備較好的可解釋性。
 

　　上述系列成果體現(xiàn)了賁晛燁教授團隊在智能感知、模式識別、情感計算和人工智能交叉應(yīng)用方面的持續(xù)積累。三項研究分別面向智能健康、公共安全和情緒理解等重要應(yīng)用場景，從輕量化可部署建模、多模態(tài)協(xié)同表征和跨域知識遷移等角度提出了系統(tǒng)性解決方案，為復(fù)雜真實環(huán)境下的智能識別與分析提供了新的理論方法和技術(shù)支撐。
 

　　賁晛燁教授，國家性質(zhì)的青年人才，泰山學(xué)者，長期深耕信號與信息處理、圖像處理、模式識別及人工智能等研究領(lǐng)域。在IEEE T-PAMI、IEEE T-IP、Pattern Recognition、CVPR、SIGIR等國際權(quán)威期刊和會議發(fā)表高水平論文150余篇。相關(guān)研究工作獲得國家自然科學(xué)基金優(yōu)秀青年基金項目、山東省杰出青年基金項目等資助。
 

　　引用：賁晛燁教授團隊在智能感知領(lǐng)域取得系列研究進(jìn)展-山東大學(xué) 【引用時間：2026年7月22日】