Ein neuartiger Ansatz des tiefen Lernens zur Gesichtsausdruckserkennung: Anwendung zur Detektion emotionaler Reaktionen bei älteren Personen mit Alzheimer-Krankheit

Gesichtsausdrücke sind eine entscheidende Form der nichtverbalen Kommunikation und vermitteln eine breite Palette von Emotionen. In jüngster Zeit haben Fortschritte in künstlicher Intelligenz und Computer Vision zur Entwicklung tiefgreifender Lernmethoden geführt, insbesondere konvolutioneller neuronalen Netze, die sich als äußerst wirksam bei der Erkennung von Gesichtsausdrücken erwiesen haben. In diesem Beitrag stellen wir EmoNeXt vor, einen fortschrittlichen Deep-Learning-Framework für die Gesichtsausdrucksanalyse (Facial Emotion Recognition, FER), der auf einer modifizierten ConvNeXt-Architektur basiert und mehrere zentrale Innovationen integriert. EmoNeXt kombiniert räumliche Transformator-Netze, um dem Modell die Fokussierung auf die ausdrucksstärksten Gesichtsregionen zu ermöglichen, Squeeze-and-Excitation-Blöcke zur Verbesserung der Kanalabhängigkeiten sowie einen Selbst-Attention-Regularisierungsterm, der die Lernung kompakter und diskriminativer Merkmalsvektoren fördert. Zunächst anhand des FER2013-Datensatzes evaluiert, wird EmoNeXt nun zusätzlich an zwei weiteren etablierten Benchmark-Datensätzen, AffectNet und CK+, validiert, um dessen Robustheit und Verallgemeinerungsfähigkeit in verschiedenen realen und posierten Szenarien zu demonstrieren. Darüber hinaus führen wir eine umfassende Ablationsstudie durch, um den Beitrag jedes einzelnen Verbesserungselements zu analysieren und quantifizieren, wodurch deren positiver Einfluss auf die Modellleistung bestätigt wird. Abschließend untersuchen wir die Anwendung von EmoNeXt bei der Emotionserkennung bei älteren Menschen mit Alzheimer-Krankheit und betonen die dringende Notwendigkeit präziser Emotionserkennung zur Verbesserung der Patientenversorgung. Unsere Ergebnisse unterstreichen das Potenzial von EmoNeXt als wertvolles Werkzeug zur Verbesserung der emotionalen Kommunikation in medizinischen Kontexten, insbesondere für Patienten mit neurodegenerativen Erkrankungen.