0 引言
人脸情绪识别技术是人工智能领域的一项前沿突破，能够解析眉毛、下巴、嘴唇等区域的动作变化，从而辨识个体的情绪状态。此技术打破了“知人知面不知心”的传统认知藩篱，因而常被称作“知心技术”。伴随卷积神经网络、计算机视觉等技术的突破性进展，人脸情绪识别技术的应用场景日益拓展，广泛运用在智慧课堂建设、边境安防检查、无人驾驶等多个场景。相关调查表明，人脸情绪识别相关产业在全球的市场规模已攀升至170亿美元，且仍呈现出快速的增长态势
［1］17。
人脸情绪识别技术在医疗健康领域展现出广阔的应用前景。这项技术可对医院内患者及其家属的愤怒情绪进行识别，针对近年来频发的医患冲突与伤医事件给出预警支持；还可用来识别院内医务人员的倦怠情形，推动医院在员工关怀与管理效能方面优化升级
［2］。尤其是在精神医学领域，其临床方面的潜力正逐渐凸显。凭借追踪人脸情绪波动轨迹，该技术可为精神分裂症、抑郁症等疾病的诊断给出量化支撑。
中国作为全球人脸情绪识别技术主要的研发及应用国，近年来在面向精神健康的技术开发范畴取得显著进展。然而，该技术在精神医学场景的实际应用面临三重不确定性。该技术背后的理论假设：面部表情与情绪表达的内在联系尚未充分阐明，导致算法在模型可解释性范畴存在局限，由此影响到结果的可重复性。精神科的诊断过程本身挑战极大，既依靠有限的客观生理性指标，还与临床经验及主观判断相关，使技术的适用性面临诸多棘手情况；更关键的是，此类系统在进行情绪状态的识别归类过程中，很可能会引发伦理方面的争端，就如涉及“情绪隐私”“人类增强”这类问题。面对“技术”“医学”与“人文”三重不确定性交错形成的伦理挑战，急需对人脸情绪识别技术的应用边界实施评估，以达成该技术在精神疾病诊疗领域中“技术赋能”与“伦理约束”的辩证统一，实现技术应用的取予平衡。
1 予之有据：人脸情绪识别技术应用于精神疾病诊疗的证成
1.1 人脸情绪识别技术的理论基础
人脸情绪识别技术是在人脸情绪理论基础上建立的，后者主要把“面部表情是情绪状态的外在表征”这一前提作为支撑，探讨外在面部表情与内在情绪状态间的相互联系。该科学理论的学术谱系可回溯至Charles Darwin。在《人类和动物的表情》这部重要著作里，Darwin论证了面部表情作为情绪载体所具备的生物学基础，创造性地归纳出联合性习惯法则、对立法则以及神经系统直接作用法则三大原理。Darwin还主张情绪具有跨文化普遍性的假说，并将情绪拆分成一系列有着进化连续性的离散单元，例如愤怒、恐惧、厌恶等情绪
［3］。
20世纪60年代，这一理论谱系在Paul Ekman的实证研究下实现了范式转变。通过对新几内亚福尔族等非文字社会实施的田野调查，Ekman驳斥了认知主义者有关情绪表达由后天习得的看法，通过自然实验等方法验证了达尔文提出的情绪表达具备生物普遍性的假说。在这个框架范围内，Ekman构建起基本情绪理论，提出人类通过面部表情表达的情绪可归为开心、悲伤、惊讶、恐惧、愤怒和厌恶等六种基本情绪类型。绝大多数人脸情绪识别系统都把Ekman的基本情绪理论作为凭据，将六种基本情绪分类模型当作训练标签与识别标杆，以此搭建相应的算法架构和推理机制
［4］29。
值得留意的是，Darwin和Ekman在构建理论的过程中都把精神病患者当作关键研究对象进行观察。Darwin就情绪表达提出的进化论假说，部分是基于对精神病患者展开的系统性临床观察
［3］。而Ekman开展研究的动机，在一定程度上是由于其母亲因精神疾病自杀引发的创伤经历，推动他进一步钻研精神分析疗法，选定兰利·波特神经精神病学研究所实施临床实践，逐渐搭建起人脸情绪的诠释框架
［4］13。两位学者都借助精神病理学个案的临床观察，构建出各自关于面部表情与情绪状态关系的理论模型。由此可见，人脸情绪理论的知识谱系与研究方法论皆建立于精神病理学临床认知结构之上。
1.2 人脸情绪识别技术的应运而生
人脸情绪识别技术的出场，不仅归因于人脸情绪理论体系的系统建设与持续优化，还得益于组合技术的不断演进与突破。在人工智能这一视域下，人脸情绪识别技术可以认定为其视觉系统以及感知系统的重大突破，显示了人脸识别与情绪识别两大技术领域的深度融合与动态衔接
［1］168。
事实上，人脸识别技术出现得比情绪识别技术晚。在前者尚未成型前，情绪识别已初具雏形。1921年，美国加利福尼亚州推出了情绪识别的原型装置——多极性测谎仪，开启了通过生理信号解析情绪状态的技术先河。加州伯克利市警察局将该设备运用到实际执法中，该州法院曾一度将其检测结果作为法庭证据采纳。人脸识别技术的发展自1964年起步，在美国中央情报局的资助下，计算机科学家兼人工智能先驱Woody Bledsoe最早开展研究，开发出采用n-tuple方法的早期人脸识别系统。1978年，这两项技术实现了交汇，其标志性成果是Ekman开发的“面部动作编码系统”（facial action coding system）。该系统不但在生理学方面为基本情绪理论给出了实证支撑，也给人脸识别技术的进步开创了新道路——通过对面部肌肉动作单元进行系统化编码，促使了人脸识别技术由人工标记转变为自动化处理
［5］。在技术革新与政策促进的双重效应下，人脸识别技术与情绪识别技术逐步整合，推动人脸情绪识别技术实现商业层面落地，并在安防监控、智能教育、医疗监控等多个应用领域展现出了显著价值。
将人脸情绪识别技术应用在精神健康范畴，符合人工智能系统方面“场景特化”“数据导向”的算法优化逻辑规范。通过引入具有代表性的临床数据，可使模型持续迭代，实现性能的提升，从而推动这项技术逐步适应特定医疗诊疗环境中的情绪识别需求。然而，人脸情绪识别技术还处于刚刚起步的发展阶段，其性能优化面临三大关卡：一是算力方面的需求持续上升，给系统部署及推广造成现实方面的压力；二是算法模型还有待进一步突破，现有的模型难以有效捕捉复杂多变的情绪信号；三是训练数据的质量跟结构迫切要求提升，尤其当训练数据强烈依赖特定人群的时候，模型在种族、性别、年龄等其他维度上代表性与多样性或许不达标，从而使算法产生偏见
［6］。
2 取之有道：人脸情绪识别技术应用于精神疾病诊疗的功效
2.1 人脸情绪识别技术对精神疾病的诊断
生物医学模式在机械论的世界观根基上得以建立，强调医学作为探究疾病客观规律的自然科学本质。该模式把疾病归结为生理系统的功能失序，以生理性指标为聚集点，因此在碰到精神疾病这种高度复杂的病症时，存在解释方面的困境。生物-心理-社会医学模式把系统论当作方法论依据，提倡从“人”的整体层面去思考精神疾病的诊疗事宜，使用“主观”判断和“客观”依据相结合的精神检查方法。精神疾病的成因不排除是生理机制的功能出现紊乱，也可能是个体在心理、精神、行为等层面的异常情形引起的功能障碍
［7］。
在生物医学模式范畴，面部表情依旧拥有揭示个体心理的独特功效，可作为精神疾病诊断的辅助要件，其基本观点依然着重强调：面部表情为动态变化的生理现象，呈现出连续谱的特征。而在生物心理社会医学模式中，面部表情被赋予更高分量的临床诊断意义。该模式不光把面部表情异常当作内源性生理功能失调的表现，更凸显其从外部可观察的生物标记效能，就像面部特征作为行为反应这一维度健康的表现。这一转变体现出医学界越发看重把面部表情当作行为与心理机制综合指征的潜力。诸如精神分裂症、抑郁症、边缘型人格障碍、孤独症谱系障碍、焦虑症与强迫症之类的精神障碍，均可能展现出不同程度的面部表情异常问题
［8］。
在精神疾病的诊疗过程中，观察仍是医生实施临床判断的重要方式。然而，这种依靠感官经验或直觉作出的判断，往往缺乏足够的精确性。主要缘由是，人类开展情绪识别时，自身感官能力存在显著局限。尽管人类视觉系统在感知外界信息时功能十分强大，其观察能力依旧难以比得上全天候、有着高分辨率的技术监控手段。闭路电视系统与人脸识别技术等能提供更连续、稳定又精细化的观察视角。尤其是微表情，作为情绪起伏的显著体现，其持续时间都不到1秒，因此不易被人眼持续而精准地察觉。人类识别情绪的过程中还受到一系列内在限制的影响，最突出的问题在于人类感官无法直接发觉诸如肌电、呼吸、皮电等生理信号，而这些信号对于深入洞悉个体情绪状态意义重大
［9］2。正因如此，人脸情绪识别技术在辅助诊疗范畴展现出独特的临床价值。例如，通过对眼动轨迹的分析，人脸情绪识别技术可以剖析精神分裂症患者的心理状态，支持医生更精准地领会其病理特征。此技术还能检测抑郁症等各类精神疾病，还能在治疗进行中观察患者状况等方面发挥较大作用。
2.2 人脸情绪识别技术对精神疾病的治疗
从精神病理学这个视角出发，疾病对社会认知能力的损害展现出双重机制。从医学的相关标准看，精神疾病在生物学范畴主要体现是病理改变或功能失调，例如面部表情的强度降低。就社会标准的角度而言，精神疾病还呈现出重要的社会文化影响，就像社会认知功能遭受损害，具体呈现为人脸情绪辨认能力缺失。该双重损害机制均显示出精神功能的“异常状态”，导致患者在生理、心理及社会互动方面出现严重障碍
［8］。
面部表情作为非言语行为的关键部分，与言语行为及声音特征共同构成了人类交际的三大核心表达与沟通方法。正是凭借这些途径，个体得以有效地表达出情绪并传递相应信号，其他人可捕捉并解析面部所呈现的表情信号，进一步剖析个体的情绪状态，这一过程就是基于“面部表情”的情绪识别
［10］。不管是由病变还是其他原因造成的情绪识别能力丧失，都会对个人的生活带来十分严重的不良后果。基于当下这个背景，人脸情绪识别技术作为一种有价值的治疗辅助手段，可以为失认症患者提供所需的心理能力和社会互动技巧方面的支持。
在新医学模式框架下，心理健康，尤其是情绪状态的平稳，对精神疾病患者的康复进程影响重大。人脸情绪识别技术首先在治疗阶段起着多重的功效：首先，凭借定期开展的面部情绪分析，不断跟踪患者的情绪波动，为个性化社会康复方案的制定提供量化依据；其次，该技术能协助医生迅速识别患者的情绪起伏，精准评定治疗效果，并按照此情况优化治疗方案；最后，更关键的是，该技术还能够用以识别潜在的心理危机，如出现自杀倾向等高危行为，让医生有能力及时采取干预办法，有效保障患者安全。
3 取予之衡：应用人脸情绪识别技术存在的伦理问题及对策
3.1 注意效用有限
将精神病患者的数据放进人脸情绪识别技术的训练集，固然有助于提升情绪识别水平，与技术迭代及算法优化的内在逻辑相契合，也能提升该技术在精神疾病诊疗领域的应用潜在实力
［1］96。然而，精神疾病的诊疗工作，本质上是一种十分复杂的辨认实践，不但得区分相似症状所对应的不同疾病归属，还需要深入把握相同症状在不同个体间的表现差异，还有同一患者在不同时间段症状的意义。当前阶段人脸情绪识别技术的识别偏差难以杜绝，故而面临“效用有限”的风险。若把正常的个体错误认定为患有精神疾病，会引发“被精神病”的严重局面，造成错误的医疗干预，给当事人的心理健康、社会地位以及人格权利带来长期的损害后果
［8］。
学界针对情绪结构的还原机制还没有形成统一共识，主要存在着两种理论解释的途径。第一种解释所借助的路径为情绪分类法，主张将情绪分成若干相对独立的单元，含有基本情绪以及复杂情绪。尽管支持该理论路径的学者大多认同“基本情绪”概念的存在，但在它的具体种类以及划分标准上，依旧没有形成一致的认识
［3］。第二种解释路径，也就是情绪维度法，主张各类情绪彼此之间相互关联，应着重围绕维度进行结构性阐释，它的代表性理论包括效价—唤醒度、积极—消极等环形结构模型。这两种理论路径皆有局限性：情绪分类法易把情绪的复杂性与文化差异给忽略，而情绪维度法在一定程度上削弱了情绪类型的特异性，难以对具有多义性、对语境敏感的情绪表现进行有效鉴别。例如，在多数文化里，“微笑”一般被看作是表达愉悦或友好的方式，但在特定语境之中也许会传达尴尬、不安，甚至表达出讽刺等各类情绪。依托情绪理论的人脸情绪识别技术若无法将情绪还原，可能引起误差识别以及情绪理解的偏差，进而影响到其实际应用中的准确程度与可靠程度
［11］。
人脸情绪识别技术依赖深度学习这类复杂模型，面临着“算法黑箱”的困扰。若基础情绪模型缺乏清晰的数学描述框架时，深度学习算法难以构建表情特征与情绪状态的可解释表征关系
［8］。首先，现有的技术还依赖于机器学习和人工智能等复杂系统，不仅要面对算法架构自身的迭代升级挑战，还会受到组合技术瓶颈的约束，如生物传感器的精确程度和灵敏水平。其次，数据生态的结构性矛盾进一步加剧了技术应用的局限性
［1］98。人脸情绪识别技术的训练高度依赖大规模数据集，尤其需纳入充足数量的精神疾病数据。若精神疾病患者数据量不足，模型易因数据稀疏性导致代表性和多样性不足，难以诊断罕见精神疾病；若训练数据过度扩充，算法会强化“情绪刻板印象”，导致所谓的标准“面部情绪”态势，从而忽视个体主体性和疾病成因的复杂性
［9］34。
鉴于以上技术风险，人脸情绪识别技术在精神卫生诊疗领域的应用应被严格限定为“辅助决策系统”，其核心功能在于给临床医生提供决策的参考依据，而非替换临床医生的专业医学判断。若过度借助技术诊断而忽略技术缺陷，可能会引起临床判断的偏差，进而影响诊疗的精确水平和人文关怀价值。因此，需对人脸情绪识别技术的研发工作开展伦理审查。根据《科技伦理审查办法（试行）》，人脸情绪识别技术作为一类对人类主观行为具有显著影响的人机融合系统，该技术的实际部署过程中涉及重大伦理风险
［12］。因此，人脸情绪识别技术相关的研发活动应被纳入需开展专项伦理审查与专家复核的科技活动范畴，确保在伦理框架内实现负责任的技术创新。
3.2 保护情绪隐私
人脸情绪识别技术牵扯到个体面部特征和情绪状态的双重识别，其所处理的情绪信息敏感程度较高，围绕其隐私进行伦理探讨具有重要的现实意义。尤其是当个体未察觉到或非自愿的情形下，若利用该技术去探知其内心情绪状态，将会给“情绪隐私”带来实质侵犯。所谓情绪隐私，是指个体对其情绪体验及其表达信息所享有的自主控制与处置权，包括是否、何时以及如何向他人披露相关情绪内容
［13］。这种隐私权已挣脱传统物理空间的领域，延伸至心理状态的数字表征范畴。
在精神疾病诊治进程中，该技术可能会借助三类风险途径侵犯个人隐私。第一类风险归因于技术系统本身的特点。高帧率的监控设备能自动、非接触地采集患者微表情数据，让医疗机构越过“知情同意”收集数据
［6］。第二重风险源自授权边界的模糊状态，进而造成知情同意机制失去效力。尽管患者签署了信息采集同意书，形式上准许了数据的采集，但这份同意书未对数据的具体用途、使用范围以及可能涉及的技术处理方式予以明确说明，难以实现实质性知情同意的伦理要求。此类风险同样体现在数据使用目的的“功能漂移”方面，有关数据也许会被二次卖给商业机构，用于培育消费行为预测模型，就如通过识别抑郁倾向为用户推送精准广告。第三类风险源于技术系统的脆弱性。若医疗机构的情绪数据遭受网络方面的攻击，或许会造成数据泄露或被滥用，进而对个体造成无法预估的潜在损害
［12］。一旦情绪数据落到有恶意企图的人手上，也许会被拿去辅助身份识别，还可能拿来用于行为引导，甚至掌控个体决策。这类风险不只是对情绪隐私造成严重侵犯，还直接对人身安全和社交的自主性构成威胁
［14］。
人脸情绪识别技术既关联生物识别特征又关联行为特征的双重敏感性，亟须建立更为有效的隐私保护机制与强化的知情同意制度。人脸信息作为“生物识别信息”，已受到《中华人民共和国民法典》和《中华人民共和国个人信息保护法》的保护
［12］。但鉴于其在情绪分析场景中一般不直接与身份识别功能挂钩，而“情绪隐私”至今未被明确定义为一种独立的权利种类，因此迫切需要借助专门立法界定与规制它。《个人信息保护法》已把生物识别信息和医疗健康信息归为“敏感信息”范围，也要求获取“单独同意”。然而，要有效构建单独同意机制，必须保证同意内容可理解且信息完整。例如，同意书应囊括数据采集范围、使用目的、存储期限等关键要点，以确保同意的真实、明确与充分
［14］。基于既有的“单独同意”方式，人脸情绪识别技术还可采用动态隐私保护机制。例如，若数据使用偏离初始协议，便自动触发二次授权机制，采用技术手段来落实“最小必要”及“用途限定”原则。
3.3 尊重患者尊严
虽说人脸情绪识别技术在精神疾病诊治中呈现出一定的辅助诊断价值，但其在医疗场景应用时仍可能会引发情绪异化问题与“马太效应”。尤其值得重视的是，精神病患者因其自身生理或精神维度的脆弱表现，更易遭受技术滥用的影响。一旦人脸情绪识别技术被机械化操作，会在诊断当中放大偏差、进一步固化刻板印象，降低患者在医疗过程中的主体性存在感，进而对其基本的尊严与人权保障造成干扰。
人类情绪具有高度的复杂性与多样性，其表达方式在不同的文化、社会甚至个体层面往往存在明显差异。而且相同的情绪表现，于不同语境之下或许会承载判若云泥的社会蕴含。然而，人脸情绪识别技术把个体情绪变成可量化、可分析、可利用的数据，场景特异性等要素往往被搁置
［15］。在医患沟通当中过度依赖此类技术也许会导致关系的工具化趋势，让医务人员把注意力集中在那些容易被技术捕捉并处理的外在特征方面，结果遗漏了情绪体验的深层维度与情感交流的细腻环节。这种借助数据解析取代人文关怀的交互模式，本质上将诊疗过程从对患者整体状态的评估转向对技术界面的依靠，进而造成临床注意力出现结构性偏移。
人脸情绪识别技术的部署与运行一般要投入高昂的经济成本，例如，采购高性能计算芯片以支撑复杂的算法，纳入大批的数据当作训练资源。这代表只有资源充足的个人或平台才能从中得到好处，而经济情况处于劣势的群体也许会被排除于技术红利之外，由此加剧现有的不平等格局，引发典型的“马太效应”，即：较弱势的群体可能难以对这类技术进行访问或利用，日益被排挤到边缘，错过利用这类技术受益的机会。更值得引起警觉的是，当情绪被转变为可贸易、可操作的数据资源时，情绪本身就存在被“物化”与“商品化”的潜在风险。此趋势不仅会提升情绪识别的工具理性导向，还可能大幅改变人类情绪表达的多样格局，使人情绪表达逐渐受到技术的管控。这种技术资源分配的不合理进一步扩大了社会阶层之间的隔阂，致使技术红利更多汇聚到资源占有者那里，而弱势群体则面临着被进一步边缘化的风险。特别是当人脸情绪识别被用作“人类增强技术”而非仅为辅助工具的时候，其介入范畴便超越了对健康状态的助力，触及情绪主体性、人格尊严乃至社会伦理的基本界限
［16］。
4 结语
人脸情绪识别技术在精神卫生领域的应用，有望让遭受抑郁症等精神疾病困扰的患者获得福祉。然而，该技术所引发的伦理风险同样不可忽视。为此，需深化人脸情绪研究，以当下既有的情绪还原框架为根基，及时汲取心理学、神经科学以及行为科学等领域的研究成果，为人脸情绪识别系统搭建更具解释力的模型提供支持。人脸情绪识别技术的开发进程自身也需要多学科的深度融合及协同创新。这不但涉及计算机科学、心理学和神经科学等科技领域范畴，也需要医学、伦理学等学科力量的介入。通过跨领域的合作行动，可于技术设计、实施与应用进程中充分顾及伦理、隐私与安全等多样因素，从而促进人脸情绪识别技术的合理发展。为助力人脸情绪识别技术实现负责任创新，迫切需要构建一套“分布式伦理架构”，界定技术开发者、运营商、监管机构、终端用户以及公众等相关利益主体在技术发展进程中的责任与角色，促进伦理治理的责任共担。
中国人脸情绪识别技术已发展到初步规模阶段，并非处于绝对无序的状态。相关的法律法规、医学伦理规范与行业标准稍显滞后，尚未形成成熟监管体系。未来发展人脸情绪识别技术应秉持“伦理先行”这一原则，朝着实行负责任研究与创新的方向迈进。为此，提议构建“技术与伦理”平衡框架。在技术开发阶段执行伦理影响评估，在临床应用阶段构建动态授权机制，采用多利益相关方协同治理的方式，确保技术发展负责任创新。“赋能”与“约束”辩证互促，以造就人脸情绪识别技术规范发展的内在张力模式。只有在持续对其伦理边界做动态考察与制度响应的前提下，该技术才能在守住伦理底线的前提下增进人类福祉。
国家卫生健康委员会医疗应急司课题“互联网医疗信息监督执法研究”(20240318)
长沙市哲学社会科学规划课题“人工智能时代算法性别歧视的伦理治理研究”(2025CSSKKT10)
京公网安备11010202008535号
PDF
(590KB)
