Objectivisation of Facial Expression Assessment in Parkinson’s Disease and Depression

Matić, Teodora (avtor), Sadikov, Aleksander (mentor), Georgiev, Dejan (komentor)

Background: Reduced facial expressiveness (hypomimia) is a cardinal sign of Parkinson’s disease (PD) that phenotypically overlaps with symptoms of depression, thus complicating differential diagnosis. This study investigated whether automated facial expression (FE) analysis could objectively discriminate between individuals with PD, depression, and healthy controls (HC). Methods: Eighty participants (30 PD, 25 depression, 25 HC) performed four FE tasks (Spontaneous emotional expression, Voluntary emotional expression, Mimicked emotional expression, Reading) while being recorded. High-level Emotion features and low-level Action Unit (AU) features were extracted using an automated engine. Random Forest classifiers with Leave-One-Out Cross-Validation (LOO-CV) were used to perform three-group (PD versus depression versus HC) and binary (PD versus depression) classification, and to predict hypomimia severity within the PD group. Results: The models successfully differentiated PD from depression with high classification accuracy, achieving a peak LOO-averaged classification accuracy of 0.89 in the binary classification task (Reading task, Emotion features). High-level Emotion features consistently outperformed low-level AU features across most tasks. The three-group classification was more challenging (peak accuracy 0.68), with models struggling to distinguish HCs from the clinical groups. In contrast, predicting clinically-rated hypomimia severity within the PD group using FE features was unsuccessful, with models performing at or below chance. A separate model using clinical scales to predict hypomimia did not perform well (0.60 classification accuracy), with cognitive status (ACE-III) and depression (GDS-15) being the most important predictors. Conclusion: Automated FE analysis is a viable tool for objectively differentiating PD from depression, providing a strong foundation for developing non-invasive digital biomarkers to aid clinical diagnosis. While group classification is promising, the challenge of predicting intra-group symptom severity like hypomimia highlights the need for future research using larger, independent cohorts and potentially integrating multimodal data.

• Jezik: Angleški jezik
• Ključne besede: Parkinson's disease, Hypomimia, Depression, Automated Facial Expression Analysis, Machine Learning, Differential Diagnosis
• Vrsta gradiva: Doktorsko delo/naloga
• Organizacija: FF - Filozofska fakulteta
• Leto izida: 2026
• PID: 20.500.12556/RUL-179497
• Datum objave v RUL: 15.02.2026

Sekundarni jezik

• Jezik: Slovenski jezik
• Naslov: Objektivizacija ocene obraznih izrazov pri parkinsonovi bolezni in depresiji

Izvleček

Izhodišče: Zmanjšana obrazna izraznost (hipomimija) je ključen znak Parkinsonove bolezni (PB), ki se fenotipsko prekriva s simptomi depresije, kar otežuje diferencialno diagnozo. Ta študija je preučevala, ali lahko avtomatizirana analiza obrazne mimike (OM) objektivno razlikuje med posamezniki s PB, depresijo in zdravimi preiskovanci (ZP). Metode: Osemdeset udeležencev (30 s PB, 25 z depresijo, 25 ZP) je med snemanjem izvedlo štiri naloge OM (spontana, hotena in posnemana čustvena mimika ter branje). Z avtomatiziranim orodjem so bile pridobljene visokonivojske značilnosti čustev in nizkonivojske značilnosti obraznih akcijskih enot (OAE). Za klasifikacijo v tri skupine (PB proti depresiji proti ZP), binarno klasifikacijo (PB proti depresiji) in za napovedovanje stopnje resnosti hipomimije znotraj skupine s PB so bili uporabljeni klasifikatorji naključnih gozdov z navzkrižno validacijo z izpustitvijo enega (LOO-CV). Rezultati: Modeli so uspešno razlikovali med PB in depresijo z visoko točnostjo klasifikacije, pri čemer so dosegli najvišjo povprečno točnost klasifikacije po metodi LOO-CV 0,89 pri binarni klasifikaciji (naloga branja, značilnosti čustev). Visokonivojske značilnosti čustev so pri večini nalog dosledno prekašale nizkonivojske značilnosti OAE. Klasifikacija v tri skupine je bila zahtevnejša (najvišja točnost 0,68), saj so se modeli težko spopadali z razlikovanjem ZP od kliničnih skupin. V nasprotju s tem je bilo napovedovanje klinično ocenjene stopnje resnosti hipomimije znotraj skupine s PB z uporabo značilnosti OM neuspešno, saj so modeli dosegali rezultate na ravni ali pod ravnijo naključja. Tudi ločen model, ki je za napovedovanje hipomimije uporabil klinične lestvice, ni dosegel dobrih rezultatov (točnost klasifikacije 0,60), pri čemer sta bila najpomembnejša napovednika kognitivni status (ACE-III) in depresija (GDS-15). Zaključek: Avtomatizirana analiza OM je uporabno orodje za objektivno razlikovanje med PB in depresijo, kar predstavlja trdno osnovo za razvoj neinvazivnih digitalnih biomarkerjev v pomoč klinični diagnozi. Medtem ko je klasifikacija skupin obetavna, izziv napovedovanja resnosti simptomov znotraj skupine, kot je hipomimija, poudarja potrebo po prihodnjih raziskavah z uporabo večjih, neodvisnih kohort in potencialno vključitvijo multimodalnih podatkov.

• Ključne besede: Parkinsonova bolezen, hipomimija, depresija, avtomatizirana analiza obrazne mimike, strojno učenje, diferencialna diagnoza