Hugging Rain Man (HRM)

Hugging Rain Man (HRM) 数据集是由华中师范大学人工智能教育学院创建的，专门用于分析自闭症谱系障碍（ASD）儿童的非典型面部表情。该数据集包含约130,000帧由FACS专家手动标注的面部动作单元（AUs）和动作描述符（ADs），涵盖了自闭症儿童和典型发展（TD）儿童的摆拍和自发面部表情。数据集的创建过程包括多维度的标注框架，涵盖22个AUs、10个ADs和非典型性评分。HRM数据集的应用领域主要集中在ASD的早期筛查和面部表情分析，旨在通过客观的面部特征分析，提高对ASD儿童面部表情特征的理解，并为ASD的早期诊断提供潜在工具。The Hugging Rain Man (HRM) dataset was created by the School of Artificial Intelligence Education at Central China Normal University, specifically for the analysis of atypical facial expressions in children with Autism Spectrum Disorder (ASD). This dataset comprises approximately 130,000 frames of facial Action Units (AUs) and Action Descriptors (ADs) manually annotated by FACS experts, covering posed and spontaneous facial expressions from both autistic children and typically developing (TD) children. The construction of the HRM dataset employs a multi-dimensional annotation framework that encompasses 22 AUs, 10 ADs, and atypicality scoring. The main application scenarios of the HRM dataset center on early ASD screening and facial expression analysis, aiming to advance the understanding of facial expression characteristics of children with ASD through objective facial feature analysis, and provide potential tools for the early diagnosis of ASD.

搜集汇总

数据集介绍

构建方式

Hugging Rain Man (HRM)数据集的构建过程严谨而细致，主要通过多维度的标注框架来实现。该数据集包括了来自自闭症谱系障碍（ASD）儿童和典型发展（TD）儿童的面部表情数据，总计约130,000帧。这些数据由FACS专家手动标注，涵盖了22个面部动作单元（AUs）和10个动作描述符（ADs），以及异常性评分。数据集的构建不仅包括了静态图像的统计分析，还采用了时间回归方法来分析动态序列的异常性，从而填补了主观感知与客观面部特征之间的差距。

特点

HRM数据集的显著特点在于其多维度的标注和高度的专业性。数据集不仅包含了常见的面部动作单元，还特别关注了可能反映心理状态的动作描述符，如AD32（咬唇）和AU28（吸唇）。此外，数据集还包含了异常性评分，这为研究ASD儿童的异常面部表情提供了新的视角。通过这些详细的标注，研究者能够更全面地分析和理解ASD儿童的面部表情特征。

使用方法

HRM数据集的使用方法多样，适用于多种研究目的。研究者可以利用该数据集进行面部动作单元的检测和强度估计，分析ASD儿童与TD儿童在相同情绪表达下的面部动作差异。此外，数据集还可用于训练和验证时间回归模型，以探索动态面部序列与异常性评分之间的关系。通过这些分析，研究者可以更深入地理解ASD儿童的面部表情特征，并为ASD的早期筛查提供潜在工具。

背景与挑战

背景概述

Hugging Rain Man (HRM)数据集由华中师范大学人工智能教育学院的Yanfeng Ji等人于2021年创建，专注于分析自闭症谱系障碍（ASD）儿童的非典型面部表情。该数据集包含了66名ASD儿童和32名典型发育（TD）儿童的面部动作单元（AUs）和动作描述符（ADs）的手动注释，总计约130,000帧。HRM数据集的构建旨在解决ASD儿童面部表情特征的客观化问题，并为ASD早期筛查提供潜在工具。通过统计分析，研究团队发现ASD儿童在展示相同情感表达时，其AUs和ADs与TD儿童存在显著差异，这为理解ASD儿童的独特面部表情特征提供了新的视角。

当前挑战

HRM数据集在构建过程中面临多重挑战。首先，ASD儿童的面部表情分析需要高度专业化的注释，这涉及到大量的劳动力和时间成本。其次，现有的面部表情分析工具主要基于成人数据集进行训练，其在儿童面部表情分析中的泛化能力有限，尤其是在ASD儿童这一特殊群体中。此外，数据集中AUs和ADs的分布不均衡，某些AUs如AU25（嘴唇分开）出现频率极高，而其他AUs如AU15（嘴角下压）则较少出现，这种不均衡可能影响AU检测模型的训练效果。最后，识别ASD儿童的非典型面部表情也是一个重要挑战，现有的方法主要集中在探索合适的视觉特征来量化ASD儿童与TD儿童面部表情的差异，但往往忽略了非典型面部表情的严重程度评估。

常用场景

经典使用场景

Hugging Rain Man (HRM) 数据集在分析自闭症谱系障碍（ASD）儿童的非典型面部表情方面具有经典应用。通过包含由FACS专家手动注释的面部动作单元（AUs）和动作描述符（ADs），该数据集使研究人员能够深入研究ASD儿童在表达情感时的面部肌肉运动模式。经典场景包括对ASD儿童和典型发育（TD）儿童的面部表情进行比较分析，以识别和量化两者之间的差异，从而为ASD的早期筛查和诊断提供科学依据。

实际应用

在实际应用中，HRM数据集为开发和验证用于ASD早期筛查的自动化面部表情分析工具提供了宝贵的资源。通过训练机器学习模型识别和区分ASD儿童与TD儿童的面部表情，这些工具可以在临床环境中用于快速评估儿童的社交和情感发展状态。此外，该数据集还可用于评估和改进现有的面部表情识别算法，使其更加适用于儿童群体，特别是ASD儿童。

衍生相关工作

HRM数据集的发布催生了一系列相关研究工作，包括开发新的面部动作单元检测算法、探索面部表情与情感状态之间的关系，以及研究ASD儿童面部表情的动态变化。例如，一些研究利用HRM数据集训练深度学习模型，以提高对ASD儿童面部表情的识别精度。此外，还有研究致力于开发基于HRM数据集的情感计算工具，以支持ASD儿童的个性化干预和治疗。