Child Micro-Expression Dataset (CMED)

CMED是一个儿童微表情视频数据集，由74名不同主体的视频样本组成。该数据集是在野外使用视频会议软件捕获的，旨在探索儿童和成人微表情之间的关键特征和差异。数据集通过自动化和手动方法处理，并经过三阶段标注，包含了 happiness、sadness、anger、fear、disgust、surprise 和 No-ME 这7个分类。

CMED is a children's micro-expression video dataset consisting of video samples from 74 distinct subjects. This dataset was captured in the wild using video conferencing software, and is designed to explore the key features and differences between children's and adults' micro-expressions. The dataset has been processed via both automated and manual approaches, and underwent three-stage annotation, covering 7 categories: happiness, sadness, anger, fear, disgust, surprise, and No-ME.

搜集汇总

数据集介绍

构建方式

在儿童心理治疗领域，微表情识别对于理解儿童真实情感具有重要价值。CMED数据集通过创新的数据采集方法，利用视频会议软件在自然环境中捕捉儿童群体学习活动的自发微表情，摒弃了传统实验室环境中人为诱导情感的方式。数据集构建过程包含视频自动预处理算法，通过时空维度分割、人脸检测和标准化处理，从原始视频中提取有效片段。随后由经过专业培训的心理治疗师采用三阶段标注流程，确保微表情起止帧、顶点帧及情感类别的标注准确性。

特点

作为首个专注于儿童微表情的数据集，CMED包含74名受试者的10,924个样本，其中5,486个微表情样本涵盖六种基本情感类别及无表情类别。数据集最大特色在于其自然场景采集方式，通过普通硬件设备记录的真实互动场景，有效保留了儿童微表情的原始特征。与成人数据集相比，儿童微表情展现出更显著的面部肌肉运动幅度和更快的情感转换频率，尤其在恐惧情绪中表现出独特的垂直方向运动特征。数据集同时提供六分类和经过情感极性重组的三分类两种标注体系，为不同研究需求提供灵活性。

使用方法

该数据集支持多种微表情分析方法的应用验证。研究者可采用传统手工特征方法如LBP-TOP分析时空纹理特征，或运用深度学习框架如VGG-16基于顶点帧进行分类。针对面部关键点的动态变化，数据集特别适配图卷积网络(DGCNN)等非欧几里得数据处理方法。评估建议采用留一受试者交叉验证策略，确保模型泛化能力。数据集已建立包括微表情检测(二分类)和识别(多分类)的基准性能指标，为后续研究提供可比性参考。通过标准化申请流程获取数据后，研究者可将其应用于儿童心理健康评估、远程治疗监测等实际场景。

背景与挑战

背景概述

儿童微表情数据集（CMED）由Nikin Matharaarachchi、Muhammad Fermi Pasha、Sonya Coleman和Kah Peng Wong等研究人员于2025年首次提出，旨在填补儿童微表情研究领域的空白。微表情作为短暂且难以隐藏的情感爆发，在儿童心理治疗中具有重要价值，但此前的研究主要集中于成人。CMED的创建基于非实验室环境下的视频会议软件采集，捕捉了儿童在自然互动中的自发微表情，为研究儿童与成人微表情的差异提供了重要数据基础。该数据集不仅推动了儿童情感计算领域的发展，还为远程心理治疗和教育应用提供了技术支持。

当前挑战

CMED数据集面临的挑战主要体现在两个方面：领域问题的挑战和构建过程的挑战。在领域问题方面，儿童微表情的识别存在独特的困难，如儿童表情的动态性和不可预测性较强，且与成人的表情特征存在显著差异，这增加了模型训练的复杂度。在构建过程中，数据采集面临儿童行为不可控的挑战，如快速情绪变化和面部遮挡，导致高质量样本的获取难度较大。此外，标注过程需要专业心理治疗师的参与，以确保情感分类的准确性，进一步增加了数据集的构建成本和时间。

常用场景

经典使用场景

在儿童心理健康评估领域，CMED数据集通过捕捉儿童在自然交互情境下的微表情，为研究者提供了独特的分析素材。该数据集特别适用于开发自动化微表情识别系统，帮助心理治疗师在远程诊疗或群体活动中，准确识别儿童难以言喻的情绪状态，如自闭症谱系障碍或焦虑症患者的非言语情绪表达。

衍生相关工作

CMED催生了多项创新性研究：Matharaarachchi等人提出的加权时空地标图模型（W-STLGM）显著提升了时间效率；基于该数据集的三帧图卷积网络（Triplet-GCN）首次验证了儿童微表情的时序特征提取范式；后续研究还衍生出针对发育差异的跨年龄微表情迁移学习框架，为儿童情绪计算开辟了新方向。

数据集最近研究

最新研究方向

儿童微表情识别作为情感计算领域的前沿课题，近年来因远程心理治疗和自闭症干预等应用需求而备受关注。CMED数据集的建立填补了儿童微表情研究的数据空白，其非实验室环境采集的特质为开发鲁棒性算法提供了新挑战。当前研究聚焦于三个关键方向：基于时空图卷积网络的面部动态建模技术能够捕捉儿童特有的夸张表情特征；迁移学习框架下预训练模型的特征适应机制有效解决了小样本问题；多模态融合方法通过结合生理信号与面部动作编码系统，正逐步提升在复杂光照条件下的识别准确率。这些技术进展为构建儿童情感计算基础设施奠定了重要基础，尤其在疫情期间远程心理健康监测中展现出独特价值。

相关研究论文

• CMED: A Child Micro-Expression Dataset

  未知 · 2025年