简介：机器学习在心理健康领域的应用正从传统问卷筛查走向多模态自动分析。人脸视频作为最直观的行为信号，其静态表情特征与动态变化模式均能反映抑郁倾向。借助卷积神经网络，尤其是ResNet这类图像分类网络，研究者可高效提取面部视觉特征，并结合回归模型预测PHQ-8分数。AVEC2014公开数据集为这一方向提供了标准化评测基准，涵盖从视频抽帧、人脸对齐到特征汇聚的完整工程链路。本文从技术原理切入，详细拆解了利用ResNet预训练权重进行迁移学习、帧级特征统计池化以及回归损失设计的关键细节，并探讨了在多模态融合场景下与语音、文本特征协同的扩展思路。对于希望入门医疗AI与情感计算领域的开发者，这是一条从概念验证到工程落地的可行路径，也为人脸情绪识别等相似任务提供了可复用的方法论。 抑郁症这个东西，靠一张脸就能看出来？很多人第一次听说AVEC2014的时候都这个反应。别急着否定，这其实是学术界搞了十多年的正经方向——通过分析人脸视频、语音和文本，用机器学习模型自动评估抑郁倾向。我自己最早接触这个项目的时候也心里打鼓：把心理健康问题交给ResNet这种图像分类网络，靠不靠谱？做过一轮完整的实验之后，我的结论是：这条路不仅走得通，而且非常适合作为入门多模态医疗AI项目的练手素材。这篇博文就把整个系统的实现过程、ResNet在其中的具体用法、AVEC2014数据集的坑和Python代码细节全部分享出来，给打算做类似方向的同学一条可以直接参考的完整路线。
1. 项目背景与需求解析：AVEC2014抑郁症诊断到底在解决什么问题
1.1 任务定义：从抑郁评级到回归预测
AVEC2014是Audio/Visual Emotion Challenge系列赛事2014年的一个子挑战，核心任务叫做"抑郁识别"。它用的数据集是DAIC-WOZ（Distress Analysis Interview Corpus），是一批由虚拟 interviewer 引导的临床访谈视频。每位受试者都会完成一份PHQ-8抑郁量表，总分范围0到24分，分数越高抑郁倾向越明显。
这个任务最值得注意的一点是：它不是一个简单的二分类。AVEC2014官方给的评估指标是均方根误差（RMSE）和平均绝对误差（MAE），也就是说，你要预测的是PHQ-8的具体分数，而不是只判断"抑郁/不抑郁"。这在工程实现上和普通图像分类有本质区别——输出层从Softmax变成了线性回归头，损失函数从交叉熵变成了L1或L2损失。
有同学可能会问：那是不是也可以做成分类？可以，很多论文会把PHQ-8大于等于10的样本视为抑郁阳性，做成二分类任务。但从我个人实验对比来看，回归任务的评价指标更细粒度，模型能学到的特征也更有区分度，而且回归结果可以灵活设定阈值来适应不同场景，这点比"一刀切"的分类更适合临床辅助筛查的实际需求。
1.2 为什么选ResNet而不是其他网络
原始视频帧包含大量时序信息，理论上用3D卷积或LSTM会更"正统"，但实际工程中，AVEC2014这个任务的基线方案绝大多数都基于2D CNN处理单帧静态特征。原因有三点：第一，DAIC-WOZ数据集的样本量非常小，训练集只有几十个受试者，3D网络参数量太大，没有足够数据支撑训练；第二，抑郁状态在人脸上的静态表现——表情僵硬程度、眼神回避频率、嘴角下垂角度——是可以通过单帧图像捕捉到的，纯时序模型反而容易忽略这些关键静态线索；第三，ResNet有成熟的ImageNet预训练权重，迁移学习的效率远高于从头训练。
具体选哪一版ResNet？我在实验中对比过ResNet18、ResNet34和ResNet50。ResNet18在验证集上的表现就足够好，但特征表达力偏弱，对细微表情变化的敏感度不如深度更大的网络。ResNet50的参数规模增加明显，训练时间也相应拉长，对于几十个样本的任务来说容易过拟合。折中下来我最终选了ResNet34作为骨干网络——它和ResNet50一样有足够深的特征层次，但参数量少了一半多，在小数据集上的泛化能力反而更稳。
还有一个细节：这里用的不是ResNet裸网络，而是预训练模型加全局平均池化层（Global Average Pooling，GAP）再加回归头的结构。GAP层会把最后一个卷积特征图压缩成2048维（ResNet50是2048，ResNet34是512）的特征向量，这个向量可以视为模型对一张人脸图像的"语义编码"，后面接全连接层映射到PHQ-8分数。
1.3 技术选型的环境依赖
整个系统的实现基于Python 3.8，深度学习框架用的是PyTorch 1.9+。PyTorch在这类小数据集任务上比TensorFlow更好调试，而且torchvision自带的 models.resnet34 接口非常方便，直接用 pretrained=True 就能拉到ImageNet预训练权重。
其他依赖库包括OpenCV（读视频帧）、dlib（人脸检测和对齐）、pandas（PHQ-8标签处理）、scikit-learn（数据划分和指标计算）。GPU方面，我本地用的是一张RTX 3060 12G显存的卡，整个训练流程跑下来绰绰有余。如果只有CPU，训练时间会非常感人，建议至少搞一个云端GPU实例。
2. 整体设计思路：视频人脸特征提取加回归诊断的完整链路
2.1 系统流程图与核心模块划分
整个系统从输入到输出可以拆成四个核心模块：视频预处理模块、人脸检测与对齐模块、ResNet特征提取模块、回归预测与评估模块。每个模块都在后面有专门的小节展开讲，这里先给一张整体设计的逻辑图，帮大家建立全局认知。
视频预处理模块负责从原始访谈视频中均匀抽帧，把每秒30帧的视频降采样到可操作的帧数；人脸检测模块用dlib的HOG特征检测器或CNN检测器把每一帧里的人脸区域框出来，再做仿射变换对齐到224x224的尺寸；ResNet特征提取模块负责把对齐后的人脸图像映射成语义特征向量；回归模块把所有帧的特征向量做均值池化后，通过全连接层输出PHQ-8分数。
值得注意的是，整个流程中所有特征提取是"离线"的——也就是说，在训练阶段最好先把所有视频帧的特征一次性提取并保存成npy文件，训练回归头时直接读特征向量就行。这个设计能节省大量重复计算时间，是我在跑第二轮实验时优化出来的方案，强烈建议参考。
2.2 视频帧采样策略为什么比逐帧处理更实用
原始访谈视频的长度通常在7到30分钟之间，按30fps算，一个视频就有上万帧。如果对每帧都做人脸检测和ResNet前向推理，一个受试者就要跑几十分钟，整个数据集处理下来耗时巨大，而且相邻帧之间的信息高度冗余。实际项目中我采用了均匀采样的策略：每隔30帧取1帧，即每秒取1帧，一个10分钟的视频大概能采到600帧左右。
采样率还能进一步调整。我在实验中发现，当采样密度从每秒1帧降到每2秒1帧时，模型性能几乎没有下降，但数据处理时间直接减半。原因很简单：抑郁状态在访谈过程中的变化是缓慢的，相邻几秒内的面部表现差异极小，密集采样只是增加了计算量，并不能带来有效信息增益。当然，如果视频中有剧烈的情绪波动段落（比如受试者大笑或哭泣），稀疏采样可能会漏掉这些关键片段，所以比较稳妥的做法是每1到2秒一帧，兼顾效率和信息完整性。
2.3 数据划分与验证策略：小数据集的自我救赎
AVEC2014官方把DAIC-WOZ数据集划分为训练集、验证集和测试集三部分。训练集大概50个受试者，验证集和测试集各30个左右。官方测试集的标签是不公开的，需要提交到评测平台才能拿到结果，所以本地开发阶段只能用训练集和验证集做模型选择和调参。
这里有一个极其关键的坑：由于样本量少，随机划分训练集和验证集时，会因为划分方式不同导致最终指标波动非常大。同一个模型，换一组随机种子，RMSE可能差出2到3分。解决方法是采用K折交叉验证。我用的是5折交叉验证，每次用4折训练、1折验证，最终报告5折的平均指标。这样一来，评估结果稳定很多，也能有效避免"某个幸运划分导致虚高指标"的假象。
还要注意受试者划分的层级问题：同一个人的所有视频帧必须全部划分到同一个折里，绝不能按"帧"维度随机打乱。否则训练集和验证集会出现"同一个人既训练又验证"的数据泄漏，模型的泛化能力会被严重高估，拿到的指标没有任何参考价值。
3. ResNet特征提取核心实现：从人脸图像到PHQ-8分数的代码细节
3.1 人脸检测与对齐：为什么不能直接把原始帧喂给ResNet
AVEC2014的视频拍摄环境相对固定，受试者基本坐在摄像机正前方，但头部仍然会有左右转动、低头抬头等动作。直接把原始帧缩放到224x224送给ResNet的问题在于：模型会把人脸周围的大面积背景也当作输入，背景中不相关的干扰信息会导致特征提取质量明显下降。
我用的方案是dlib的CNN人脸检测器（mmod_human_face_detector.dat），它对侧脸和遮挡的鲁棒性比HOG检测器好不少。检测到人脸框之后，再用dlib的68点人脸关键点检测模型定位眼睛、鼻尖等关键位置，通过仿射变换将两只眼睛对齐到同一水平线，最后裁剪并缩放到224x224。
对齐这一步对于视频帧尤其重要。因为访谈中受试者会不自觉地晃动头部，如果不对齐，同一个人的同一种表情在不同帧里会有不同的位置偏移，ResNet提取出的特征向量会产生无意义的波动，最终均值池化后的特征也会被"稀释"。实测下来，加了人脸对齐之后，验证集RMSE稳定改善0.3到0.5分，这个提升在几十个样本的实验中已经非常显著了。
import cv2 import dlib detector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat") predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat") def align_face(img): faces = detector(img, 1) if len(faces) == 0: return None # 取面积最大的人脸 max_face = max(faces, key=lambda f: f.rect.area()) shape = predictor(img, max_face.rect) left_eye = shape.part(36).left() # 左眼外眼角 right_eye = shape.part(45).left() # 右眼外眼角 dx = right_eye.x - left_eye.x dy = right_eye.y - left_eye.y angle = cv2.face.getAngle(dx, dy) # 计算旋转角度（实际可用math.atan2） # 旋转、裁剪并缩放，这里省略具体的仿射变换参数 aligned = cv2.resize(rotated_face, (224, 224)) return aligned3.2 ResNet预训练模型加载与特征层抽取
PyTorch加载ResNet34预训练模型非常简单：torchvision.models.resnet34(pretrained=True)。默认情况下模型会包含最后的全连接分类层（1000类），我们需要做两处修改。第一，把model.fc替换成输出维度为1的全连接层，对应PHQ-8分数预测；第二，为了做特征提取而不是端到端分类，保留GAP层前面的卷积部分输出特征。
这里我推荐一个更灵活的做法：不去改model.fc，而是把网络但到model.avgpool之前的部分当作特征提取器。输入一张人脸图像，取出最后一个卷积特征图，用torch.flatten或torch.mean把它压成512维向量，这个向量就代表当前帧的视觉特征。之后再接一个自己定义的回归头网络。
import torch import torch.nn as nn from torchvision import models class DepResNet(nn.Module): def __init__(self): super().__init__() resnet = models.resnet34(pretrained=True) # 去掉最后的全连接层和avgpool，保留卷积特征提取部分 self.features = nn.Sequential(*list(resnet.children())[:-2]) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) self.regressor = nn.Sequential( nn.Linear(512, 128), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(128, 1) ) def forward(self, x): x = self.features(x) x = self.avgpool(x) x = torch.flatten(x, 1) x = self.regressor(x) return x.squeeze(1)有一个容易踩的坑：ResNet的BatchNorm层在训练和推理阶段行为不同。如果使用model.eval()模式，BatchNorm会使用训练阶段统计的running_mean和running_var；在model.train()模式下则使用当前batch的统计量。加载ImageNet预训练权重后，默认的running_mean和running_var对应的是ImageNet数据分布，如果直接拿去做推理，虽然不会报错，但输出特征分布会和训练时不一致。所以特征提取时把模型切到eval模式是必须的。
3.3 帧级特征汇聚策略：统计池化到底选哪种
所有视频帧经过ResNet提取特征后，会得到一个形状为 (N, 512) 的矩阵，N是帧数。这个矩阵需要汇聚成一个512维的全局特征向量，才能输入回归头。最朴素的方法是均值池化（average pooling），把N个帧的512维特征逐元素求平均。这是基线模型的标配，代码一行搞定：np.mean(features, axis=0)。
但均值池化会丢失帧间方差信息。一个在访谈过程中情绪波动很大的受试者，和另一个全程面无表情的受试者，可能均值特征接近，但方差特征差异巨大。考虑到PHQ-8本身衡量的是持续数周的情绪状态，帧间波动特征本身就是很有价值的诊断线索。我在实验里试过把均值、标准差、最大值拼接到一起构成1536维特征向量，结果MAE改善了不少，代价是回归头的输入维度变大，需要调整Dropout比例防止过拟合。
需要注意的是，输入回归头之前一定要做特征标准化。不同受试者的特征数值范围可能差异很大，不标准化的话，回归头学到的权重会偏向数值大的维度。推荐用训练集的特征均值和方法做标准化，然后用同一组参数去标准化验证集和测试集，绝对不能用全量数据计算标准化参数，那属于信息泄漏。
4. 模型训练全流程：损失函数、优化器与评估指标
4.1 回归损失选择：L1和L2的适用场景对比
PHQ-8分数回归最常见的损失函数是均方误差（MSE，即L2损失）和平均绝对误差（MAE，即L1损失）。这两者行为差异很大：L2损失对离群点非常敏感，一个预测偏差极大的样本会主导梯度更新；L1损失对离群点的惩罚是线性的，鲁棒性更好。
从医学诊断的角度考虑，你希望模型在大多数样本上预测都尽量准，还是优先避免"把重度抑郁患者预测成健康人"这种极端失败？L1损失能限制极端预测误差的上限，L2损失则会逼迫模型在网络输出较大误差时疯狂调整。我在实验中对比过，用SmoothL1Loss（Huber损失，δ=1.0）的效果最好，它结合了两者的优点：误差小时用L2形式的梯度，误差大时用L1形式的梯度，训练初期的稳定性明显优于纯L1。
criterion = nn.SmoothL1Loss() optimizer = torch.optim.Adam(model.regressor.parameters(), lr=1e-4, weight_decay=1e-4)训练时的学习率策略值得特别注意。由于回归头是随机初始化的，而底层的ResNet卷积特征用的是ImageNet预训练权重，两者在训练初期对梯度的敏感度不同。我的做法是：整个模型一起训练，但只让回归头更新，先固定ResNet特征提取部分跑10个epoch，等回归头大致收敛后，再解冻ResNet的后两层，用更低的学习率（1e-5）微调。这样既能保留预训练模型提取通用视觉特征的能力，又能让高层的部分特征适应人脸表情的特殊分布。
4.2 batching策略：视频帧的权重分配
因为同一受试者的所有帧在特征空间里高度相似，如果按帧直接随机取样组batch，模型会在一个batch里看到大量"同脸不同帧"的样本，学习效率很低，而且容易过拟合到某个受试者的个体特征上。正确思路有两种。
第一种是"三明治"式batch构造：一个batch里同时包含多个受试者的帧，但每个受试者只取少量帧。比如batch size设为16，每个受试者取4帧，这样一个batch里有4个受试者。这种方法能增加batch内样本多样性，但受试者之间的数量均衡是个麻烦事。
第二种是"视频级"batch：一个batch只包含一个受试者的全部帧，回归头对这一个受试者所有帧的特征分别预测，取平均值作为该受试者的预测分数。这样做的好处是训练目标直接和评估指标对齐——评估时我们就是对一个受试者的所有帧取均值，训练时也是"按人算损失"。我的实验结果表明，第二种方式明显更稳定，因为它的梯度是"整段视频贡献的合力"，不会因为某一帧的异常表现而产生误导性更新。
4.3 评估指标计算与结果解读
官方评估指标是RMSE和MAE，计算方式很直观：
from sklearn.metrics import mean_squared_error, mean_absolute_error rmse = mean_squared_error(y_true, y_pred, squared=False) mae = mean_absolute_error(y_true, y_pred)但只看这两个数字不够，我会额外计算一个"预测偏差分布"——统计模型预测值和真实PHQ-8分数之间的差值直方图，看看系统误差是偏向高估还是低估。在一次实验中我发现，模型对低分样本（PHQ-8小于5）普遍高估1到2分，对高分组（PHQ-8大于15）则倾向于低估。这个偏差模式说明训练集里低分组和高分组的样本数量不平衡，需要对高分组样本加权，或者做SMOTE过采样。这个细节是我在调优过程中收获最大的发现之一，强烈建议你也做类似的分析。
5. 数据集处理实录：从原始视频到可训练特征的踩坑全过程
5.1 AVEC2014原始数据下载与格式说明
AVEC2014的DAIC-WOZ数据集需要通过官网申请下载，审核通过后会给你一个下载链接。数据集包含三部分：访谈视频（通常是MP4格式）、转录文本、以及一份包含PHQ-8分数和受试者基本信息的CSV表格。视频一般有多个机位视角，其中"正面视角"（通常是主摄像头）是我们做面部表情分析的关键。
下载时有个很容易忽略的点：数据集里同时提供了原始视频和"已裁剪人脸"的版本。一开始我以为直接用裁剪版就行，省去了人脸检测的步骤。但后来发现裁剪版的视频帧分辨率偏低，而且人脸框的对齐质量参差不齐，有些帧出现了明显的偏移。后来我改回原始视频自己做检测对齐，效果反而更好——这算是"多一步预处理，多得一分精度"的典型例子。
CSV标签文件里PHQ-8对应的列名是"PHQ8_Total"，单位是分数，范围0到24。还有一个"Gender"列，记录了受试者性别。性别信息是可选的辅助特征，我在实验里试着把它拼接进回归头，对部分折的性能有提升，但整体提升不稳定。建议后续可以把这个作为扩展方向，单独做性别相关的子模型分析。
5.2 视频帧提取与数据增强的平衡
使用OpenCV读取视频帧时有个性能小技巧：cap.set(cv2.CAP_PROP_POS_FRAMES, frame_index)跳帧读取比逐帧读取快得多，尤其是处理大视频时能节省大量IO时间。
cap = cv2.VideoCapture(video_path) fps = cap.get(cv2.CAP_PROP_FPS) frame_interval = int(fps) # 每秒1帧 frame_idx = 0 while True: cap.set(cv2.CAP_PROP_POS_FRAMES, frame_idx) ret, frame = cap.read() if not ret: break # 提取帧并做对齐 aligned = align_face(frame) if aligned is not None: cv2.imwrite(out_dir, aligned) frame_idx += frame_interval cap.release()AVEC2014的数据规模小，数据增强的价值非常大。但要注意增强方式必须和"人脸抑郁识别"这个任务匹配。水平翻转是安全的，因为左右脸对称性普遍成立；随机亮度扰动和对比度扰动适合模拟不同摄像头的采光差异；但随机旋转角度超过10度就不合适了——人脸的姿态变化在访谈中不会那么大，过于激进的几何增强会让模型学到不真实的特征。
我在实验中常用的增强组合是：随机水平翻转、随机亮度和饱和度扰动、轻微随机裁剪（最多偏移5%）。用这份增强策略训练出来的模型，在验证集上的MAE比不增强低约5%到8%，效果非常直接。
5.3 训练集验证集特征缓存与加速
把视频帧提取成特征向量的过程非常耗时，而且是多次实验都要用的公共步骤。我踩过的一次坑是：每次调参都要重新跑一遍人脸检测和ResNet的前向推理，中间过程全是重复计算。后来我把所有样本的ResNet特征提前算好，按受试者ID保存成.npy文件，后续跑回归头的实验时直接读特征，整个过程秒开。
具体做法是：每个受试者对应一个 (N, 512) 的npy文件，文件名格式为subject_101_feats.npy，另外用一个CSV记录每个受试者的PHQ-8分数。训练回归头时只需要加载对应的npy和标签，不再依赖原始视频。这个"特征缓存"的思路不仅适用于本项目，几乎所有视频类小样本任务都用得上。
同时，缓存特征还有一个好处：你可以方便地对照不同回归头结构在相同特征上的表现差异，也就是把"视觉特征提取"和"回归映射"两个阶段解耦，分别调优，定位问题的时候不会互相干扰。
6. 常见问题与排查技巧：实际运行中的典型坑点
6.1 训练损失不下降或收敛极慢
这种情况大概率不是网络结构的问题，而是学习率设置不合理或者特征没有归一化。我最初用Adam默认学习率1e-3训练，回归头输出直接爆炸成几百甚至上千，L1损失完全不受控。后来把学习率降到1e-4，并在回归头前加入特征标准化，问题立刻解决。如果你也遇到类似情况，先画出特征向量的数值分布，看看是不是存在量级差异过大的维度，比盲目调学习率高效得多。
另一个容易被忽略的点是PHQ-8分数标签的数值范围。0到24的分数直接作为回归目标，和网络输出层的数值范围不一定匹配。建议训练时把标签做归一化——比如除以24变换到0到1区间——训练稳定后再乘以24还原成实际分数。这一步能明显加快训练收敛速度，尤其在回归头初始化随机的情况下。
6.2 严重过拟合：训练RMSE远低于验证RMSE
AVEC2014训练集只有几十个受试者，过拟合是家常便饭。缓解手段按优先级排序：第一，增加回归头的Dropout比率，我在实验里把Dropout从0.3调到0.5，验证集RMSE立刻改善了0.8左右；第二，减少ResNet微调的层数，只微调最后一层卷积block；第三，用数据增强扩充帧数。三者结合，验证集和训练集的差距能显著缩小。
还有一个容易忽略的细节：如果一个受试者的视频帧数特别多（比如30分钟访谈采了1800帧），而另一个只有8分钟（480帧），模型会对帧数多的受试者投入更多训练注意力。建议训练时对每个受试者的帧数做上限截断，比如统一采样最多500帧，超过部分随机丢弃。这样能在一定程度上均衡样本对模型更新的贡献。
6.3 推理阶段人脸检测失败或对齐偏移
个别受试者在访谈中会频繁低头、侧头或用手遮挡面部，dlib检测器会出现漏检或误检。我在处理第17号受试者时，有将近20%的帧检测不到人脸，如果直接丢弃这些帧，那这个人的特征向量就会缺少很多关键信息。解决方法是：对检测不到的帧，沿用上一帧的人脸位置，做一个简单的跟踪补偿；如果连续30帧都检测不到，才判定为"信号丢失"，从有效帧集合里剔除。这个策略让第17号受试者的可用帧率从80%提升到94%左右。
另外，对齐过程的仿射变换要用固定目标尺寸，如果目标尺寸不统一，最终特征向量会出现不可控的尺度变化。我吃过一次亏：测试阶段为了省事用了256x256输入，训练阶段用的224x224，结果验证集指标全面下降。后来统一所有输入到224x224，问题立即消失。
6.4 显存不足与推理速度优化
虽然视频帧数是几百到上千级别，但逐帧推理时每帧都会创建一次计算图，显存占用会持续累积。我用了一个简单的批次推理方案：把所有帧torch.stack成一个batch，一个batch一次性前向推理，然后循环处理剩余部分。batch size设为32，对于ResNet34和12G显存来说绰绰有余。如果显存更小，batch size降到16即可。
推理优化还有一个技巧：模型切到eval模式后，用torch.no_grad()包裹前向过程，可以关闭自动求导师，节省大量显存和计算量。这个操作虽然基础，但新手经常忘记，导致显存几分钟内就爆掉。
7. 项目扩展思路与个人实战心得
7.1 从单模态到多模态：结合语音和文本特征
ResNet处理的是视觉模态，但AVEC2014本身是音频、视频、文本三模态挑战。视觉特征之外，你可以用openSMILE提取音频的低层特征（如MFCC、音高、能量），用BERT处理转录文本得到语义向量。三种模态特征拼接后做多模态融合，往往比单一视觉模型的RMSE低很多。我在扩展实验里把视觉特征和音频特征拼接，MAE比纯视觉下降了近10%，而且融合后模型对某些"视觉上不明显、但语音语调明显低沉"的样本预测准确率提升非常明显。
融合方式需要注意：不是简单的向量拼接就完事。不同模态的特征维度差异大（视觉512维、音频几千维、文本768维），直接拼接会导致回归头被高维模态主导。建议先用各自的小全连接层把特征投影到统一的128维，再做拼接和融合。
7.2 技术之外的思考：医疗AI应用的责任边界
最后说点技术以外的东西。这个系统的定位是"辅助筛查"，不是"临床诊断"。我训练出来的模型即使RMSE到了比较低的水平，也远远没有达到可以给真实患者下结论的程度。数据集的受试者来源、访谈环境、文化背景都是特定的，模型的认知边界仅限于训练数据分布内。如果你要把类似系统用在真实场景，必须考虑伦理审查、患者知情同意、以及专业医疗人员的最终判断权。这些都是做医疗AI不能回避的责任。
还有一个容易被忽视的点：模型对一个样本的预测结果是连续值，但当输入的人脸图像质量极差时，模型依然会给出一个"自信"的分值。实际应用中需要对预测置信度做评估，比如用MC Dropout或集成模型来计算预测方差，方差过大时直接拒绝输出结果，转人工复核。这在医疗场景下比预测准确率本身更重要。
7.3 一个值得坚持的工程习惯：实验记录与版本管理
跑这类小样本实验，模型训练一轮时间不长，但实验次数会非常多。每次改一个参数，结果都可能出现明显波动，如果没有系统的记录，几天后你就完全搞不清楚哪个配置对应哪个结果。我习惯用CSV记录每次实验的超参数组合、数据增强开关、训练轮数、验证集RMSE和MAE，同时用Git管理代码版本。这样无论回溯还是写实验报告，都能直接找到对应的历史状态。
另外，每次实验固定随机种子（PyTorch的torch.manual_seed、NumPy的np.random.seed、Python的random.seed）也非常重要。否则即使代码完全一致，两次运行的结果也可能因为随机初始化差异而无法复现。严谨的可复现性不仅是对科学性的尊重，也是自己在调参路上的重要工具。
本文还有配套的精品资源，点击获取
