量化个体对静态和动态面部表情的识别敏感性

情感的动态面部表情通常比静态表情被更准确地识别，尤其是在面部表情识别（FER）系统不成熟、脆弱或受损的个体中，如儿童、老年人以及有临床状况的个体。这些发现突显了评估动态和静态刺激格式的必要性，并提出动态优势可能作为FER受损的潜在个体标志。然而，以往的研究主要集中在群体水平的效果上，常常忽略关键的个体差异。在这里，我们测试了QUEST阈值寻求算法是否能有效估计个体水平上正确识别静态和动态面部表情所需的最小信号。我们还量化了获得稳定阈值估计所需的最小试验次数。为评估其敏感性，我们比较了神经典型年轻成年人、老年人及一例获得性面孔失认症的FER阈值。我们的研究结果表明，QUEST算法是快速估计个体水平上有意义FER阈值的稳健有效工具。我们还提供了获取稳定阈值估计所需的最小试验次数指导，并确定最敏感的面部表情以探测动态优势。这种心理物理方法特别适合于单一受试者分析、在能力有限群体中的FER评估以及综合测试电池中的应用。总体而言，这种心理物理方法能够实现可扩展、时间高效的FER筛查和纵向监测，促进研究和临床环境中个体及群体比较。