四川汉族大学生耳郭参数的测量分析*

徐冬冬 周 玲 雷建锋 黄 花

（1 川北医学院法医学系，2 南充市第二人民医院老年疾病科，南充 637000）

耳郭外观具有个体差异性且终生保持相对恒定的特征，因此耳郭具有重要的个人识别潜力。同时，耳郭在性别与种族鉴定以及身高与年龄推断方面也具有一定的应用价值。我国已报道的耳郭测量的文献中有关青年大学生群体的较少。根据人体测量学方法，通过游标卡尺直接测量四川汉族大学生群体耳郭的线性指标，分析该群体耳郭的性别差异性及对称性，探讨与其他民族、其他种族之间的解剖形态学差异，并进一步探索耳郭在性别推断中的应用价值，为耳郭整形、法医学鉴定等领域提供基础数据。

1 研究对象和方法

1.1 研究对象

随机选取川北医学院141 名（男性65 名，女性76 名）正常汉族青年大学生的耳郭，年龄为（22±1）岁。本研究研究对象均签署了知情同意书，符合有关的医学伦理及法律条款规定。纳入标准：①耳郭轮廓清晰；②无其他疾病；③汉族人。排除标准：①存在人体生长发育异常；②耳郭先天性畸形；③耳郭创伤、肿瘤、手术史。

1.2 测量方法与测量点

根据人体测量手册中耳郭测量的要求，以席焕久[1]的方法为参考。研究对象呈坐姿，头部处于法兰克福平面，周围环境光线充足。耳郭测量点包括：耳上点、耳下点、耳上附着点、耳下附着点、耳后点和耳屏切迹最低点。

1.3 耳郭测量指标

研究者使用数显游标卡尺（海宁上匠工具有限公司生产，精度0.01 mm）直接测量双侧共5 项指标，包括容貌耳长（physiognomic ear length，PEL）：耳上点与耳下点之间的距离；容貌耳宽（physiognomic ear width，PEW）：耳前点与耳后点之间的距离；形态耳宽（morphological ear breadth，MEB）：耳上附着点与耳下附着点之间的距离；耳垂长（earlobe length，ELL）：耳屏切迹最低点与耳下点之间的距离；耳垂宽（earlobe width，ELW）：耳屏切迹最低点与耳下附着点之间连线的中点，经过该中点的水平直线与耳郭相交部分的线段。另外，参照Ahmed 等的研究[2]分别计算耳郭指 数（auricular index，AI）：PEW/PEL×100%；耳垂指数（lobular index，LI）：ELW/ELL×100%和耳垂耳郭指数（lobule ear index，LEI）：ELL/PEL×100%。耳郭测量点与测量指标见图1。

图1 耳郭的测量点与测量指标

1.4 一致性检验

本研究所有测量工作均由2 位研究人员测量完成，对每位志愿者每项指标各自测量3 次取平均值，分别记录研究人员A 和研究人员B 的测量平均值，再次取2 位研究人员的测量平均值的平均值，作为最终测量值。对所有志愿者数据采集结束后，采用组内相关系数（intraclass correlation coefficient，ICC）对该方法在观察者内和观察者间的可重复性和一致性进行检验。本研究中，观察者间和观察者内的ICC 值均大于0.9，且P＜0.05，表明该测量方法在组内和组间均具有高度的可重复性。

1.5 统计学处理

采用IBM SPSS 20.0 统计学软件包进行数据处理。计量资料以±s表示，男女耳郭数据采用独立样本Mann-WhitneyU检验，对同一个体左右耳郭测量指标统计学分析应用2 个相关样本Wilconxon检验，以P＜0.05 差异有统计学意义。对存在性别差异的指标分别构建一元及多元Fisher 判别函数。每对判别函数中，y1代表男性，y2代表女性，若|y1|＞|y2|则判定为男性，反之判定为女性。通过留一法交叉验证判别函数模型分类的准确性。将存在性别差异的耳郭测量指标作为输入变量，构建多层感知器（multilayer perceptron，MLP）神经网络模型。从上述男、女性耳郭样本集中采取随机抽样的方法抽取70%作为训练集、10%作为测试集，用于模型拟合和超参数的调整；20%作为保持集，用于评估模型泛化能力。

2 结果

2.1 耳郭各测量值的比较

141 名男（女）大学生双侧容貌耳长、容貌耳宽、形态耳宽、耳垂长、耳垂宽、耳郭指数、耳垂指数和耳垂耳郭指数的最小值、最大值、平均值和标准差数据见表1。其中，右侧形态耳宽、左侧形态耳宽、左侧耳郭指数、左侧耳垂耳郭指数、右侧耳郭指数和右侧耳垂耳郭指数性别差异无统计学意义，其他10 组数据均有明显性别差异。其中，男性容貌耳长、容貌耳宽、耳垂长度和耳垂宽均大于女性；女性耳垂指数大于男性。以上结果表明，本研究耳郭样本中存在性别二态性。10 组数据中，性别差异最大的是右侧耳垂宽，其次是左侧耳垂宽，性别差异最小的是耳垂指数，这表明耳垂的性别差异明显。

表1 耳郭指标的描述性统计

2.2 不同群体耳郭指标的比较

将本研究获取的耳郭数据与已报道的部分群体的耳郭数据比较，显示耳郭尺寸在不同群体间有较大不同（表2）。根据表2 不同族群耳郭尺寸数据的对比显示，印度群体容貌耳长、容貌耳宽数据较大，中国不同地区汉族及与蒙古族群体间的容貌耳长、容貌耳宽数据存在一定差异。男性耳垂平均宽大于耳垂平均长是已报道中国群体的共同特征。

表2 部分群体耳郭数据比较（±s，mm）

表2 部分群体耳郭数据比较（±s，mm）

“*”为只有左侧耳郭数据，“ -”为无数据

3.42 3.08 3.15 2.39宽---垂耳20.04±18.80±18.42±15.98±2.68 2.50 2.15 2.07长--垂耳15.64±16.27±19.17±16.80±性宽4.65 4.44 0.56-3.82女耳态形47.87±46.71±44.40±50.73±宽3.48 3.44 2.80-5.10 2.60-3.25-2.35耳貌容29.36±31.35±27.10±30.20±29.80±32.36±29.65±4.09长5.17 3.90 6.10 3.70 4.45 3.09耳貌容58.02±60.31±57.00±60.30±60.80±62.16±58.04±2.68 2.80---3.02 1.70宽垂耳20.64±20.90±18.29±21.45±2.69 3.11 2.41 1.85长--垂耳15.74±16.48±18.75±18.70±性宽5.24 4.83 5.80-1.94男耳态形50.60±50.58±46.60±50.93±宽3.12 2.96 2.70-5.30 2.60-3.08-1.74耳貌容28.36±34.79±28.50±31.40±31.30±33.06±32.12±长4.50 4.48 3.60 6.50 4.10 5.62 3.65耳貌容61.03±64.92±60.40±64.10±63.20±63.81±62.76±）岁龄（20-22 18-30 20-29 20-29 20-29 18-30 21-23年族族族族群族体族汉汉汉汉人汉群古蒙北川南州度川四河印贵四[3]*[4]西[7][6][5]*[8]者等峰等等等文学丹斌璐一毕连雷晓本王周郑杨倪Murgod 等

2.3 耳郭数据的侧别比较

耳郭数据的侧别差异（左侧与右侧差值）数据见表3。在女性样本中，耳垂长和耳垂耳郭指数侧别差异（左侧与右侧平均值差值）具有统计学意义，其他6 项指标差异无统计学意义；在男性样本中，容貌耳长和耳垂长侧别差异有统计学意义，其他6项指标差异无统计学意义。这表明女性个体右侧耳垂长和耳垂耳郭指数更大，而男性个体左侧容貌耳长和耳垂长更大。

表3 耳郭测量值的两侧比较（mm）

2.4 判别分析预测性别模型

各测量指标构建的判别函数及判别准确率见表4和表5。在一元判别函数中，经交叉验证法得到的总体判别函数准确率最低为56.4%；以耳垂宽建立的判别函数准确率最高，左侧和右侧耳垂宽判别函数判别准确率分别为92.2%和94.1%。在多元判别函数中，全指标判别法经交叉验证后的总体判别准确率为89.1%。根据耳垂宽、耳垂长和耳垂指数建立的判别函数总体判别准确率为92.1%。

表4 一元判别函数模型及交叉验证的判别准确率

表5 多元判别函数模型及交叉验证的判别准确率

2.5 多层感知器神经网络预测性别模型

由于耳垂具有明显性别差异，本研究首先将性别作为因变量，侧别作为因子，将耳垂长、耳垂宽和耳垂指数作为协变量，构建MLP 神经网络模型。以预测拟概率0.5（黄线）为界，女性样本只有少量偏离的个案分类错误，而男性样本分类错误则较多，这说明该模型对女性样本的预测好于男性样本（图2A）。

图2 MLP 神经网络模型观察预测图（预测拟概率为0.5）

将性别作为因变量，侧别作为因子，将容貌耳长、容貌耳宽、耳垂长、耳垂宽和耳垂指数作为协变量，构建MLP 神经网络模型。以预测拟概率0.5（黄线）为界，无论男、女性样本，只有一些偏离的个案分类错误，说明基于耳郭测量多项指标的神经网络模型预测结果特异性较好（图2B）。此模型男性、女性ROC 预测曲线上凸明显，其ROC 曲线下面积达到了0.99，十分接近理想曲线，说明采用该模型预测性别具有较高的敏感性和准确性（图3A）。耳郭参数的MLP 神经网络模型各项测量指标对预测性别的重要性，按重要性降序排列（图3B）。耳垂宽是耳郭测量指标中对性别预测影响最大的指标，其次是耳垂长，影响最小的指标是侧别。将MLP 神经网络模型对全部数据进行评分向导，2个模型预测准确率分别为89.6%和95.1%。

图3 MLP 神经网络模型ROC 曲线和输入变量预测性别重要性排序

3 讨论

耳是人面部特征的重要组成部分，借助人体测量学对耳郭参数进行测量研究是普遍采用的方法，在法医学、人类学、解剖学和整形外科等学科应用广泛。因此，测量方法的科学性及测量结果的可靠性将直接影响实验结果的准确性。本研究所采用的人体测量方法全部参考已公开发表文献中报道的方法，所有测量数据都经过一致性检验，采用的测量仪器的准确性也已经过核验。

多项研究表明，性成熟个体耳郭多项参数存在明显性别差异。Ahmed 等[2]通过直接测量法比较了200 例苏丹阿拉伯个体耳郭的6 项线性参数，显示除耳垂宽外，其他均存在性别差异。Murgod 等[8]基于照片测量法对印度群体耳郭参数进行了研究，显示容貌耳长和形态耳宽性别差异具有统计学意义。王一丹等[3]通过数字化三维重建与测量分析正常蒙古族青年大学生耳郭参数表明，同一年龄段不同性别间容貌耳长和耳郭指数差异有统计学意义。本研究中所有耳郭测量结果显示，除形态耳宽、耳郭指数和耳垂耳郭指数外，男性其他测量指标的均值都大于女性，性别差异最大的是耳垂宽，表明容貌耳长、容貌耳宽、耳垂宽、耳垂长、耳垂指数5项指标存在性别差异，这与以往研究提出的耳郭形态存在性二态性、在总体形态上男性耳郭略大于女性的结果基本一致[9]。为研究四川汉族大学生耳郭的对称性，本研究对比了左、右侧耳郭参数，显示女性样本在耳垂长、男性样本在容貌耳长和耳垂长存在显著不对称性；其他大部分指标差异无统计学意义，说明该群体的耳郭整体有较好对称性，这与以往研究基本无异。

将本研究获取的耳郭数据与已报道群体比较显示，耳郭尺寸在不同群体间存在不同，其原因可能与不同人群的遗传、环境和营养等因素有关，进而导致耳郭的发育在不同人群间存在一定差异。本研究中，男、女性平均容貌耳长和平均容貌耳宽分别为62.76 mm、58.04 mm、32.12 mm 和29.65 mm，与郑连斌等[10]报道的中国西南汉族男、女性平均容貌耳长和平均容貌耳宽数据较接近。此外，本研究结果显示男性样本耳垂平均宽大于耳垂平均长。查阅与耳郭研究相关的文献，对比不同地区的汉族及其他民族群体研究结果显示，包括蒙古族、西北、河南、贵州、四川汉族等多个群体耳郭均存在此特征[3-7]。

判别分析是一种统计判别和分组技术，就一定数量样本的一个分组变量和相应的其他多元变量的已知信息，确定分组与其他多元变量信息所属的样本进行判别分组。基于耳郭测量指标进行性别判别分析的研究以国外居多。2013 年，Murgod 等[8]通过耳郭照片测量法获取容貌耳长、容貌耳宽、形态耳宽等8 项指标，建立了印度人群的性别判别函数，其判定性别交叉准确率为68%～71%。2015年，Ahmed 等[2]通过耳郭的6 项线性参数建立的苏丹阿拉伯群体的性别判别函数其判别交叉准确率为60.5%～72%，并提出在其他性别鉴别指标缺失情况下，可以用于辅助性别判定。本研究中，基于通过直接测量法获取的耳郭5 项线性指标建立的Fisher 判别函数经交叉验证总体判别准确率为68.3%～94.1%，其中以耳垂宽建立的判别函数总体判别准确率最高，达到90%以上。对于判别分析而言，一般误判率低于10%或20%（判别准确率高于80%或90%）才有应用价值。因此，本研究中基于耳垂宽的判别方程应用价值最大。不同群体判别函数判别准确率的差异，表明不同群体间耳郭尺寸存在差异。因此，应根据本地区人口学特征建立相应判别函数用于性别判别[11]。

人工神经网络是一种分布式并行计算的数学模型，具有自适应、自组织和实时学习的特点，非常适用于对多因素复杂变量的预测。因此，采用人工神经网络进行多因素联合分析预测性别被广泛研究。Bensoussan 等[12]借助深度神经网络模型用以声音性别判定，该研究中共有278 例声音样本，其中训练集、验证集和测试集的比例为80%、10%和10%，该模型总体准确率为92%。Hallac 等[13]通过耳郭照片训练卷积神经网络模型以达到识别耳郭发育异常的目的，该研究共使用了671 张标准耳郭照片，包括457 张耳畸形患者照片和214 张耳郭发育正常照片。所有照片随机分为训练（60%）、验证（20%）和测试（20%）数据集，研究表明该模型分类准确率为94.1%。人类耳郭具有复杂的三维结构，不同区域的性别二态性表现不同。本研究结果显示，耳垂宽是耳郭测量指标中对MLP 神经网络模型性别预测影响最大的指标，影响最小的指标是侧别。这进一步表明，在本研究群体中耳垂宽的性别二态性最明显、左右侧耳郭对称性良好。同时，基于耳垂宽、耳垂长和耳垂指数建立的MLP 神经网络性别预测模型准确率（89.6%）略低于判别函数模型（92.1%），而基于全部测量指标MLP 神经网络性别预测模型准确率（95.1%）高于判别函数模型（91.1%）。这表明，当测量指标较少时，基于MLP神经网络模型的性别判别能力低于Fisher 判别函数模型，而测量指标较多时则相反。因此，应尽可能多的获取个体耳郭测量指标以保证构建的MLP 神经网络性别判别模型的准确性。

本研究采用人体测量学方法获取了耳郭对称性和性别二态性数据，并将不同种族（或不同地区）成年个体耳郭数据进行了对比，为耳郭相关研究和实践提供了参考。综合考虑耳郭线性测量指标所建立的Fisher 性别判别方程与以往国外同类研究具有类似的准确率，所构建的MLP 神经网络性别预测模型推断四川汉族大学生群体具有较高的可行性和准确性，可作为一种备选方法用于法医学性别推断。本研究中使用的样本量较小，一定程度影响了数据的规律性。同时，本研究样本具有一定的地域和民族特异性。故扩大样本量及多地域、多民族的研究需进一步探索。