Micro-expressie: het gezicht dat zichzelf verraadt in 0,04 seconde
Stel je voor: iemand vertelt je met een stralende glimlach dat het "helemaal goed" met hem gaat. Maar vlak voordat die glimlach verschijnt, flitst er voor een fractie van een seconde iets anders over zijn gezicht — de mondhoeken zakken even, de wenkbrauwen trekken kort samen. Bijna niemand ziet het, omdat het zo snel gaat. Dat vluchtige signaaltje is een micro-expressie: een onvrijwillige gelaatsuitdrukking die een onderliggende emotie laat zien voordat iemand die bewust kan onderdrukken of verbergen.
Micro-expressies zijn dus geen trucje en geen glimlach die "nep" aanvoelt, maar een kortstondig fysiek verschijnsel: spiertjes in het gezicht die reageren op een emotie nog vóórdat het bewuste brein de kans krijgt om die reactie bij te sturen. Onderzoekers bestuderen dit fenomeen al decennia, en de laatste jaren proberen technologiebedrijven en wetenschappers het ook automatisch te herkennen met camera's en kunstmatige intelligentie. Dat roept interessante mogelijkheden op — van therapie tot veiligheid — maar ook stevige twijfels over hoe betrouwbaar dat eigenlijk is.
Wat is het precies?
Een gewone gelaatsuitdrukking, ook wel macro-expressie genoemd, duurt doorgaans tussen de half en enkele seconden en is voor iedereen goed zichtbaar. Een micro-expressie is veel korter: onderzoekers spreken meestal van ongeveer 1/25 tot 1/5 seconde, dus grofweg 40 tot 200 milliseconden. Dat is te snel voor de meeste mensen om er bewust iets van te registreren, laat staan te benoemen welke emotie het was.
Het idee is dat micro-expressies ontstaan wanneer iemand een emotie voelt maar die probeert te verbergen — bewust, zoals bij liegen, of onbewust, zoals bij sociale gepastheid ("ik moet nu wel blij kijken op dit feestje"). De onderdrukking lukt grotendeels, maar de gezichtsspieren activeren toch eventjes voordat het brein de "correctie" doorvoert. Vandaar de vergelijking met een lek: de echte emotie sijpelt heel even naar buiten.
Om dit soort uitdrukkingen systematisch te kunnen bestuderen, ontwikkelden de Amerikaanse psycholoog Paul Ekman en zijn collega Wallace Friesen in 1978 het Facial Action Coding System (FACS). Dat is een classificatiesysteem dat elke mogelijke gezichtsbeweging opdeelt in zogenoemde "action units": losse, meetbare spierbewegingen, zoals het optrekken van een wenkbrauw of het optrekken van een mondhoek. Door combinaties van action units te coderen, kunnen onderzoekers — en tegenwoordig ook algoritmes — objectief vastleggen welke emotie een gezicht op een bepaald moment uitdrukt, zonder af te gaan op een losse, subjectieve indruk.
Automatische detectie van micro-expressies gebeurt met technieken uit de computer vision, het vakgebied dat computers leert beelden te "begrijpen". Software analyseert videobeelden frame voor frame, spoort minieme veranderingen in gezichtslandmarken (ooghoeken, mondhoeken, wenkbrauwen) op en gebruikt deep learning — zelflerende neurale netwerken die patronen herkennen in grote hoeveelheden trainingsdata — om die veranderingen te koppelen aan een vermoedelijke emotie. Omdat het signaal zo kort en subtiel is, is dit technisch een van de lastigere problemen binnen gezichtsherkenning.
Wat wil men ermee bereiken?
De aantrekkingskracht van micro-expressies zit in de belofte dat ze een venster bieden op wat iemand écht voelt, ook als diegene dat probeert te verbergen. Dat maakt het concept interessant voor uiteenlopende toepassingen.
De meest besproken toepassing is leugendetectie: bij verhoren, grenscontroles of veiligheidsscreening zou het herkennen van verborgen angst, schuld of stress kunnen helpen om verdachte personen eruit te pikken. Daarnaast wordt er gekeken naar gebruik in de psychotherapie, waar een getrainde therapeut subtiele signalen van verdriet of woede kan oppikken die een cliënt niet uitspreekt. In marktonderzoek en reclame gebruiken bedrijven zogeheten "emotie-AI" om te meten hoe consumenten écht reageren op een advertentie of product, los van wat ze in een enquête zeggen. Ook in HR en sollicitatiegesprekken is er interesse om non-verbale signalen te analyseren, en in het bredere mensenrechten- en hulpverleningswerk wordt onderzocht of gezichtsanalyse kan helpen om nood of trauma te signaleren bij mensen die dat niet onder woorden kunnen of durven brengen.
Voorbeelden uit de praktijk
Het wetenschappelijke fundament werd gelegd door psycholoog Paul Ekman, die in de jaren zestig en zeventig voortbouwde op eerder werk van Ernest Haggard en Kenneth Isaacs (1966), de eersten die het fenomeen beschreven. Ekman werkte dit verder uit en ontwikkelde samen met Wallace Friesen in 1978 het hierboven genoemde FACS-systeem, dat nog altijd de wetenschappelijke basis vormt voor het coderen van gelaatsuitdrukkingen.
Een van de bekendste praktijktoepassingen was het Amerikaanse programma SPOT (Screening of Passengers by Observation Techniques) van de Transportation Security Administration (TSA), dat vanaf 2007 op Amerikaanse vliegvelden werd ingezet. Beveiligers werden getraind om gedrag en micro-expressies te herkennen die zouden wijzen op verdachte intenties. Het programma kreeg echter felle kritiek: rapporten van de Amerikaanse rekenkamer (GAO) in 2013 en 2017 concludeerden dat er onvoldoende wetenschappelijk bewijs was voor de effectiviteit van de methode.
Het brede publiek maakte kennis met het concept via de Amerikaanse tv-serie "Lie to Me" (2009-2011), waarin een personage losjes gebaseerd op Ekman misdaden oploste door gezichten te "lezen". De serie populariseerde het idee, maar versimpelde het ook sterk.
Op softwaregebied ontwikkelde het Nederlandse bedrijf Noldus Information Technology uit Wageningen het programma FaceReader, dat automatisch gezichtsuitdrukkingen analyseert en wordt gebruikt in wetenschappelijk onderzoek en marktonderzoek. In de Verenigde Staten richtten Rana el Kaliouby en Rosalind Picard in 2009 als spin-off van het MIT Media Lab het bedrijf Affectiva op, gespecialiseerd in "emotie-AI"; het bedrijf werd in 2021 overgenomen door het Zweedse Smart Eye. Voor wetenschappelijk onderzoek naar automatische herkenning zijn daarnaast databases met echte, spontane micro-expressies onmisbaar, zoals de CASME-reeks van het Institute of Psychology van de Chinese Academy of Sciences (onder leiding van Xiaolan Fu) en de SAMM-database van Manchester Metropolitan University.
Hoe ver is de techniek?
Menselijke herkenning van micro-expressies blijkt in de praktijk lastig te trainen tot een echt hoog niveau van betrouwbaarheid. Trainingsprogramma's zoals die van Ekman kunnen mensen gevoeliger maken voor subtiele signalen, maar dat is iets anders dan dat iemand daarmee betrouwbaar kan vaststellen of een ander liegt.
Automatische, computergestuurde herkenning is een actief onderzoeksveld binnen de computer vision, met regelmatig nieuwe publicaties en "grand challenges" (wedstrijden tussen onderzoeksgroepen). Toch blijft het technisch lastig: de trainingsdatasets met écht spontane, ongeacteerde micro-expressies zijn klein, omdat het opwekken en filmen van zulke korte, onbewuste reacties in een lab niet eenvoudig is. Modellen die op kleine datasets zijn getraind, generaliseren vaak slecht naar nieuwe mensen, culturen of camera-omstandigheden.
Op het gebruik voor leugendetectie is stevige wetenschappelijke kritiek gekomen. Meta-analyses van onder meer Maria Hartwig en Charles Bond laten zien dat mensen — getraind of niet — over het algemeen nauwelijks beter dan toeval zijn in het herkennen van leugens op basis van gedrag en gezichtsuitdrukkingen alleen. Er bestaat bovendien geen wetenschappelijke consensus dat één enkele micro-expressie eenduidig "leugen" betekent; hooguit kan ze wijzen op een onderdrukte emotie, wat van alles kan betekenen (stress, nervositeit, iets anders verzwijgen dan waarover gevraagd wordt).
Ook het onderliggende model van "universele basisemoties" waarop Ekmans werk stoelt — het idee dat blijdschap, angst, woede, verdriet, walging en verbazing overal ter wereld op dezelfde manier in het gezicht verschijnen — ligt onder vuur. Psycholoog Lisa Feldman Barrett en collega's hebben in overzichtsstudies laten zien dat de relatie tussen een gezichtsuitdrukking en een emotie veel minder eenduidig en veel meer contextafhankelijk is dan het klassieke model suggereert. Dat betekent niet dat micro-expressies niet bestaan, maar wel dat het vertalen van een specifieke gezichtsbeweging naar een specifieke emotie met meer voorzichtigheid moet gebeuren dan sommige toepassingen doen voorkomen.
Wie werken eraan?
Op wetenschappelijk-commercieel gebied is de Paul Ekman Group in de Verenigde Staten een belangrijke partij, met trainingen en materiaal gebaseerd op Ekmans onderzoek. In Nederland is Noldus Information Technology uit Wageningen actief met software voor geautomatiseerde gedrags- en gezichtsanalyse. Op het gebied van emotie-AI voor de commerciële markt is Affectiva, sinds 2021 onderdeel van het Zweedse Smart Eye, een bekende naam.
Op onderzoeksgebied speelt het Institute of Psychology van de Chinese Academy of Sciences een grote rol dankzij de CASME-databases, terwijl onderzoeksgroepen aan de University of Oulu in Finland en aan Manchester Metropolitan University in het Verenigd Koninkrijk (met de SAMM-database) internationaal veel geciteerd werk publiceren over automatische micro-expressieherkenning. In de Verenigde Staten hebben overheidsinstanties zoals de TSA en het bredere Department of Homeland Security ervaring opgedaan — en kritiek geoogst — met de toepassing van dit soort technieken in de veiligheidspraktijk.