一种个性化的机器学习方式，帮助机器人评估每个孩子在这些互动过程中的参与度和兴趣

麻省理工学院媒体实验室(MIT Media Lab)的研究人员，现在研发出一种个性化的机器学习方式，使用每个孩子独有的数据，可以帮助机器人评估每个孩子在这些互动过程中的参与度和兴趣。这个个性化的“深度学习”网络，使机器人对孩子反应的感知与人类专家的评估结果达到了60%的相同率。

患有自闭症谱系障碍的儿童，往往难以识别周围人的情绪状态。例如，区分快乐的脸和恐惧的脸。为了解决这个问题，一些治疗师使用适合孩子的机器人来演示这些情绪，并让孩子们模仿，然后以适当的方式对机器人演示的情绪做出反应。

然而，如果机器人在治疗过程中，能流畅地解释孩子的行为——无论TA是感兴趣、兴奋还是专心——那么这种疗法效果才是最好的。

麻省理工学院媒体实验室(MIT Media Lab)的研究人员，现在研发出一种个性化的机器学习方式，使用每个孩子独有的数据，可以帮助机器人评估每个孩子在这些互动过程中的参与度和兴趣。

6月27日，科学家们在《科学机器人》杂志上发表报告称，这个个性化的“深度学习”网络，使机器人对孩子反应的感知，与人类专家的评估结果达到了60%的相同率。

对于人类观察者来说，要让孩子的参与意愿和行为达成高度一致是很有挑战性的。普通的机器人（非个性化的）与人类专家的评估结果通常有50%到55%相同。研究的第一作者、媒体实验室的博士后Rudovic和他的同事认为，像他们的研究一样，经过人类观察训练的机器人，总有一天可以和人类专家所提供的评估结果更一致。

“长远的目标不是创造机器人来代替人类治疗师，而是增加他们的关键信息。治疗师可以使用这些信息，来制订个性化治疗内容，也可以让机器人和自闭症儿童之间，产生更具吸引力的、更自然的互动。” Rudovic说。

Rosalind Picard是这篇论文的合著者，同时也是麻省理工学院负责情感计算研究的教授，他说个性化在自闭症治疗中尤其重要。“如果一个人让你想到了自闭症，那么你就是遇到了一个自闭症患者。”

“开发针对自闭症的机器学习和AI(人工智能)应用尤其令人烦恼，因为一般的人工智能方法需要大量的数据，这些数据都是可以归于一类的。而在异质性占主导地位的自闭症中，一般的人工智能方法就会失败，因为数据缺少共性。” Picard说。

Rudovic、Picard和他们的队友，也在其他领域使用了个性化的深度学习，发现它改善了疼痛监测和预测老年痴呆症进展的结果。

NAO（一个类人机器人）

自闭症机器人的辅助疗法通常是这样运作的:一个人类治疗师展示一张纸质儿童照片，或一张电子照片，用来代表不同的情绪，教孩子如何识别恐惧、悲伤或快乐。然后治疗师对机器人进行编程，向孩子们展示同样的情绪，观察孩子与机器人之间的互动。孩子的行为会为机器人提供宝贵的反馈，机器人和治疗师则需要用此反馈，继续学习。

在这项研究中，研究人员使用了软银公司生产的人形机器人NAO。NAO大概有2英尺高，类似于装甲超人型的机器人，通过改变眼睛的颜色、四肢的动作和声音的音调，来传达不同的情绪。

参与这项研究的35名自闭症儿童，年龄从3岁到13岁不等，其中17名来自日本，18名来自塞尔维亚。在35分钟的实验中，他们对机器人的反应各不相同。在测试中，每个孩子的整体表现也不一样。他们有的时候看起来很无聊、昏昏欲睡，有的时候则兴奋地在房间里跳来跳去，拍手、大笑或触摸机器人。

Rudovic表示，在研究中，大多数的孩子对这款机器人的反应是，“它跟其他的机器人不一样，不仅仅是一个玩具，更像一个人，这大概与NAO的外形有关。”

一名4岁的小女孩一开始在参与治疗时躲在妈妈身后，但之后她对机器人的接受程度大大提高，治疗结束后她笑了起来。其中一个塞尔维亚孩子的姐姐拥抱了NAO，说:“机器人，我爱你!”在治疗结束时，她说她很高兴看到弟弟有多喜欢玩这个机器人。

“治疗师说，让孩子接触自己几秒钟，都是一个很大的挑战，而机器人会吸引孩子的注意力。”Rudovic说。

他还解释了为什么机器人在这种类型的治疗中是有用的：“人类用许多不同的方式改变他们的表情，但机器人总是以同样的方式来做，孩子们却不会感觉单调，因为他们是严格按着机器人教的步骤，来学习如何表达自己表情的。”

个性化的机器学习

麻省理工学院的研究小组，意识到一种叫深度学习的机器学习算法，可以用于治疗机器人，使其更自然地感知孩子的行为。深度学习系统使用分层的、多层的数据处理，来改进机器人的任务，每个连续的层都比上一层的原始数据要稍微抽象一些。

Rudovic说，尽管深度学习的概念自20世纪80年代就已经出现，但直到最近，才有足够的计算能力来实现。深度学习已经在自动语音和对象识别程序中得到应用，这使得它非常适合解决这样的问题，比如，理解人脸、身体和声音的多重特征，从而理解更加抽象的概念，比如，应用在这种对儿童自闭症的治疗上。

“举例来说，在面部表情的识别上，最重要的是脸部的哪些部位的变化，决定了儿童的参与程度，”Rudovic说，“深度学习允许机器人直接从数据中提取最重要的信息，而不需要使用经过人类分析处理过的信息。”

对于治疗机器人，Rudovic和他的同事更进一步，建立了一个个性化的框架，可以从收集到的每个孩子的数据中学习。研究人员从孩子手腕上的监视器上，获取了每个孩子的面部表情、头部和身体动作、姿势和手势、音频记录和心率、体温和皮肤出汗反应的数据。

这些机器人的个性化深度学习网络，是由许多元素组成的，包括视频、音频和生理数据、关于孩子自闭症的诊断和个人能力的信息、以及他们的文化背景和性别。

然后，研究人员将他们对孩子行为的估计，与五名人类专家的估计进行了比较。这五名人类专家对孩子的视频和音频录音进行了综合的分析处理，以确定孩子在这段时间里是高兴还是难过，有多感兴趣，有多投入。

对这些由人类编码的个性化数据进行训练，并拿训练或调整模型未使用的数据进行测试，神经网络显著地改进了机器人对儿童行为的自动估计。研究人员发现，个性化的机器学习要好于把所有孩子的数据都“综合在一起”式的应用方法。

Rudovic和他的同事还探究了深度学习网络是如何进行估计的，这揭示了孩子们之间一些有趣的文化差异。Rudovic说:“举例来说，来自日本的儿童在参与活动的时候，会表现出更多的肢体动作，而在塞尔维亚，大的肢体动作则出现在参与活动之后。”