麻省理工學院媒體實驗室(MIT Media Lab)的研究人員，現在研發出一種個性化的機器學習方式，使用每個孩子獨有的數據，可以幫助機器人評估每個孩子在這些互動過程中的參與度和興趣。這個個性化的“深度學習”網絡，使機器人對孩子反應的感知與人類專家的評估結果達到了60%的相同率。

患有自閉癥譜系障礙的兒童，往往難以識別周圍人的情緒狀態。例如，區分快樂的臉和恐懼的臉。為了解決這個問題，一些治療師使用適合孩子的機器人來演示這些情緒，并讓孩子們模仿，然后以適當的方式對機器人演示的情緒做出反應。

然而，如果機器人在治療過程中，能流暢地解釋孩子的行為——無論TA是感興趣、興奮還是專心——那么這種療法效果才是最好的。

麻省理工學院媒體實驗室(MIT Media Lab)的研究人員，現在研發出一種個性化的機器學習方式，使用每個孩子獨有的數據，可以幫助機器人評估每個孩子在這些互動過程中的參與度和興趣。

6月27日，科學家們在《科學機器人》雜志上發表報告稱，這個個性化的“深度學習”網絡，使機器人對孩子反應的感知，與人類專家的評估結果達到了60%的相同率。

對于人類觀察者來說，要讓孩子的參與意愿和行為達成高度一致是很有挑戰性的。普通的機器人（非個性化的）與人類專家的評估結果通常有50%到55%相同。研究的第一作者、媒體實驗室的博士后Rudovic和他的同事認為，像他們的研究一樣，經過人類觀察訓練的機器人，總有一天可以和人類專家所提供的評估結果更一致。

“長遠的目標不是創造機器人來代替人類治療師，而是增加他們的關鍵信息。治療師可以使用這些信息，來制訂個性化治療內容，也可以讓機器人和自閉癥兒童之間，產生更具吸引力的、更自然的互動。” Rudovic說。

Rosalind Picard是這篇論文的合著者，同時也是麻省理工學院負責情感計算研究的教授，他說個性化在自閉癥治療中尤其重要。“如果一個人讓你想到了自閉癥，那么你就是遇到了一個自閉癥患者。”

“開發針對自閉癥的機器學習和AI(人工智能)應用尤其令人煩惱，因為一般的人工智能方法需要大量的數據，這些數據都是可以歸于一類的。而在異質性占主導地位的自閉癥中，一般的人工智能方法就會失敗，因為數據缺少共性。” Picard說。

Rudovic、Picard和他們的隊友，也在其他領域使用了個性化的深度學習，發現它改善了疼痛監測和預測老年癡呆癥進展的結果。

NAO（一個類人機器人）

自閉癥機器人的輔助療法通常是這樣運作的:一個人類治療師展示一張紙質兒童照片，或一張電子照片，用來代表不同的情緒，教孩子如何識別恐懼、悲傷或快樂。然后治療師對機器人進行編程，向孩子們展示同樣的情緒，觀察孩子與機器人之間的互動。孩子的行為會為機器人提供寶貴的反饋，機器人和治療師則需要用此反饋，繼續學習。

在這項研究中，研究人員使用了軟銀公司生產的人形機器人NAO。NAO大概有2英尺高，類似于裝甲超人型的機器人，通過改變眼睛的顏色、四肢的動作和聲音的音調，來傳達不同的情緒。

參與這項研究的35名自閉癥兒童，年齡從3歲到13歲不等，其中17名來自日本，18名來自塞爾維亞。在35分鐘的實驗中，他們對機器人的反應各不相同。在測試中，每個孩子的整體表現也不一樣。他們有的時候看起來很無聊、昏昏欲睡，有的時候則興奮地在房間里跳來跳去，拍手、大笑或觸摸機器人。

Rudovic表示，在研究中，大多數的孩子對這款機器人的反應是，“它跟其他的機器人不一樣，不僅僅是一個玩具，更像一個人，這大概與NAO的外形有關。”

一名4歲的小女孩一開始在參與治療時躲在媽媽身后，但之后她對機器人的接受程度大大提高，治療結束后她笑了起來。其中一個塞爾維亞孩子的姐姐擁抱了NAO，說:“機器人，我愛你!”在治療結束時，她說她很高興看到弟弟有多喜歡玩這個機器人。

“治療師說，讓孩子接觸自己幾秒鐘，都是一個很大的挑戰，而機器人會吸引孩子的注意力。”Rudovic說。

他還解釋了為什么機器人在這種類型的治療中是有用的：“人類用許多不同的方式改變他們的表情，但機器人總是以同樣的方式來做，孩子們卻不會感覺單調，因為他們是嚴格按著機器人教的步驟，來學習如何表達自己表情的。”

個性化的機器學習

麻省理工學院的研究小組，意識到一種叫深度學習的機器學習算法，可以用于治療機器人，使其更自然地感知孩子的行為。深度學習系統使用分層的、多層的數據處理，來改進機器人的任務，每個連續的層都比上一層的原始數據要稍微抽象一些。

Rudovic說，盡管深度學習的概念自20世紀80年代就已經出現，但直到最近，才有足夠的計算能力來實現。深度學習已經在自動語音和對象識別程序中得到應用，這使得它非常適合解決這樣的問題，比如，理解人臉、身體和聲音的多重特征，從而理解更加抽象的概念，比如，應用在這種對兒童自閉癥的治療上。

“舉例來說，在面部表情的識別上，最重要的是臉部的哪些部位的變化，決定了兒童的參與程度，”Rudovic說，“深度學習允許機器人直接從數據中提取最重要的信息，而不需要使用經過人類分析處理過的信息。”

對于治療機器人，Rudovic和他的同事更進一步，建立了一個個性化的框架，可以從收集到的每個孩子的數據中學習。研究人員從孩子手腕上的監視器上，獲取了每個孩子的面部表情、頭部和身體動作、姿勢和手勢、音頻記錄和心率、體溫和皮膚出汗反應的數據。

這些機器人的個性化深度學習網絡，是由許多元素組成的，包括視頻、音頻和生理數據、關于孩子自閉癥的診斷和個人能力的信息、以及他們的文化背景和性別。

然后，研究人員將他們對孩子行為的估計，與五名人類專家的估計進行了比較。這五名人類專家對孩子的視頻和音頻錄音進行了綜合的分析處理，以確定孩子在這段時間里是高興還是難過，有多感興趣，有多投入。

對這些由人類編碼的個性化數據進行訓練，并拿訓練或調整模型未使用的數據進行測試，神經網絡顯著地改進了機器人對兒童行為的自動估計。研究人員發現，個性化的機器學習要好于把所有孩子的數據都“綜合在一起”式的應用方法。

Rudovic和他的同事還探究了深度學習網絡是如何進行估計的，這揭示了孩子們之間一些有趣的文化差異。Rudovic說:“舉例來說，來自日本的兒童在參與活動的時候，會表現出更多的肢體動作，而在塞爾維亞，大的肢體動作則出現在參與活動之后。”