麻省理工学院媒体实验室的研究人员现在开发了一种个性化的机器学习，帮助机器人使用自闭症儿童独有的数据来评估这些互动过程中，每个孩子的参与度和兴趣。

患有自闭症谱系疾病的孩子在识别周围人的情绪状态时经常会遇到困难，例如，把快乐的脸上辨别出恐惧的脸。为了解决这个问题，治疗师使用适合孩子的机器人来展示这些情绪，并让孩子们模仿情绪并以适当的方式对他们作出反应。

然而，如果机器人能够顺利解释孩子自己的行为，无论他是否感兴趣，对此兴奋或表达注意，在治疗过程中，这种类型的治疗效果最好。

科学家在6月27日的Science Robotics上报道，在个性化的深度学习网络的支持下，机器人对儿童反应的看法与人类专家的评估一致，相关性评分为60％。

对于人类观察者来说，就儿童的参与和行为达成高度的一致意见可能具有挑战性。他们的相关分数通常在50％到55％之间。Rudovic和他的同事们认为，如本研究中那样接受人类观察训练的机器人有朝一日可以提供对这些行为的更一致的估计。

媒体实验室的第一作者，博士后Oggi Rudovic解释说，“长期目标不是要创造机器人来取代人类治疗师，而是要让他们掌握治疗师可用来个性化治疗内容的关键信息，并使机器人和患有自闭症的儿童之间更有吸引力和自然的互动。”

Rosalind Picard是麻省理工学院的论文合著者和领导情感计算研究的教授，他说个性化在自闭症治疗中尤为重要，“机器学习和AI应用在自闭症中的挑战特别令人烦恼，因为通常的AI方法需要大量的数据，这些数据对于所学的每个类别都是相似的。在异质性的自闭症中，正常的人工智能方法会失败。”Rudovic，Picard和他们的队友也一直在其他领域使用个性化深度学习，发现它可以改善疼痛监测和预测阿尔茨海默病进展。

NAO机器人

针对自闭症的机器人辅助治疗往往可以解决这样的问题：人类治疗师会向孩子展示一张照片或者闪存卡片，用来表示不同的情绪，以教会他们如何识别恐惧，悲伤或喜悦的表情。治疗师随后对机器人进行编程，以向孩子们展示这些相同的情绪，并且在孩子与机器人交往时观察孩子。孩子们的行为提供了宝贵的反馈信息，机器人和治疗师需要继续学习。

研究人员在这项研究中使用了SoftBank Robotics NAO类人机器人。NAO将近2英尺高，类似于装甲超级英雄，通过改变眼睛的颜色，肢体的运动以及声音的音调来表达不同的情绪。

参加这项研究的35名自闭症儿童中，有17人来自日本，18人来自塞尔维亚，年龄从3岁到13岁不等。他们在35分钟的会议中以各种方式对机器人作出反应，从看起来无聊和困倦，到在房间里兴奋地跳来跳去，拍手，大笑或触摸机器人。

研究中的大多数孩子对机器人的看法是，它不仅仅是一个玩具，应该对NAO的尊敬，因为它是一个真实的人。

一名4岁女孩在参加会议期间隐藏在母亲身后，但对机器人变得更加开放，并在治疗结束时笑到最后。一位塞尔维亚儿童的妹妹给NAO一个拥抱，并在会议结束时说“机器人，我爱你！”

“治疗师说，让孩子参与几秒钟对他们来说是一个很大的挑战，机器人吸引了孩子的注意，”Rudovic说，解释了为什么机器人在这种治疗方法中有用。“另外，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，而这对孩子来说不那么令人沮丧，因为孩子以非常有条理的方式学习如何表达表情。”

个性化的机器学习

麻省理工学院的研究小组意识到，深度学习的机器学习对于治疗机器人来说，具有更好的自然感知儿童行为的作用。深度学习系统使用分层的多层数据处理来改善其任务，每一个连续的层都是对原始数据抽象的表示。

尽管自20世纪80年代以来深度学习的概念已经出现，但Rudovic说，直到最近才有足够的计算能力来实现这种人工智能。深度学习已被用于自动语音和对象识别程序中，使其非常适合解决面部，身体和声音等多重特征的问题，从而理解更抽象的概念，如儿童的参与感。

“例如，在分析面部表情时，脸部的哪些部分对于评估参与度最重要？”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，而无需人工制作这些功能。”

对于治疗机器人，Rudovic和他的同事们进一步深入学习，并构建了一个个性化的框架，可以从收集的每个孩子的数据中学习。研究人员拍摄了每个孩子的脸部表情，头部和身体动作，姿势和手势，录音和关于儿童手腕上显示器的心率，体温和皮肤汗液反应作为数据。

这些机器人的个性化深度学习网络是根据这些视频，音频和生理数据的层次，关于孩子的自闭症诊断和能力，文化和性别的信息构建的。研究人员将他们对儿童行为的估计与五位人类专家的估计数字进行了比较，这些专家连续对孩子的录像和录音进行编码，以确定孩子在会议期间高兴或不安程度，是否感兴趣以及孩子的表现。

对这些由人类编码的个性化数据进行训练，并对未用于训练或调整模型的数据进行测试，网络显著改善了机器人对研究中大多数儿童的行为的自动评估，超出了预计，研究人员发现，该网络将所有儿童的数据以“一刀切”的方式结合起来。

Rudovic与其同事还能够探究深度学习网络如何做出估计，揭示了孩子们之间的一些有趣的文化差异。“例如，来自日本的孩子在高度参与的情节中表现出更多的身体动作，而在塞尔维亚人身上，大量的身体动作与脱离事件相关。”