掌诊改变了带有性别特定变异的听觉疼痛表达

诊断性错误仍是导致可预防死亡的主要原因，尤其是在资源有限的环境中。医学培训模拟器，包括仿生机器人 (robopatients)，有助于减少此类错误，通过复制程序（如腹部掌诊）期间的患者反应。然而，生成现实的多模态反馈，尤其是听觉疼痛表达，仍具有挑战性，因为施加掌诊力量与感知疼痛声音之间的关系复杂且非线性。疼痛 vocalization 的高维度和感知变异性进一步限制了传统建模方法。我们提出了一种用于自适应疼痛表达的仿生机器人实验范式，通过人类在环机器学习动态生成掌诊力量产生的听觉疼痛响应。具体而言，我们采用近端策略优化 (PPO)，这是一种适用于连续控制的强化学习算法，通过实时人类评估反馈不断细化疼痛声的生成。该系统初始化随机的力-声映射，学习代理逐步调整这些映射，以与人类感知偏好相吻合。结果表明，该框架能够适应个体掌诊行为和主观声音偏好，同时捕捉从轻微不适到急性痛苦的广泛疼痛强度范围。我们还观察到在较低力量范围内存在感知饱和现象，并发现存在性别特定的疼痛声感知阈值。这一工作表明了人类在环强化学习在医学模拟器中协同优化触觉输入和听觉疼痛表达的可行性，突显了具有适应性和沉浸式平台以增强掌诊训练并减少诊断性错误的潜力。