用于自闭症治疗中机器人感知情绪与投入度的个性化机器学习

机器人在促进自闭症谱系儿童的未来治疗方面具有巨大潜力。然而，现有机器人缺乏自动感知并回应人类情绪的能力，而这对于建立并维持引人投入的互动是必要的。此外，许多自闭症个体表达其情感—认知状态的方式非典型且异常多样，这使其推理挑战更为困难。为应对自闭症儿童行为线索的异质性，我们利用深度学习的最新进展，构建了一个个性化机器学习（ML）框架，用于机器人辅助自闭症治疗期间儿童情感状态与投入度的自动感知。我们方法的关键在于对传统 ML 范式的新颖转变——而非使用“一刀切”的 ML 模型，我们的个性化 ML 框架通过利用相关上下文信息（人口统计学与行为评估分数）以及每个儿童的个体特征，针对每个儿童进行优化。我们使用来自 35 名自闭症儿童（年龄 3–13 岁）且来自 2 种文化（亚洲与欧洲）参与 25 分钟儿童—机器人互动（约 50 万数据点）的多模态音频、视频与自主生理数据集设计并评估了该框架。我们的实验确认了机器人感知情绪与投入度的可行性，显示出因模型个性化带来的明确改进。所提方法有望通过提供更高效的疗法进展监测与总结来改善现有自闭症疗法。