基于联邦学习的人机交互中个性化心理状态评估
机器人学
2025-06-26 v1 人机交互
摘要
随着工业 5.0 的兴起，制造商越来越强调工作人员的福祉，同时也关注大众定制。在压力感知的人机协作 (HRC) 中，机器人必须适应人类的心理状态，以提高协作的流畅度和安全性。本文提出了一种新框架，将联邦学习 (FL) 集成进以实现个性化心理状态评估，同时保持用户隐私。通过利用包括 EEG、ECG、EDA、EMG 和呼吸在内的生理信号，多模态模型预测操作员的压力水平，从而实现实时机器人适应。基于 FL 的方法允许分布式的设备端训练，确保数据保密的同时提高模型的泛化能力和个性化程度。结果表明，采用联邦学习方法可获得的全局模型在压力预测准确率与集中训练方法相当。此外，联邦学习允许提升个性化，从而在工业环境中优化人机交互，同时保持数据隐私。该框架推动了隐私保护且自适应的机器人技术，以提升智能制造中劳动者的福祉。
引用
@article{arxiv.2506.20212,
title = {Personalized Mental State Evaluation in Human-Robot Interaction using Federated Learning},
author = {Andrea Bussolan and Oliver Avram and Andrea Pignata and Gianvito Urgese and Stefano Baraldo and Anna Valente},
journal= {arXiv preprint arXiv:2506.20212},
year = {2025}
}