Роботов с технологией глубокого обучения используют для терапии аутизма

0
206

Дети, страдающие аутизмом, часто испытывают трудности с распознаванием эмоциональных состояний окружающих людей — например, не отличая счастливое лицо от страшного лица. Чтобы исправить это, некоторые терапевты используют робота, способного продемонстрировать эти эмоции и вовлечь детей в имитацию эмоций и правильно реагировать на них.

Однако этот тип терапии лучше всего работает, если робот может плавно интерпретировать собственное поведение ребенка — независимо от того, интересуется ли он, возбужден или обращает внимание — во время терапии. Исследователи из MIT Media Lab разработали тип персонализированного машинного обучения, который помогает роботам оценить участие и интерес каждого ребенка во время этих взаимодействий, используя данные, которые являются уникальными для этого ребенка.

Используя эту персонализированную сеть «глубокого обучения», восприятие роботами ответов детей согласовывалось с оценками экспертов-людей, причем показатель корреляции составлял 60 процентов, сообщают ученые в Science Robotics.

Как это работает

Роботизированная терапия для аутизма работает примерно так: терапевт показывает детские фотографии или изображения разных лиц, предназначенные для представления разных эмоций, чтобы научить их распознавать выражения страха, грусти или радости. Затем терапевт программирует робота, чтобы показать эти же эмоции ребенку, и наблюдает за ребенком, когда он или она взаимодействует с роботом.

Исследователи использовали роботов-гуманоидов SoftBank Robotics NAO в этом исследовании. Почти 2 фута в высоту и напоминающий бронированного супергероя или робота, NAO передает разные эмоции, меняя цвет глаз, тон голоса и двигая конечностями.

35 детей с аутизмом, которые участвовали в этом исследовании, 17 из Японии и 18 из Сербии, варьировались в возрасте от 3 до 13 лет. Они реагировали по-разному на роботов во время их 35-минутных сеансов: от скуки и сонливости в некоторых случаях до прыжков по комнате, волнения, хлопанья в ладоши, смеха или прикосновений к роботу.

Большинство детей, участвовавших в исследовании, реагировали на робота «не только как на игрушку, но и относились к НАО с уважением.

Одна 4-летняя девочка спряталась за матерью, участвуя в сеансе, но стала гораздо более открытой для робота и закончила смехом к концу терапии. Сестра одного из сербских детей обняла НАО и сказала: «Робот, я тебя люблю!». В конце сеанса она сказала, что она рада видеть, насколько ее брат полюбил играть с роботом.

«Терапевты говорят, что вовлечение ребенка в течение нескольких секунд является большой проблемой, а роботы привлекают внимание ребенка», — говорит Рудович, объясняя, почему роботы были полезны в этом типе терапии. «Кроме того, люди меняют свои выражения по-разному, но роботы всегда делают это одинаково, и это не так расстраивает ребенка, потому что ребенок очень хорошо структурирует, как будут показаны выражения».

Персонализированное машинное обучение в медицине

Исследовательская группа Массачусетского технологического института поняла, что для обучения терапевтических роботов может быть полезным так называемое глубокое обучение, которое сможет более точно воспринимать поведение детей. Система глубокого обучения использует несколько уровней обработки данных для улучшения решения задач, причем каждый последующий слой представляет собой несколько более абстрактное представление исходных данных.

Хотя концепция глубокого обучения существует с 1980-х годов, говорит Рудович, только недавно удалось достичь достаточной вычислительной мощности для реализации такого рода искусственного интеллекта. Глубокое обучение используется в программах автоматического распознавания речи и распознавания объектов, что делает его хорошо подходящим для решения данной задачи.

«В случае мимики, например, какие части лица являются наиболее важными для оценки участия?» — говорит Рудович. «Глубокое обучение позволяет роботу напрямую извлекать самую важную информацию из этих данных, не требуя, чтобы люди вручную вводили эти функции».

Для терапевтических роботов Рудович и его коллеги создали персонализированную структуру, которая могла бы учиться на данных, собранных на каждого отдельного ребенка. Исследователи записали видеоролики выражения лица каждого человека, движения головы и тела, позы и жесты, аудиозапись и данные о частоте сердечных сокращений, температуре тела и потливости кожи от монитора на запястье ребенка.

Индивидуальные сети глубокого обучения роботов были построены из слоев этих видео-, аудио- и физиологических данных, информации о диагностике и способностях ребенка-аутиста, их культуры и их пола. Затем исследователи сравнили свои оценки поведения детей с оценками пяти экспертов, которые постоянно кодировали видеозаписи и аудиозаписи детей, чтобы определить, насколько они были удовлетворены или расстроены, насколько они заинтересованы и как ребенок проявлял себя во время сеанса.

Изучая эти персонализированные данные, закодированные людьми, и проверенные на данных, не используемых при обучении или настройке моделей, сети значительно улучшили автоматическую оценку роботом поведения ребенка для большинства детей в исследовании.

Рудович и его коллеги также смогли исследовать, как система глубокого обучения сделала свои оценки, что выявило некоторые интересные культурные различия между детьми. «Например, дети из Японии проявили больше движений тела во время эпизодов активного участия, в то время как у детей-сербов движения тела больше были связаны с эпизодами разъединения», — говорит Рудович.

Исследование финансировалось грантами от Министерства образования, культуры, спорта, науки и технологий Японии; Университет Чубу; и грант Европейского Союза «Горизонт 2020» (EngageME).

Источник:  Массачусетский Институт Технологий