Los niños con afecciones del espectro autista a menudo tienen problemas para reconocer los estados emocionales de las personas que los rodean, por ejemplo, distinguiendo una cara feliz de una cara temerosa. Para remediar esto, algunos terapeutas usan un robot amigable para los niños para demostrar esas emociones yInvolucre a los niños para imitar las emociones y responderles de manera apropiada.
Este tipo de terapia funciona mejor, sin embargo, si el robot puede interpretar sin problemas el comportamiento del niño, ya sea que esté interesado y emocionado o prestando atención, durante la terapia. Los investigadores del MIT Media Lab ahora han desarrollado untipo de aprendizaje automático personalizado que ayuda a los robots a estimar el compromiso y el interés de cada niño durante estas interacciones, utilizando datos que son únicos para ese niño.
Armado con esta red personalizada de "aprendizaje profundo", la percepción de los robots de las respuestas de los niños estuvo de acuerdo con las evaluaciones de expertos humanos, con un puntaje de correlación del 60 por ciento, informaron los científicos el 27 de junio Ciencia Robótica .
Puede ser un desafío para los observadores humanos alcanzar altos niveles de acuerdo sobre el compromiso y el comportamiento de un niño. Sus puntajes de correlación generalmente están entre 50 y 55 por ciento. Rudovic y sus colegas sugieren que los robots que están entrenados en observaciones humanas, como en esteestudio, algún día podría proporcionar estimaciones más consistentes de estos comportamientos.
"El objetivo a largo plazo no es crear robots que reemplacen a los terapeutas humanos, sino aumentarlos con información clave que los terapeutas puedan usar para personalizar el contenido de la terapia y también hacer interacciones más atractivas y naturalistas entre los robots y los niños conautismo ", explica Oggi Rudovic, un postdoctorado en Media Lab y primer autor del estudio.
Rosalind Picard, coautora del artículo y profesora del MIT que dirige la investigación en computación afectiva, dice que la personalización es especialmente importante en la terapia del autismo: un adagio famoso es: "Si ha conocido a una persona con autismo, ustedhe conocido a una persona con autismo "
"El desafío de crear aprendizaje automático e IA [inteligencia artificial] que funciona en el autismo es particularmente molesto, porque los métodos habituales de IA requieren muchos datos que son similares para cada categoría que se aprende. En el autismo donde reina la heterogeneidad, ellos enfoques normales de IA fallan ", dice Picard. Rudovic, Picard y sus compañeros de equipo también han estado utilizando el aprendizaje profundo personalizado en otras áreas, descubriendo que mejora los resultados para el monitoreo del dolor y para pronosticar la progresión de la enfermedad de Alzheimer.
Reunión NAO
La terapia asistida por robot para el autismo a menudo funciona de la siguiente manera: un terapeuta humano le muestra a un niño fotos o tarjetas de diferentes caras destinadas a representar diferentes emociones, para enseñarles cómo reconocer las expresiones de miedo, tristeza o alegría. El terapeutaluego programa el robot para que muestre estas mismas emociones al niño y lo observa mientras se involucra con el robot. El comportamiento del niño proporciona información valiosa que el robot y el terapeuta necesitan para seguir adelante con la lección.
Los investigadores utilizaron robots humanoides NAO de SoftBank Robotics en este estudio. Casi 2 pies de altura y se asemeja a un superhéroe blindado o un droide, NAO transmite diferentes emociones cambiando el color de sus ojos, el movimiento de sus extremidades y el tono de susvoz.
Los 35 niños con autismo que participaron en este estudio, 17 de Japón y 18 de Serbia, tenían entre 3 y 13 años de edad. Reaccionaron de varias maneras a los robots durante sus sesiones de 35 minutos, de verse aburridos y con sueño.algunos casos de saltar por la habitación con entusiasmo, aplaudir y reír o tocar el robot.
La mayoría de los niños en el estudio reaccionaron al robot "no solo como un juguete, sino que se relacionaron con NAO respetuosamente como si fuera una persona real", especialmente durante la narración de cuentos, donde los terapeutas preguntaron cómo se sentiría NAO si los niños tomaranrobot para un helado, según Rudovic.
Una niña de 4 años se escondió detrás de su madre mientras participaba en la sesión, pero se volvió mucho más abierta al robot y terminó riéndose al final de la terapia. La hermana de uno de los niños serbios le dio un abrazo a NAO ydijo "Robot, te amo" al final de una sesión, diciendo que estaba feliz de ver cuánto le gustaba a su hermano jugar con el robot.
"Los terapeutas dicen que involucrar al niño incluso por unos segundos puede ser un gran desafío para ellos, y los robots atraen la atención del niño", dice Rudovic, explicando por qué los robots han sido útiles en este tipo de terapia ". Además,los humanos cambian sus expresiones de muchas maneras diferentes, pero los robots siempre lo hacen de la misma manera, y esto es menos frustrante para el niño porque el niño aprende de manera muy estructurada cómo se mostrarán las expresiones ".
aprendizaje automático personalizado
El equipo de investigación del MIT se dio cuenta de que un tipo de aprendizaje automático llamado aprendizaje profundo sería útil para que los robots de terapia lo tuvieran, para percibir el comportamiento de los niños de forma más natural. Un sistema de aprendizaje profundo utiliza múltiples capas jerárquicas de procesamiento de datos para mejorar sutareas, con cada capa sucesiva que representa una representación un poco más abstracta de los datos sin procesar originales.
Aunque el concepto de aprendizaje profundo ha existido desde la década de 1980, dice Rudovic, es solo recientemente que ha habido suficiente poder de cómputo para implementar este tipo de inteligencia artificial. El aprendizaje profundo se ha utilizado en programas automáticos de reconocimiento de voz y objetos,haciéndolo más adecuado para un problema como dar sentido a las múltiples características de la cara, el cuerpo y la voz que se utilizan para comprender un concepto más abstracto, como el compromiso de un niño.
"En el caso de las expresiones faciales, por ejemplo, ¿qué partes de la cara son las más importantes para estimar el compromiso?", Dice Rudovic. "El aprendizaje profundo permite al robot extraer directamente la información más importante de esos datos sin la necesidad depara que los humanos creen manualmente esas características ". Para los robots de terapia, Rudovic y sus colegas llevaron la idea del aprendizaje profundo un paso más allá y construyeron un marco personalizado que podría aprender de los datos recopilados sobre cada niño individual. Los investigadores capturaron videos de cada niñoexpresiones faciales, movimientos de la cabeza y el cuerpo, poses y gestos, grabaciones de audio y datos sobre la frecuencia cardíaca, la temperatura corporal y la respuesta al sudor de la piel desde un monitor en la muñeca del niño
Las redes de aprendizaje profundo personalizadas de los robots se construyeron a partir de capas de estos datos de video, audio y fisiológicos, información sobre el diagnóstico y las habilidades del autismo del niño, su cultura y su género. Luego, los investigadores compararon sus estimaciones del comportamiento de los niños con las estimacionesde cinco expertos humanos, que codificaron las grabaciones de video y audio de los niños en una escala continua para determinar qué tan contento o molesto, qué tan interesado y qué tan interesado parecía el niño durante la sesión.
Formadas en estos datos personalizados codificados por los humanos, y probados en datos no utilizados en el entrenamiento o ajuste de los modelos, las redes mejoraron significativamente la estimación automática del robot del comportamiento del niño para la mayoría de los niños en el estudio, más allá de lo que seríaestimaron si la red combinaba todos los datos de los niños en un enfoque de "talla única", encontraron los investigadores.
Rudovic y sus colegas también pudieron investigar cómo la red de aprendizaje profundo hizo sus estimaciones, lo que descubrió algunas diferencias culturales interesantes entre los niños ". Por ejemplo, los niños de Japón mostraron más movimientos corporales durante los episodios de alto compromiso, mientras que en los serbios eran grandeslos movimientos corporales se asociaron con episodios de desconexión ", dice Rudovic.
El estudio fue financiado por subvenciones del Ministerio de Educación, Cultura, Deportes, Ciencia y Tecnología de Japón; Universidad de Chubu; y la subvención HORIZON 2020 de la Unión Europea EngageME.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Becky Ham. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :