I bambini con disturbi dello spettro autistico spesso hanno difficoltà a riconoscere gli stati emotivi delle persone che li circondano, distinguere un viso felice da un viso spaventato, ad esempio. Per rimediare a questo, alcuni terapeuti usano un robot adatto ai bambini per dimostrare quelle emozioni e per coinvolgere i bambini nell'imitare le emozioni e nel rispondere ad esse in modi appropriati.

Questo tipo di terapia funziona meglio, però, se il robot è in grado di interpretare agevolmente il comportamento del bambino, sia che sia interessato ed eccitato o che presti attenzione, durante la terapia. I ricercatori del MIT Media Lab hanno ora sviluppato un tipo di apprendimento automatico personalizzato che aiuta i robot a stimare il coinvolgimento e l'interesse di ogni bambino durante queste interazioni, utilizzando dati che sono univoci per quel bambino.

Armati di questa rete personalizzata di "apprendimento profondo", la percezione dei robot delle risposte dei bambini concordata con le valutazioni di esperti umani, con un punteggio di correlazione del 60 percento, gli scienziati riferiscono il 27 giugno in Robotica scientifica .

Può essere difficile per gli osservatori umani raggiungere alti livelli di accordo sull'impegno e il comportamento di un bambino. I loro punteggi di correlazione sono generalmente compresi tra il 50 e il 55 percento. Rudovic e i suoi colleghi suggeriscono che i robot addestrati all'osservazione umana, come in questo studio, potrebbe un giorno fornire stime più coerenti di questi comportamenti.

"L'obiettivo a lungo termine non è creare robot che sostituiranno i terapeuti umani, ma per aumentarli con informazioni chiave che i terapeuti possono utilizzare per personalizzare il contenuto della terapia e anche per interazioni più coinvolgenti e naturalistiche tra i robot e i bambini con autismo, " spiega Oggi Rudovic, un postdoc al Media Lab e primo autore dello studio.

Rosalind Picard, un coautore dell'articolo e professore al MIT che guida la ricerca nell'informatica affettiva, afferma che la personalizzazione è particolarmente importante nella terapia dell'autismo:un famoso adagio è, "Se hai incontrato una persona, con autismo, hai incontrato una persona con autismo."

"La sfida di creare l'apprendimento automatico e l'intelligenza artificiale [intelligenza artificiale] che funzioni nell'autismo è particolarmente fastidiosa, perché i soliti metodi di intelligenza artificiale richiedono molti dati simili per ogni categoria appresa. Nell'autismo dove regna l'eterogeneità, i normali approcci AI falliscono, " dice Picard. Rudovic, Picard, e i loro compagni di squadra hanno utilizzato il deep learning personalizzato anche in altre aree, scoprendo che migliora i risultati per il monitoraggio del dolore e per la previsione della progressione della malattia di Alzheimer.

Incontro NAO

La terapia robot-assistita per l'autismo spesso funziona in questo modo:un terapista umano mostra a un bambino foto o schede flash di volti diversi destinati a rappresentare emozioni diverse, per insegnare loro a riconoscere le espressioni di paura, tristezza, o gioia. Il terapeuta quindi programma il robot per mostrare queste stesse emozioni al bambino, e osserva il bambino mentre interagisce con il robot. Il comportamento del bambino fornisce un prezioso feedback di cui il robot e il terapeuta hanno bisogno per andare avanti con la lezione.

I ricercatori hanno utilizzato i robot umanoidi SoftBank Robotics NAO in questo studio. Alto quasi 60 cm e simile a un supereroe corazzato o a un droide, NAO trasmette emozioni diverse cambiando il colore dei suoi occhi, il movimento delle sue membra, e il tono della sua voce.

I 35 bambini con autismo che hanno partecipato a questo studio, 17 dal Giappone e 18 dalla Serbia, di età compresa tra 3 e 13 anni. Hanno reagito in vari modi ai robot durante le loro sessioni di 35 minuti, dall'aspetto annoiato e assonnato in alcuni casi al saltare per la stanza con eccitazione, battendo le mani, e ridendo o toccando il robot.

La maggior parte dei bambini nello studio ha reagito al robot "non solo come un giocattolo ma in relazione con NAO rispettosamente come se fosse una persona reale, "soprattutto durante la narrazione, dove i terapisti hanno chiesto come si sentirebbe la NAO se i bambini prendessero il robot per un gelato, secondo Rudovico.

Una bambina di 4 anni si è nascosta dietro sua madre mentre partecipava alla sessione, ma è diventata molto più aperta al robot e ha finito per ridere alla fine della terapia. La sorella di uno dei bambini serbi ha abbracciato la NAO e ha detto "Robot, Ti amo!" alla fine di una sessione, dicendo che era felice di vedere quanto a suo fratello piacesse giocare con il robot.

"I terapeuti dicono che coinvolgere il bambino anche solo per pochi secondi può essere una grande sfida per loro, e i robot attirano l'attenzione del bambino, "dice Rudovico, spiegando perché i robot sono stati utili in questo tipo di terapia. "Anche, gli umani cambiano le loro espressioni in molti modi diversi, ma i robot lo fanno sempre allo stesso modo, e questo è meno frustrante per il bambino perché impara in modo molto strutturato come verranno mostrate le espressioni".

Apprendimento automatico personalizzato

Il team di ricerca del MIT si è reso conto che un tipo di apprendimento automatico chiamato deep learning sarebbe stato utile per i robot terapeutici, percepire il comportamento dei bambini in modo più naturale. Un sistema di deep learning utilizza gerarchie, più livelli di elaborazione dei dati per migliorare i suoi compiti, con ogni livello successivo che rappresenta una rappresentazione leggermente più astratta dei dati grezzi originali.

Sebbene il concetto di deep learning sia in circolazione dagli anni '80, dice Rudovico, solo di recente c'è stata una potenza di calcolo sufficiente per implementare questo tipo di intelligenza artificiale. L'apprendimento profondo è stato utilizzato nei programmi di riconoscimento vocale e di oggetti automatici, rendendolo adatto a un problema come dare un senso alle molteplici caratteristiche del viso, corpo, e voce che entrano nella comprensione di un concetto più astratto come il fidanzamento di un bambino.

"Nel caso delle espressioni facciali, ad esempio, quali parti del viso sono le più importanti per la stima del coinvolgimento?" Dice Rudovic. "L'apprendimento profondo consente al robot di estrarre direttamente le informazioni più importanti da quei dati senza la necessità per gli umani di creare manualmente quelle caratteristiche". Per i robot terapeutici , Rudovic e i suoi colleghi hanno portato l'idea dell'apprendimento profondo un passo avanti e hanno costruito un quadro personalizzato che potesse imparare dai dati raccolti su ogni singolo bambino. I ricercatori hanno catturato video delle espressioni facciali di ogni bambino, movimenti della testa e del corpo, pose e gesti, registrazioni audio e dati sulla frequenza cardiaca, temperatura corporea, e la risposta del sudore della pelle da un monitor sul polso del bambino.

Le reti di deep learning personalizzate dei robot sono state costruite da strati di questi video, Audio, e dati fisiologici, informazioni sulla diagnosi e sulle capacità di autismo del bambino, la loro cultura e il loro genere. I ricercatori hanno quindi confrontato le loro stime sul comportamento dei bambini con le stime di cinque esperti umani, chi ha codificato le registrazioni video e audio dei bambini su scala continua per determinare quanto fossero contenti o turbati, quanto interessato, e quanto sembrava impegnato il bambino durante la sessione.

Allenati su questi dati personalizzati codificati dagli umani, e testato su dati non utilizzati nell'addestramento o nell'ottimizzazione dei modelli, le reti hanno migliorato significativamente la stima automatica del comportamento del bambino da parte del robot per la maggior parte dei bambini nello studio, al di là di quanto sarebbe stimato se la rete combinasse tutti i dati dei bambini in un approccio "taglia unica", i ricercatori hanno scoperto.

Rudovic e colleghi sono stati anche in grado di sondare come la rete di deep learning ha fatto le sue stime, che ha scoperto alcune interessanti differenze culturali tra i bambini. "Ad esempio, i bambini dal Giappone hanno mostrato più movimenti del corpo durante gli episodi di alto coinvolgimento, mentre nei serbi ampi movimenti del corpo erano associati a episodi di disimpegno, " dice Rudovico.