درمان اوتیسم با ربات‌ های مبتنی بر یادگیری عمیق فرد محور

کودکان مبتلا به اختلال طیف اوتیسم در تشخیص احساسات افراد پیرامون خود و تعامل اجتماعی دچار مشکل هستند. این اختلال، ارتباط با دیگران و دنیای خارج را برای آنان دشوار می‌سازد. برای درمان این مشکل، برخی از پزشکان و درمانگران از ربات‌هایی کودک پسند استفاده می‌کنند. ربات‌ها با نمایش انواع احساسات، کودکان را تشویق می‌کنند که احساسات را تقلید کنند و همچنین به آن پاسخ دهند. این روش درمانی بسیار تاثیرگذار است. همچنین اگر ربات‌ها بتوانند رفتارهای کودک را در طول درمان تفسیر کنند گام مهمی در درمان کودکان اوتیسم برداشته خواهد شد برای نمونه بتواند مشخص کند که در چه زمان‌هایی کودک شاد است و به ربات توجه می‌کند. پژوهشگران آزمایشگاه رسانه ام‌آی‌تی (MIT Media Lab) در مؤسسه‌ی فناوری ماساچوست، نوعی از یادگیری ماشینی شخصی‌ شده (personalized machine learning) را توسعه داده‌اند که تعامل‌ها، علاقه‌مندی‌ها و واکنش‌های کودک در طول درمان را ارزیابی می‌کند. برای آشنایی با ربات‌های درمانگر اوتیسم با مجله‌ی فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

درمان اوتیسم با ربات‌ های یادگیری عمیق فرد محور

درمان اوتیسم با ربات یادگیری عمیق در سه گام 1)حس کردن 2) درک کردن 3)برقراری ارتباط و تعامل

در این روش شخصی‌ شده داده‌های ربات، مخصوص کودک در حال درمان است. در مجله‌ی Science Robotics گزارش شده است که درک ربات‌ها در روش یادگیری عمیق شخصی‌ شده یا فردمحور (personalized deep learning) از واکنش‌های کودک تا 60 درصد با ارزیابی‌های کارشناسان انسانی تطابق دارد. برای کارشناسان انسانی، دستیابی به سطح بالای توافق بر نوع واکنش‌ها و رفتار کودک چالش‌برانگیز است. درصد همبستگی میان تشخیص کارشناسان از رفتار کودک اوتیسم 50 تا 55 درصد است. رودوویچ (Rudovic)، پژوهشگر آزمایشگاه رسانه MIT و همکارانش بر این باور هستند که ربات‌هایی که بر اساس مشاهده‌های کارشناسان انسانی آموزش ببینند، در آینده خواهند توانست به تخمین‌های ثابت با قابلیت اطمینان بالاتر از رفتار کودک اوتیسم دست پیدا کنند.

هدف بلندمدت به کارگیری ربات‌های یادگیری عمیق فردمحور جایگزینی آن‌ها به جای متخصصان و درمانگران انسانی نیست، بلکه افزایش داد‌ه‌ها و اطلاعات کلیدی درمان اوتیسم، برای به کارگیری توسط متخصصان است. مفهوم شخصی کردن در درمان اوتیسم از اهمیت بالایی برخوردار است زیرا هر کودک مبتلا به اوتیسم رفتارها و واکنش‌ها و در نتیجه درمان مخصوص به خود را دارد.

به کارگیری روش‌های یادگیری ماشین و هوش مصنوعی در درمان اوتیسم بسیار دشوار است زیرا این روش‌ها نیاز به داده‌های بسیار مشابه دارند تا در مرحله‌ی آموزش این الگوریتم‌ها به کار گرفته شود. استفاده از الگوریتم‌های رایج یادگیری ماشین و هوش مصنوعی در درمان اوتیسم با شکست روبرو شده است. رودوویچ و همکارانش دریافتند که یادگیری عمیق فردمحور در بهبود نتیجه‌ی نظارت بر درد و پیش‌بینی روند پیشرفت بیماری آلزایمر موفقیت‌آمیز است.

جلسه‌ی درمان اوتیسم با ربات NAO

روند درمان اوتیسم با ربات‌های کودک‌پسند معمولا به صورت زیر اجرا می‌شود :

درمانگر انسانی تصاویر و فلش کارت‌هایی از چهره‌های مختلف با احساسات متفاوت به کودک نشان می‌دهد. با این تمرین، چگونگی تشخیص احساسات ترس، ناراحتی و شادی به کودک آموزش داده می‌شود.

سپس درمانگر، احساسات مشابه فلش‌کارت‌های نشان داده شده به کودک را با کمک ربات برای کودک به نمایش می‌گذارد. درمانگر در این مرحله بررسی می‌کند که آیا کودک توانسته است با ربات در تعامل باشد. اطلاعات بازخوردی از رفتار کودک، برای درمانگر و ربات در مرحله بعدی درمان بسیار مفید هستند.

پژوهشگران از ربات‌های انسان‌نمای NAO که 60 سانتی‌متر طول دارند در این پژوهش استفاده کردند. ربات‌های NAO انواع احساسات را با تغییر رنگ چشم،تن صدا و حرکت بدن به نمایش می‌گذارند. 35 کودک مبتلا به اوتیسم در رده‌ی سنی 3 تا 13 سال در این پژوهش شرکت کردند. 17 کودک از ژاپن و 18 کودک از صربستان بودند.

کودکان واکنش‌های متفاوتی از حالت خستگی و خواب‌آلودگی تا حالت خندیدن و لمس کردن ربات و دویدن در اتاق با هیجان در برابر ربات از خود نشان دادند. جلسه‌ی درمانی 35 دقیقه طول می‌کشید. کودکان معمولا با ربات نه تنها به عنوان یک عروسک بلکه به عنوان یک انسان واقعی رفتار می‌کردند. ربات‌ها به صورت موفقیت‌آمیز می‌توانند کودکان را جذب کنند و به همین دلیل برای درمان اوتیسم بسیار مفید هستند. ربات‌ها در یک روند ساختارمند احساسات را به نمایش می‌گذارند و کودک می‌تواند در یک روش کاملا دارای ساختار احساسات را یادبگیرد.

یادگیری ماشین فردمحور

پژوهشگران MIT دریافتند شاخه‌ای از یادگیری ماشین به نام یادگیری عمیق در ربات‌های درمانگر و درک رفتارهای کودکان اوتیسم موفق عمل می‌کند. الگوریتم یادگیری عمیق با ساختار سلسله‌مراتبی و لایه‌های چندگانه‌ی پردازش داده، داده‌های خام ورودی را پردازش می‌کند. اگرچه مفهوم یادگیری عمیق در دهه 1980 ارائه شده است، امروزه به دلیل بهبود قدرت پردازشی و محاسباتی رایانه‌ها امکان استفاده از الگوریتم پیچیده یادگیری عمیق فراهم شده است. یادگیری عمیق در زمینه‌های بازشناسی گفتار خودکار (automatic speech) و تشخیص اشیا (object recognition) کاربرد دارد.

یادگیری عمیق با دریافت چندین ویژگی مانند حالت چهره، صدا و بدن می‌تواند مفاهیم انتزاعی مانند چگونگی تعامل کودک با ربات را ارائه دهد. برای نمونه برای حالت‌های چهره، این پرسش وجود دارد کدام یک از ویژگی‌های چهره مهمترین بخش برای تشخیص حالت چهره را در اختیار قرار می‌دهد؟ یادگیری عمیق بدون نیاز به انسان برای تعیین این ویژگی‌ها، مهم‌ترین اطلاعات را از حالت چهره‌ی کودک استخراج می‌کند. همچنین با یادگیری عمیق می‌توان یک گام به جلو برویم و برای هر کودک به طور جداگانه، یک ساختار فردمحور برای یادگیری اطلاعات از نوع تعامل کودک با ربات بسازیم.

پژوهشگران با دوربین فیلم‌برداری حالت چهره، حرکت‌های سر و بدن، اشاره‌ها و حالت‌های بدن و صدای کودک را ثبت کردند. همچنین با یک حسگر جاسازی شده روی مچ دست کودک، اطلاعات ضربان قلب و دمای بدن و عرق پوست را اندازه‌گیری کردند. شبکه‌ی یادگیری عمیق فردمحور ربات، توسط مجموعه‌ای از اطلاعات ویدیو و صدا و اطلاعات فیزیولوژیکی و همچنین توانایی‌های کودک و جنسیت و فرهنگ او ساخته می‌شود. سپس پژوهشگران اطلاعات استخراج شده از ربات را با اطلاعات تشخیصی پنج متخصص و درمانگر مقایسه می‌کنند.

با بهره‌گیری اطلاعات تشخیصی درمانگران در مرحله‌ی آموزش و مدل‌سازی یادگیری عمیق، تخمین رفتار کودک توسط ربات بهبود می‌یابد. پژوهشگران با بررسی پردازش‌های استخراج شده از الگوریتم یادگیری عمیق به اطلاعات جالبی از تفاوت فرهنگی کودکان دست یافتند. برای نمونه کودکان ژاپنی بیشترین حرکت‌های بدن را در حالت‌های بیشترین تعامل و ارتباط داشتند. این درحالی است که کودکان صربستانی بیشترین حرکت بدن را در حالت عدم ارتباط و تعامل از خود نشان می‌دادند.


در همین زمینه بخوانید:

>>ساخت یک ابزار کارآمد برای موسیقی درمانی کودکان
>>یافتن جهشهای ژنی و توسعه دارو با استفاده از الگوریتم یادگیری عمیق
>>چرا یادگیری عمیق با یادگیری ماشینی متفاوت است؟


منبع: techxplore

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوری‌های توان‌افزا و پوشیدنی) مجاز است»

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

ExosNews on Telegram

ما را در تلگرام دنبال کنید!

مجله فناوریهای توان افزا و پوشیدنی

عضویت در کانال تلگرام
بستن