AI與自閉症治療
台大電機系 吳奕萱 編譯
治療關鍵：掌握孩童專注程度
對很多有自閉傾向的孩童而言，辨識周圍人們的情感是件困難的事。一張喜悅的笑臉，與驚慌恐懼的表情，對他們來說可能沒什麼差異。一種常見的治療方式，便是由治療師給孩童觀看圖片上的不同表情，教他們辨認這些表情的含意。
這樣的療法是否能達到功效，很大的關鍵在於機器人要掌握孩子在精神上投入此活動的程度，意即他們須能正確解讀個案的一舉一動。然而人類個體的行為模式間存在極大的變異量，甚至每個治療師對同一個人、同樣行為的判讀也不盡相同，相關係數平均僅約0.50~0.55。
個體間存在的差異，也大大提升了訓練監督式學習模型的難度。對此，研究人員設計了「個人化深度學習網路」，擷取細微抽象的概念，使判讀結果的相關係數提升至0.60。判讀一致性的提高，可望協助治療師更精確掌握孩童的行為模式與精神狀態，進而規劃更符合需求的療程。
機器人治療的三大優勢
研究人員找了35名年齡介於3~13歲，來自日本與塞爾維亞的受試者。在三十五分鐘的互動中，治療師給孩童觀看圖片上的不同表情，接著出動軟銀（SoftBank）人型機器人NAO，讓NAO藉由改變眼睛顏色、四肢動作、以及說話語調，呈現不同表情，並觀察孩童看到這些表情的生心理反應。結果顯示利用人形機器人有三大優勢：
- 形體生動，吸引孩童注意力
要孩童們集中注意力，就算只是短短幾秒鐘，也並非容易的事。友善的機器人彷彿孩子們的玩伴，能有效提升專注的時間。
- 表達方式固定，易於學習
每個人對於同一種情緒，會有不同的表情詮釋。相對地，機器對於一種情緒有固定的表達方式，不論眼睛顏色變化或動作皆由程式事先設定好，能讓孩童在初期更有架構地學習，減少混淆與困惑。
- 個人化分析，掌握學習狀況
機器人利用深度學習網路，判讀孩童接受治療時的行為表現，回饋給治療師。他能分析孩童整體的特性，形成更精確個人化療程的基礎。
個人化深度學習架構
那麼治療機器人是如何做到的？關鍵在於行為資訊的蒐集，以及個人化深度學習網路的建構。人類的情緒表現在臉部、身體動作、聲音語調等特徵。若想評估孩童參與活動的程度，就要找出他們與「專注度」相關性最高的特徵。於是機器人在與孩童互動時，錄影記錄他們的臉部表情、肢體動作、所說的話，並蒐集心律、體溫、出汗反應等生理數據。受試者肢體動作的追蹤，運用了CMU Perceptual Lab之OpenPose，在2D影像中以「火柴人」形式即時擷取人類四肢與身體的位置[2]。
深度學習適合用於解讀多重特徵，將他們抽絲剝繭，擷取其中的涵義。機器人結合蒐集到的生理、表情、動作等「行為」資訊，以及關於孩童文化背景、年齡性別、過去自閉症診斷等「基本」資訊，建構深度學習網路。進行監督式學習所用的指標，則是五名人類治療專家根據觀察各個孩童的資訊所得到的「參與度分數」。模型訓練結果顯示，依照受測者不同的特徵分別建立判別依據，比起網羅各式資料建立的通則，有更高準確度。
此外，分析結果時也發現了反映文化差異的小趣事：同樣是有較多的肢體動作，在日本孩童身上反映對活動較高的投入，而塞爾維亞孩童則是心思已經飄到其他地方了[3]。期待未來關於治療機器人長期應用的研究，並拓展到不同文化背景孩童。
參考資料
- B. Ham (MIT Media Lab), “Personalized ‘deep learning’ equips robots for autism therapy”, MIT News, 2018.
- Z. Cao, T. Simon, S.E. Wei, Y. Sheikh, “Multi-Person Pose Estimation using Part Affinity Fields”, CVPR 2017.
- O. Rudovic, J. Lee, L. Mascarell-Maricic, B.W. Schuller and R.W. Picard (2017) “Measuring Engagement in Robot-Assisted Autism Therapy: A Cross-Cultural Study.” Front. Robot. AI, 2017.
- A. Griffiths, “The robot teacher connecting with autistic children“, Telegraph.co.uk, 2018.