論文の概要: Modeling Engagement in Long-Term, In-Home Socially Assistive Robot
Interventions for Children with Autism Spectrum Disorders
- arxiv url: http://arxiv.org/abs/2002.02453v2
- Date: Sat, 11 Apr 2020 03:26:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 13:34:09.596986
- Title: Modeling Engagement in Long-Term, In-Home Socially Assistive Robot
Interventions for Children with Autism Spectrum Disorders
- Title（参考訳）: 自閉症スペクトラム障害児に対する在宅社会支援ロボットの長期介入におけるエンゲージメントのモデル化
- Authors: Shomik Jain, Balasubramanian Thiagarajan, Zhonghao Shi, Caitlyn
Clabaugh, Maja J. Matari\'c
- Abstract要約: この研究は、教師付き機械学習アルゴリズムを用いて、ASDの子供に対する長期的、家庭内SAR介入の文脈におけるユーザエンゲージメントをモデル化する。
ユーザ毎のエンゲージメントモデルとして, (i) 異なるユーザのデータに基づいてトレーニングされた一般化モデル, (ii) ユーザのデータの初期サブセットに基づいてトレーニングされた個別モデルがある。
実世界のHRI設定において,ユーザ・エンゲージメントに対する認識と応答の実現可能性と課題を検証した。
- 参考スコア（独自算出の注目度）: 5.699538935722362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Socially assistive robotics (SAR) has great potential to provide accessible,
affordable, and personalized therapeutic interventions for children with autism
spectrum disorders (ASD). However, human-robot interaction (HRI) methods are
still limited in their ability to autonomously recognize and respond to
behavioral cues, especially in atypical users and everyday settings. This work
applies supervised machine learning algorithms to model user engagement in the
context of long-term, in-home SAR interventions for children with ASD.
Specifically, we present two types of engagement models for each user: (i)
generalized models trained on data from different users; and (ii)
individualized models trained on an early subset of the user's data. The models
achieved approximately 90% accuracy (AUROC) for post hoc binary classification
of engagement, despite the high variance in data observed across users,
sessions, and engagement states. Moreover, temporal patterns in model
predictions could be used to reliably initiate re-engagement actions at
appropriate times. These results validate the feasibility and challenges of
recognition and response to user disengagement in long-term, real-world HRI
settings. The contributions of this work also inform the design of engaging and
personalized HRI, especially for the ASD community.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)の小児に対して、社会支援ロボティクス(SAR)は、アクセスしやすく、手頃な価格でパーソナライズされた治療介入を提供する大きな可能性を秘めている。
しかしながら、人間-ロボット相互作用(HRI)の手法は、特に非定型的ユーザや日常的な設定において、行動の手がかりを自律的に認識し、応答する能力に制限されている。
この研究は、教師付き機械学習アルゴリズムを用いて、ASDの子供に対する長期的家庭内SAR介入の文脈におけるユーザエンゲージメントをモデル化する。
具体的には,ユーザ毎に2種類のエンゲージメントモデルを示す。
(i)異なる利用者のデータに基づいて訓練された一般化モデル、及び
(ii) ユーザのデータの早期サブセットに基づいてトレーニングされた個別化モデル。
このモデルは、ユーザ、セッション、およびエンゲージメント状態間で観測されるデータのばらつきが高いにもかかわらず、hoc後のバイナリなエンゲージメント分類で約90%の精度(auroc)を達成した。
さらに、モデル予測における時間パターンは、適切なタイミングで再突入動作を確実に開始するために使用できる。
これらの結果は,HRIの長期的,現実的な設定におけるユーザの離脱に対する認識と対応の実現可能性と課題を検証した。
この研究の貢献はまた、特にAMDコミュニティのために、エンゲージメントとパーソナライズされたHRIの設計を通知する。
関連論文リスト
- Federated Anomaly Detection for Early-Stage Diagnosis of Autism Spectrum Disorders using Serious Game Data [0.0]
本研究では,AutoEncoder-based Machine Learning (ML) 手法を用いて,ASD検出のための新しい半教師付きアプローチを提案する。
この目的に特化して設計された真剣なゲームを通じて手作業で収集したデータを利用する。
ゲーミフィケーションされたアプリケーションによって収集されたセンシティブなデータは、プライバシー漏洩の影響を受けやすいため、フェデレートラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2024-10-25T23:00:12Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - IGNITE: Individualized GeNeration of Imputations in Time-series
Electronic health records [7.451873794596469]
本研究では、患者動態を学習し、個人の人口動態の特徴や治療に合わせたパーソナライズされた値を生成する新しいディープラーニングモデルを提案する。
提案モデルであるIGNITEは,2段階の注意を付加した条件付き2変分オートエンコーダを用いて,個人に対して欠落した値を生成する。
IGNITEは,データ再構成の欠如やタスク予測において,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-01-09T07:57:21Z) - Real-time Addressee Estimation: Deployment of a Deep-Learning Model on
the iCub Robot [52.277579221741746]
住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。
人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。
本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
論文 参考訳（メタデータ） (2023-11-09T13:01:21Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - COPER: Continuous Patient State Perceiver [13.735956129637945]
本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。
ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。
提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
論文 参考訳（メタデータ） (2022-08-05T14:32:57Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳（メタデータ） (2021-08-31T08:23:56Z) - User profile-driven large-scale multi-agent learning from demonstration
in federated human-robot collaborative environments [5.218882272051637]
本稿では,提示された人間の行動のきめ細かい表現を提供する,新しいユーザプロファイルの定式化について紹介する。
全体的な設計は、人間の行動の短期的および長期的分析/解釈を可能にする。
論文 参考訳（メタデータ） (2021-03-30T15:33:21Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Human Action Recognition and Assessment via Deep Neural Network
Self-Organization [0.0]
本章では,深度マップとRGB画像からの行動の学習と認識のための階層モデルを紹介する。
これらのモデルの特徴は、非定常分布に迅速に適応する自己組織化ネットワークの利用である。
論文 参考訳（メタデータ） (2020-01-04T15:58:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。