Les enfants atteints de troubles du spectre autistique ont souvent du mal à reconnaître les états émotionnels des personnes qui les entourent, à distinguer un visage heureux d'un visage craintif, par exemple. Pour y remédier, certains thérapeutes utilisent un robot adapté aux enfants pour démontrer ces émotions et inciter les enfants à imiter les émotions et à y répondre de manière appropriée.

Ce type de thérapie fonctionne mieux, cependant, si le robot peut facilement interpréter le propre comportement de l'enfant - qu'il soit intéressé et excité ou qu'il soit attentif - pendant la thérapie. Les chercheurs du MIT Media Lab ont maintenant développé un type d'apprentissage automatique personnalisé qui aide les robots à estimer l'engagement et l'intérêt de chaque enfant lors de ces interactions, en utilisant des données propres à cet enfant.

Armé de ce réseau personnalisé de « deep learning », la perception des robots des réponses des enfants en accord avec les évaluations des experts humains, avec un score de corrélation de 60 %, les scientifiques rapportent le 27 juin dans Robotique scientifique .

Il peut être difficile pour les observateurs humains d'atteindre des niveaux élevés d'accord sur l'engagement et le comportement d'un enfant. Leurs scores de corrélation se situent généralement entre 50 et 55 pour cent. Rudovic et ses collègues suggèrent que les robots qui sont entraînés sur des observations humaines, comme dans cette étude, pourrait un jour fournir des estimations plus cohérentes de ces comportements.

"L'objectif à long terme n'est pas de créer des robots qui remplaceront les thérapeutes humains, mais pour les compléter avec des informations clés que les thérapeutes peuvent utiliser pour personnaliser le contenu de la thérapie et également créer des interactions plus engageantes et naturalistes entre les robots et les enfants autistes, " explique Oggi Rudovic, un post-doctorant au Media Lab et premier auteur de l'étude.

Rosalinde Picard, un co-auteur de l'article et professeur au MIT qui dirige des recherches en informatique affective, dit que la personnalisation est particulièrement importante dans la thérapie de l'autisme :« Si vous avez rencontré une personne, avec autisme, vous avez rencontré une personne autiste."

"Le défi de créer un apprentissage automatique et une IA [intelligence artificielle] qui fonctionnent dans l'autisme est particulièrement vexant, car les méthodes d'IA habituelles nécessitent beaucoup de données qui sont similaires pour chaque catégorie apprise. Dans l'autisme où règne l'hétérogénéité, les approches normales de l'IA échouent, " dit Picard. Rudovic, Picard, et leurs coéquipiers ont également utilisé un apprentissage approfondi personnalisé dans d'autres domaines, constatant qu'il améliore les résultats du suivi de la douleur et de la prévision de la progression de la maladie d'Alzheimer.

Rencontre NAO

La thérapie assistée par robot pour l'autisme fonctionne souvent comme suit :un thérapeute humain montre à un enfant des photos ou des cartes flash de différents visages censés représenter différentes émotions, leur apprendre à reconnaître les expressions de peur, tristesse, ou la joie. Le thérapeute programme alors le robot pour montrer ces mêmes émotions à l'enfant, et observe l'enfant lorsqu'il s'engage avec le robot. Le comportement de l'enfant fournit des informations précieuses dont le robot et le thérapeute ont besoin pour poursuivre la leçon.

Les chercheurs ont utilisé des robots humanoïdes SoftBank Robotics NAO dans cette étude. Presque 60 cm de haut et ressemblant à un super-héros en armure ou à un droïde, NAO transmet différentes émotions en changeant la couleur de ses yeux, le mouvement de ses membres, et le ton de sa voix.

Les 35 enfants autistes qui ont participé à cette étude, 17 du Japon et 18 de Serbie, âgés de 3 à 13 ans. Ils ont réagi de diverses manières aux robots au cours de leurs sessions de 35 minutes, d'avoir l'air ennuyé et somnolent dans certains cas de sauter dans la pièce avec excitation, taper des mains, et rire ou toucher le robot.

La plupart des enfants de l'étude ont réagi au robot "pas seulement comme un jouet, mais en relation avec NAO avec respect, comme s'il s'agissait d'une personne réelle, " surtout pendant la narration, où les thérapeutes ont demandé comment NAO se sentirait si les enfants prenaient le robot pour une friandise glacée, selon Rudovic.

Une fillette de 4 ans s'est cachée derrière sa mère pendant qu'elle participait à la séance mais est devenue beaucoup plus ouverte au robot et a fini par rire à la fin de la thérapie. La sœur de l'un des enfants serbes a serré NAO dans ses bras et a dit « Robot, Je t'aime!" à la fin d'une séance, disant qu'elle était heureuse de voir à quel point son frère aimait jouer avec le robot.

"Les thérapeutes disent qu'engager l'enfant même pendant quelques secondes peut être un grand défi pour eux, et les robots attirent l'attention de l'enfant, " dit Rudovic, expliquant pourquoi les robots ont été utiles dans ce type de thérapie. "Aussi, les humains changent leurs expressions de différentes manières, mais les robots le font toujours de la même manière, et c'est moins frustrant pour l'enfant car l'enfant apprend de manière très structurée comment les expressions seront montrées."

Apprentissage automatique personnalisé

L'équipe de recherche du MIT s'est rendu compte qu'une sorte d'apprentissage automatique appelé apprentissage en profondeur serait utile pour les robots thérapeutiques, de percevoir plus naturellement le comportement des enfants. Un système d'apprentissage profond utilise des méthodes hiérarchiques, plusieurs couches de traitement des données pour améliorer ses tâches, avec chaque couche successive s'élevant à une représentation légèrement plus abstraite des données brutes d'origine.

Bien que le concept de deep learning existe depuis les années 1980, dit Rudovic, ce n'est que récemment qu'il y a eu suffisamment de puissance de calcul pour mettre en œuvre ce type d'intelligence artificielle. L'apprentissage en profondeur a été utilisé dans les programmes de reconnaissance vocale et d'objets automatiques, le rendant bien adapté à un problème tel que donner un sens aux multiples caractéristiques du visage, corps, et la voix qui permettent de comprendre un concept plus abstrait tel que l'engagement d'un enfant.

« Dans le cas des expressions faciales, par exemple, quelles parties du visage sont les plus importantes pour l'estimation de l'engagement ?", explique Rudovic. "L'apprentissage en profondeur permet au robot d'extraire directement les informations les plus importantes de ces données sans que les humains n'aient besoin de créer manuellement ces caractéristiques." Pour les robots thérapeutiques , Rudovic et ses collègues ont poussé l'idée de l'apprentissage en profondeur un peu plus loin et ont construit un cadre personnalisé qui pourrait apprendre à partir des données collectées sur chaque enfant. Les chercheurs ont capturé une vidéo des expressions faciales de chaque enfant, mouvements de la tête et du corps, poses et gestes, enregistrements audio et données sur la fréquence cardiaque, température corporelle, et la réponse de la transpiration de la peau d'un moniteur sur le poignet de l'enfant.

Les réseaux d'apprentissage en profondeur personnalisés des robots ont été construits à partir de couches de ces vidéos, l'audio, et les données physiologiques, des informations sur le diagnostic d'autisme et les capacités de l'enfant, leur culture et leur genre. Les chercheurs ont ensuite comparé leurs estimations du comportement des enfants avec les estimations de cinq experts humains, qui a codé les enregistrements vidéo et audio des enfants sur une échelle continue pour déterminer à quel point ils sont heureux ou contrariés, combien intéressé, et à quel point l'enfant semblait engagé pendant la séance.

Formé sur ces données personnalisées codées par les humains, et testé sur des données non utilisées pour l'entraînement ou le réglage des modèles, les réseaux ont considérablement amélioré l'estimation automatique par le robot du comportement de l'enfant pour la plupart des enfants de l'étude, au-delà de ce qui serait estimé si le réseau combinait toutes les données des enfants dans une approche « taille unique », les chercheurs ont trouvé.

Rudovic et ses collègues ont également pu sonder comment le réseau d'apprentissage en profondeur a fait ses estimations, qui a révélé des différences culturelles intéressantes entre les enfants. "Par exemple, les enfants du Japon ont montré plus de mouvements corporels pendant les épisodes d'engagement élevé, alors que chez les Serbes, les mouvements corporels importants étaient associés à des épisodes de désengagement, ", dit Rudovic.