控制架构符合儿童干预的自闭症谱系障碍

文摘

机器人协助干预已成功应用于自闭症谱系障碍儿童的教育和培训。然而,有必要增加机器人的自主性,以减少人类治疗师的负担。本文提出了一种机器人体系结构来提高机器人的自主性之间的交互过程中机器人和自闭症儿童。perception-cognition-action模型后,体系结构还包含一些传统的自闭症干预方法的概念和人类认知模型。机器人体系结构描述的细节,最后,一个典型的场景是用于验证该方法。

1。介绍

自闭症、孤独症谱系障碍(ASD),描述了一个广泛的发育障碍,其主要症状包括在社会交往障碍和限制或重复的行为模式,利益,或活动(1]。先前的研究表明,行为干预的一个主要方法刺激ASD患儿减少症状和提高他们的社交能力2]。ASD领域的干预,一些主要的挑战是保持孩子的动机,而长期和重复疗法治疗师需要花很多时间和精力。解决这些挑战,技术和设备研究了这部小说,以确保有效的干预ASD的同时减少治疗专业人员的工作量3,4]。

在这些技术中,社会辅助机器人(SAR)被认为是支持工具自闭症治疗通过社会互动5]。在当前的研究中,这些机器人已经表明自闭症干预效率高,和自闭症儿童的社会技能积极改善(6,7]。机器人干预的方法对ASD有望获得更好的协助传统干预过程。在许多系统中,远程控制机器人操作员做出适当的反应。控制方法限制了长期、大量使用机器人自闭症干预措施。ASD介入领域,机器人应该定位为人类治疗师支持工具而不是替代品。干预期间,机器人需要与人合作缺乏知识的自闭症干预或机器人。为了实现这一目标,这是一个主要的趋势,发展自主机器人与ASD患儿的干预。ASD介入领域,机器人可以扮演人类治疗师的角色,和机器人的功能是刺激和鼓励自闭症儿童的社会技能(显示在图1)。

在非结构化环境中,这是一个复杂的过程,实现自主机器人和孩子之间的互动。为了提高机器人的自主性在自闭症干预治疗,适当的控制体系结构设计是不可或缺的一部分。特别是,一个精心设计的机械结构是一个重要的部分调整机器人的行动解释交互信号可靠(8]。本文的主要目的是提供一个控制架构,实现机器人自闭症干预治疗与更高的自主权。本文的其余部分组织如下:部分2概述相关的工作;部分3详细介绍了机器人的控制体系结构的每个部分,并解释了机器人自闭症治疗的干预过程;部分4描述了实验验证建议的体系结构;节5未来,我们总结我们的研究和现在的工作。

2。相关的和以前的工作

目前,自闭症的发病机制还不清楚,早期干预是一种有效的手段来缓解症状的儿童自闭症,促进他们的技能。在本节中,我们将介绍的传统方法干预和机器人自闭症治疗的应用。

2.1。传统方法自闭症的干预

随着多年的发展,研究人员已经提出了各种方法和模型帮助自闭症儿童,例如,丹佛模型,综合项目,TECCH程序,应用行为分析,DIR / Floortime。在这些方法中,应用行为分析(ABA)和DIR / Floortime被广泛使用和接受的。在下面几节中,我们将分别介绍这两种方法,。

(我)应用行为分析自闭症。应用行为分析(ABA)基于学习的原则和动机是行为矫正的通用术语(9]。阿坝疗法通常定义为一个系统的方法来改善人的心理和社会行为基于混合教育技术。在过去的几十年中,干预方法基于ABA的原则也适用于有特殊需要的孩子的行为和学习。尤其是自闭症儿童的干预,阿坝疗法是最有效的手段之一,自闭症儿童的干预(10]。

自闭症的干预过程中,离散试验教学(德勤)是一种基于ABA治疗原则(具体实现方法11]。德勤是由心理学家Ivar Lovaas在1970年代和其核心元素包括指令、个体反应,辅助,钢筋,暂停9]。在实际执行中,德勤包括以下主要内容。首先,目标任务分解为一系列小的或相互独立的步骤以特定的方式和顺序。随后,每个小步骤是由适当的强化训练和教育方法。通过这个过程,自闭症儿童可以掌握的所有步骤和独立完成任务。德勤自闭症儿童教学的最终目标是让他们在其他情况下应用的知识和技能。德勤是一个高度结构化的教学模式,这种教学通常是一对一的自闭症儿童的干预。德勤的基本过程如图2。

(2)DIR / Floortime。发展、个体差异和特性(DIR)模式是一种杰出的发展方法自闭症干预。DIR的模式是由斯坦利格林斯潘和其核心是Floortime [12]。

不同于阿坝方法,DIR / Floortime强调孩子的情感体验,想象力训练和人际互动。根据自闭症儿童的特点和发展阶段,能力发展的阶梯设置由六个里程碑。这些里程碑包括(1)的关注和兴趣,(2)接触和亲密的关系,(3)双向沟通,(4)连续解决问题,创造性思维(5),(6)抽象和逻辑思维13]。基于特定的自闭症儿童的发展阶段,采用不同的干预策略将会达到更好的效果。对于自闭症儿童来说,时间和地点DIR / Floortime干预是灵活的,和干预者可以使用这种方法在画室,卧室,学校或培训机构在任何时候(14]。DIR / Floortime自闭症的干预过程可以概括为图所示3。

2.2。机器人应用于自闭症干预

研究人员已经做了大量研究机器人的使用在自闭症儿童的干预。这些研究的结果表明,这是一个有效的方法在自闭症干预使用机器人。

自闭症儿童的干预过程中,机器人发挥作用的补充治疗。在先前的研究中,研究者们总是用机器人帮助人类治疗师介导交互任务的动作模仿,共同注意力,聊天,等等15]。这些任务可以改善自闭症儿童的社会技能,帮助他们融入社会。然而,在当前的方法,几乎所有的机器人通常由操作员控制远程缺乏自主权。在这种模式下,自闭症干预的运营商需要专业知识和机器人操作是不可持续的机器人在长期和大规模的使用。因此,有必要让机器人有一定程度的自治权。为了实现这一目标,研究机器人控制体系结构适合自闭症儿童的干预需要优先发展。

目前,研究机器人的控制架构自闭症干预主要专注于机器人的控制,也很少考虑到传统的干预方法。费尔-塞费尔和马塔里奇(16)提出了一种基于行为的控制体系结构命名为B³IA。B³IA由传感器和解释模块、活动历史模块,网络行为,效应模块。在玩视频游戏的任务,北斗七星et al。17]detection-planning-action的控制架构设计,使机器人完成任务和一定程度的自治权。Sang-Seok et al。18)开发控制体系结构基于四个模块包括人类感知、交互管理器,用户输入,和机器人效应。在他们的研究中,使用了德勤协议。此外,冈萨雷斯et al。19)提出了一个三层规划体系结构进行物理障碍患者的康复治疗。倒G et al。20.)提出了人与机器人面部表情互惠互动平台。互惠的互动是由两个主要阶段:nonstructured和结构化的交互模式。在这个平台中,模仿任务之间的面部表情机器人和自闭症儿童实现。在他们的研究中,传统的康复过程被认为是,它给了我们一些启示。

自闭症的干预治疗有其特殊性。它是一种很有前途的研究方向的传统方法干预的想法融入到控制机器人的体系结构设计。在本文中,我们进行了探索性研究。

3所示。机器人控制体系结构的设计的自闭症干预

3.1。可行的手术机器人的自闭症干预

自闭症干预,有必要提高机器人的自主性,可以减少人力的工作负载(例如,治疗师、教育者和父母)。此外,缺乏专业知识的人自闭症的干预或机器人可以使用机器人来实现他们的目标。通过这种方式,机器人的使用范围可以扩展,和机器人可以为自闭症干预发挥更好的作用。为了实现这一目标,有必要设计机器人控制体系结构基于传统方法自闭症的干预。

在前一节中提到的,ABA和DIR / Floortime两种传统方法一般为孤独症的早期干预。德勤是ABA项目自闭症治疗的特定方法。这种方法具有结构化的过程,容易应用,已经被机器人在一些研究自闭症干预(21]。虽然德勤非常有效的早期干预对儿童自闭症,不少学者批评,这种方法是保守的和机械的发展,不利于ASD患儿(13]。德勤相比,DIR / Floortime高度重视发展,自闭症孩子的个体差异和关系。它提倡干预孩子的日常生活,根据孩子的发展阶段。然而,机器人的自闭症干预,这种方法需要机器人高层自然互动的能力,但现有的技术不能支持。

因此,如图4,我们提出了一个可行的手术机器人的自闭症干预来提高机器人的自主性。

自闭症干预过程中,机器人觉醒的孩子的兴趣跳舞,唱歌、对话等等。通过这种方式,孩子们可以将注意力集中在机器人是有效交流的基础。同时,机器人收集环境信息和评估自闭症儿童的行为。评估的内容包括订婚,孩子的发展阶段是指DIR / Floortime的方法,孩子的需求分析,任务的评价反馈。然后,机器人任务分配结果的基础上评估和任务包括德勤教学和其他的(例如,讲故事,唱歌,和跳舞)。这之后,机器人分解任务已决定和计划执行。最后,机器人与其他孩子或交互的交互结束。

在互动的过程中机器人和ASD患儿,机器人扮演人类治疗师的角色。因此,人类的认知机制应考虑机器人的设计架构。在认知架构,ACT-R(自适应思想性格理性的)研究了很长一段时间,有很好的评价。ACT-R系统是一个混合认知架构,它包括两个部分:符号系统和subsymbolic系统。ACT-R是认知的一般理论,为信息处理提供了一个框架22]。ACT-R制度是由几个不同的模块。生产模块通过缓冲区其他模块连接成一个整体。在这个框架中,符号系统是由生产系统和不同的缓冲区模块通过生产运作规则。此外,subsymbolic ACT-R系统运行在外部结构,和它控制的操作符号系统通过一系列的数学方法。ACT-R的重要特性之一,不同于其他类似的理论是应用大量的实验信息直接研究工作。因此,一些想法ACT-R被用于我们的研究。

在下一节中,我们将提出机器人的控制体系结构基于ACT-R自闭症干预和流程图,我们提出了在这一节中。

3.2。机器人的控制架构自闭症干预

为了提高机器人的自主性在自闭症儿童的干预,我们设计了机器人的控制架构自闭症干预(CARAI),如图所示5。perception-cognition-action模型后,CARAI由几个模块和子模块与特殊功能是由矩形表示。在体系结构中,箭头表示信息传输的方向和模块之间的依赖关系。每个模块的工作原理描述如下。

3.2.1之上。感知模块

机器人的感知模块接口获得环境信息和地图信息的内部表示。在我们的研究中,感知模块分为两个子模块,数据采集模块和数据处理模块。其中,数据采集模块,机器人通过传感器收集数据并传输到数据处理模块。此外,数据处理的任务是在三个步骤进行。首先,根据交互任务的需要,数据处理模块从上层的过程获得指令CARAI通过生产规则;然后,数据处理模块将注意的焦点转移到相应的位置根据指令,得到对象的详细信息,并进行数据处理;最后,数据处理模块将结果传递给高层模块。一些一般性的算法应用于该模块。例如,机器人定位自闭症孩子通过HOG-Linear支持向量机和基于哈雾特性检测孩子的脸。图书馆基于深层神经网络(款)是用于自然语言处理。

3.2.2。目的模块

目标是一个非常重要的过程,在人机交互。因为机器人的能力总是有限的,机器人应该围绕其目的在接受输入和处理,并输出。CARAI,我们使用意图模块存储目标和目的产生自闭症儿童的治疗计划。此外,目标缓冲区被用作一个接口实现意图之间的交互模块和机器人核心处理过程。目标缓冲区,可以创建目标,暂时存储和修改。当机器人与孩子,目标可以分解为子目标,管理堆栈。

如图6,机器人要实现的最终目标 ,这是目标的初始状态堆栈。然而,为了实现我们的目标 ,有些子目标 需要完成。因此,这些子目标推进目标堆栈。通过这种方式,我们的目标是顶部的目标首先弹出堆栈和执行。机器人的当前目标的执行期间,可能会产生新的目标。在这一点上,新目标将被推到堆栈顶部的目标。这个过程是循环,直到最终目标是完成。

3.2.3。内存模块

内存模块的功能和运行规则类似于ACT-R声明模块。在这个模块中,干预治疗自闭症的知识存储。的知识转化为生产规则,来自经验丰富的理疗师和过滤根据机器人干预的特点。干预期间,中央处理系统CARAI从内存模块实时检索规则和更新的知识(例如,修改、删除或添加规则)。此外,用户的信息(如姓名、性别、和症状),机器人的行为,也存储在这个模块和任务信息。

产生式规则通常可以表示为“ ”。在这个表达式,表示一组前提条件;表示几个结论或行动。它的意思是“如果前提结论是满意,(或行动可以推出“应该执行)。由一个产生式规则表示知识是生产的有序集合。语法可以用(巴克斯范式)如下: ::= :如果““然后””。在这项研究中,两个机器人的生产规则如下所示: ::= :如果visual_goal∣∣location_state然后把注意力; ::= :如果“action_goal∣∣leftarm_state“然后”joint_angle_1∣∣joint_angle_3∣”;

3.2.4。评估模块

评价模块评估状态或情景语境使用收到的感知数据模块。评价模块基于一些特性评估孩子的状态和变量。CARAI,我们使用并行机制来评估用户的状态。评价模块包含三个子模块:参与识别、发展阶段的反馈评价,评估。其中,参与识别模块主要是评估用户的参与程度的交互任务目前;反馈评价模块是用来评估的完成当前任务的交互对象;模块在开发阶段,自闭症儿童的发展分为几个级别,和用户的水平取决于他的表现在人机交互。这些模块的评估结果将作为设定目标和任务的基础系统的规划。

评估模块,参与评估的重要一步是使用机器人与ASD患儿进行交互。参与的评价结果能够反映的程度自闭症儿童接受干预的任务。为了孩子的参与程度进行分类,我们开发了一个参与基于动态贝叶斯网络评估模型和领域专家的知识。模型的输入(证据变量)是孩子的特征脸取向、人际距离,和声学状态。模型的输出(查询变量)是孩子的状态,当他/她与机器人交互。的表达参与评估显示为

在哪里和是归一化因素。的影响下的证据变量 , 表示查询变量的概率值集,表示时间上的隐藏变量的计算值 。过渡关系两个相邻时间片由3-order混淆矩阵,这是和 。符号””表示的点积矩阵。参与评价的具体内容可以在[23]。

反馈评价可以衡量孩子是否对机器人的反应是正确的。对于模仿任务,我们使用“PyOpenPose”来评估孩子的姿势。PyOpenPose是OpenPose的实现(一个人体姿态识别算法)基于Python。在应用程序中,人体的要点是首先发现。然后,根据这些点的坐标,设置一个阈值来评估孩子的反馈。

发展阶段的评价结果是机器人决策的重要依据。在我们的应用程序中,我们将ASD患儿的发展分为三个层次,包括注意力、双向沟通,持续的互动。在交互过程中,机器人要求孩子完成不同难度的任务是分配不同的分数。例如,机器人提出了一个手问孩子模仿,或机器人提出了一个手,问孩子回答哪只手。任务的描述如表所示1。患有自闭症的孩子,完成任务时,机器人评估他们的发展阶段分数的加法和减法。

3.2.5。任务规划模块

任务计划的过程分为两个阶段:决策和任务分解。在决策过程中,系统完全集成的信息来自评估模块、存储器模块、模块,意图和社会模块。学习机制和选择机制也在这一步制定。在任务分解,在上一步中设置的目标任务分解为简单的原始任务基于机器人的能力。通过这种方式,这些原始的任务可以通过机器人的执行机构直接执行。

在机器人和ASD患儿之间的交互,主管的角色是不可或缺的24]。因此,我们认为主管的角色在机器人的决策和实现目的通过互动强化学习的方法可以定义

在哪里是决定的结果,表示机器人的行动。表示状态的操作集 。 的值是则和 是主管的强化的结果。符号代表主管的置信水平的强化。 可以获得的(3)的表达则和 可以通过之前收到的协议。

在哪里 是学习速率,它定义了新信息的范围覆盖旧的信息。 是折现系数,反映了未来回报的学习过程的重要性。代表执行行动的回报价值在州 。 和表示状态的下一步要执行的动作。算法的详细推导过程将在另一篇论文讨论。

CARAI,任务分解是通过分层任务网络。简单原始的任务组成的机器人可以完成的基本任务,像机器人的关节旋转特定角度,机器人的声音输出,设置了颜色的机器人的眼睛,等等。

3.2.6。操作模块

任务计划完成时,CARAI原始任务转换为机器人的行为通过操作模块。首先,机器人的动作序列是由行为制定规划模块,然后执行机构的运动控制模块控制的行动。

3.2.7。社会模块

在治疗任务中,我们希望机器人可以推断,理解孩子的意愿,采取适当的行为来满足孩子的个人需求。通常,机器人的功能是有限的。在干预方案,有时,机器人需要使用其他代理(例如,发光的球可编程控制的)或传感器达到干预的目标。除此之外,是不现实的,机器人是完全自动的这意味着机器人可以适应任何事件在干预在非结构化环境中。因此,在我们的研究中,虽然孩子的自主机器人交互,它需要接受和优先考虑的特殊指令由主管(治疗师、老师或父母)。换句话说,当机器人的行为并不对应于互动内容,主管应该能够命令机器人通过特殊指令来调整其行为。为了实现上述目标,我们设计CARAI社会模块。社交模块包括两个子模块:一个模块生成的消息处理,另一个是消息。通过社会模块,机器人可以与其他代理、设备或主管的信息和数据。

3.3。干预过程的机器人

在本节中,我们将描述机器人干预过程基于机器人的体系结构,提出了在前一节中。

符合自闭症儿童行为干预,整个过程可分为两个步骤。如图7,第一步是制定干预计划,第二步是执行这个计划。

干预过程始于互动对象的个人信息。基于评价结果,机器人发展最初的计划。这个过程是通过机器人架构的意图模块来实现的。机器人更新干预计划根据环境信息的交互。

干预的执行计划包括三个部分:实时评估、决策支持和机器人执行。其中,实时评价的评价模块实现机器人体系结构。机器人的决策支持功能是通过任务规划模块机器人的体系结构。机器人的功能执行的基本规划属于机器人操作模块,可以实现机器人的体系结构。在这个阶段,机器人将决定结果转换为可执行的指令序列,包括机器人关节角,声音,led控制。

4所示。实验场景

4.1。机器人平台

我们准备好的NAO机器人平台,以支持我们的研究中,如图8。NAO机器人仿人机器人,它有一个有吸引力的外观和很容易被孩子接受。在先前的研究中,NAO机器人已成功应用于自闭症儿童训练任务,取得了理想的结果(25- - - - - -28]。的高度574毫米和5.4公斤的重量,NAO机器人集成了各种传感器(即。,video cameras, microphones, inertial unit, tactile sensors, and joint position sensors) and actuators (i.e., loudspeakers, joint motors, and LEDs). Therefore, the NAO robot can collect environmental information and interact with people conveniently. The supported programming languages of the NAO robot include Python, C++, Java, and JavaScript. Based on this, we can be flexible for program development. In the experiment, we developed the application based on Python SDK of the NAO robot.

4.2。交互会话设计

在这项研究中,我们设计了一个场景,机器人引导自闭症孩子的模仿其动作在会话中。训练分为四个阶段:初始化,引起孩子的兴趣,训练,和结束会话。在图9,使用矩形来表示每个阶段,基本事件显示在括号。基本事件的解释如表所示2。

4.3。结果

一个4岁的男孩和一个6岁的女孩被邀请参加我们的研究中,都得到了父母的支持。数据10和12机器人之间的交互显示序列和孩子,A和B,分别。会话是分为五轮,每轮持续了3分钟。当机器人输出动作,它等待执行的任务的孩子5秒。动作模仿的难度分为3培训水平,和机器人的反应。在每一轮中,分布的培训水平和机器人的反应速率对儿童的性能数据所示11和13。数据(11日)和(13日)显示的比例反馈机器人输出当孩子模仿的执行一个任务,包括鼓励、表扬,和索赔的注意。数据11 (b)和13 (b)显示三种不同难度动作的比例输出每一轮的机器人。这些百分比获得相应项的数量除以总数。

图11显示了训练水平的分布和机器人的反馈时,机器人与孩子互动训练水平,机器人的动作难度的增加逐渐从1级到3级。根据图11,传说是用来区分不同机器人的反馈和培训水平的分布在每一轮。在第一轮中,机器人问孩子模仿行为更高的比例(64.3%)的一级,和机器人的反馈包括鼓励(38.3%)、赞美(43.2%),和索赔的注意(18.5%)。在第二轮中,难以提高训练水平。根据图11 (b)一级培训的比例下降,而培训2级和3级的比例增加。在这一轮,更多的赞扬(57.5%)的机器人。孩子熟练的任务,机器人引导孩子更多的模仿行为第三轮的3级。然而,在这一轮中,孩子表现不好,所以机器人给了更多的反应,鼓励,和机器人降低轮4训练的难度水平。在第五轮,模仿的孩子累了的任务,机器人必须花更多的时间让孩子保持他的注意。

类似于图11,图13显示了训练水平的分布和机器人的反馈时,机器人与孩子互动B与孩子相比,儿童B的模仿能力越强。因此,机器人执行更高级的交互行为。如图13 (b),2级和3级培训的比例不断增加,而一级培训的比例从1到5轮下降。然而,在互动,孩子B显示注意力不集中的状态。因此,与与孩子的互动相比,机器人的反馈显示更高比例的关注(如图(13日))。

在实验中,机器人可以调整其行动根据交互环境的变化并迅速满足个人需求的互动对象在主管的指导下。有时,机器人的环境感知和认知不准确,输出和机器人的行为是不合理的。此时,管理者有必要在互动过程进行干预,以确保任务的顺利进行。这个过程是通过社会实现模块的控制架构。表3展示了多少次主管给机器人在互动的建议。

如表所示3,总代表总数的模仿行为机器人输出在每一轮与孩子A乘以一个表明机器人与孩子相互作用时,主管给了建议的数量。总B和B表示相同的意思当机器人与孩子B在交互期间,当主管认为机器人的决策是不合适的,他将在机器人的干预决定通过语言。机器人调整其输出通过其决策算法(基于互动强化学习)。在实验中,主管的总体率的干预决策的机器人约为14%。通过分析,发现机器人的错误率反馈评估儿童的主要因素是影响机器人做出不恰当的决定。因此,在未来的研究中,主管robot-child交互过程的干预可以减少改善相关算法的鲁棒性。

5。结论

课本的干预是一个有效的方法促进自闭症儿童社会技能。在这项研究中,我们提出了一个控制架构改善机器人的自主性,当机器人用于自闭症儿童的干预。perception-cognition-action模型后,建筑设计是基于传统干预的一些想法(德勤和DIR / Floortime)和ACT-R。本文建议的体系结构的运行机制和一些算法详细描述。最后,通过实验验证,该控制结构可以提高机器人的自主性在自闭症儿童的干预,减少管理者的负担。

应该注意的是,本研究的一些局限性仍然存在。例如,两个孩子参加了这项研究的验证。然而,ASD患儿有很大的个体差异,有很多情况下干预会话。因此,需要更多的参与者来验证体系结构的优点和缺点。此外,只有一个机器人平台(NAO机器人)是用在我们的研究中,一些算法的应用是有限的。此外,机器人自闭症儿童干预的任务需要进一步充实。

在不久的将来,我们计划在三个方面:(1)根据互动对象的特点,收集、分析、和解释的感觉信息进行,提高机器人通过完善现有算法的鲁棒性;(2)我们将设计交互式任务适合机器人表达式基于经验传统的干预;(3)扩大了临床应用的范围,它可以帮助我们提高学习和使我们的研究更有意义。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

研究提出了支持部分由中国国家自然科学基金(61573066和61573066)。

引用

1. j j。,贾伟德Cabibihan, h . m . Ang Jr .)和s·m·阿裕尼”,为什么机器人?调查的角色和利益社会机器人自闭症儿童的治疗,”国际社会机器人技术杂志》上,5卷,不。4、593 - 618年,2013页。视图:出版商的网站|谷歌学术搜索
2. b . Ingersoll”简要报告:集中模仿干预效果在自闭症儿童社会功能,“自闭症与发育障碍杂志》上,42卷,不。8,1768 - 1773年,2012页。视图:出版商的网站|谷歌学术搜索
3. s . Boucenna A . Narzisi大肠Tilmont et al .,“自闭症儿童的交互技术:审查。”认知计算》第六卷,没有。4、722 - 740年,2014页。视图:出版商的网站|谷歌学术搜索
4. 伊瓦拉l . Escobedo c j·埃尔南德斯,m . Alvelais和m . Tentori“智能对象支持自闭症儿童的辨别训练,”个人和无处不在的计算,18卷,不。6,1485 - 1497年,2014页。视图:出版商的网站|谷歌学术搜索
5. a . Peca m . Coeckelbergh r . Simut et al .,”机器人增强治疗自闭症儿童疾病:衡量道德可接受性,”IEEE技术与社会杂志,35卷,不。2,54 - 66年,2016页。视图:出版商的网站|谷歌学术搜索
6. c·a·g·j . Huijnen m·a·s .词汇和l·p·德威特”匹配机器人卡斯帕·自闭症谱系障碍(ASD)治疗和教育目标,“国际社会机器人技术杂志》上,8卷,不。4、445 - 455年,2016页。视图:出版商的网站|谷歌学术搜索
7. p .彭尼斯,A . Tonacci g . Tartarisco et al .,“自闭症和社会机器人:系统回顾”,自闭症研究,9卷,不。2、165 - 183年,2016页。视图:出版商的网站|谷歌学术搜索
8. b . Scassellati h . Admoni, m . Matarić“机器人用于自闭症研究,”生物医学工程的年度审查,14卷,不。1,第294 - 275页,2012。视图:出版商的网站|谷歌学术搜索
9. r·p·黑斯廷斯“行为调整自闭症儿童的兄弟姐妹从事应用行为分析早期干预程序:社会支持的调节作用,”自闭症与发育障碍杂志》上,33卷,不。2、141 - 150年,2003页。视图:出版商的网站|谷歌学术搜索
10. j . Virues-Ortega”应用行为分析自闭症儿童早期干预:荟萃分析,多元回归和剂量反应分析的多个结果,“临床心理学评论,30卷,不。4、387 - 399年,2010页。视图:出版商的网站|谷歌学术搜索
11. m . w . Steege f·查尔斯·梅斯·l·佩里和h . Longenecker”应用行为分析:除了离散试验教学。”心理学在学校,44卷,不。1,第99 - 91页,2007。视图:出版商的网站|谷歌学术搜索
12. s . i格林斯潘和s . Wieder”功能发展自闭症谱系障碍的方法,”有严重残疾的人的研究和实践,24卷,不。3、147 - 161年,1999页。视图:出版商的网站|谷歌学术搜索
13. c . m . Corsello“孤独症早期干预,”婴儿和幼儿,18卷,不。2、74 - 85年,2005页。视图:出版商的网站|谷歌学术搜索
14. S.-T。廖,Y.-S。黄,Y.-J。陈,S.-J p . Lee。陈,L.-Y。林,“家庭DIR / Floortime™学龄前儿童自闭症谱系障碍的干预项目:初步结果,“物理及职业治疗老年病学,34卷,不。4、356 - 367年,2014页。视图:出版商的网站|谷歌学术搜索
15. 辕,c . a .流行t . Belpaeme t . Ziemke和b . Vanderborght”机器人协助治疗自闭症谱系障碍(部分)自主控制:挑战和前景,”Paladyn,机器人行为杂志》上,3卷,不。4、209 - 217年,2012页。视图:出版商的网站|谷歌学术搜索
16. d·费尔-塞费尔和m . j . MatarićB3IA:控制架构自治机器人援助行为干预对儿童自闭症谱系障碍,”学报17 IEEE机器人和人类互动交流,国际研讨会RO-MAN德吴,页328 - 333年,2008年8月。视图:谷歌学术搜索
17. j .北斗七星b·罗宾斯,f . Amirabdollahian和k . Dautenhahn“使用自动人形机器人卡斯帕·三合一的游戏,促进协作自闭症儿童玩,”IEEE自治精神的发展》第六卷,没有。3、183 - 199年,2014页。视图:出版商的网站|谷歌学术搜索
18. s。Yun,崔j . h . Kim和研究。符合行为干预公园”,儿童自闭症谱系障碍,”机器人和自治系统卷。76年,58 - 67、2016页。视图:出版商的网站|谷歌学术搜索
19. j·c·冈萨雷斯,j . c . Pulido, f·费尔南德斯,“三层规划架构基于社会康复治疗机器人的自主控制,”认知系统研究,43卷,第249 - 232页,2017年。视图:出版商的网站|谷歌学术搜索
20. a . Ghorbandaei倒塔,m . Alemi和a . Meghdari”机器人面部表情互惠互动平台:案例研究自闭症儿童,”国际社会机器人技术杂志》上,10卷,不。2、179 - 198年,2018页。视图:出版商的网站|谷歌学术搜索
21. m·萨尔瓦多·a . s .沼泽,a·古铁雷斯和m . h . Mahoor”发展的ABA自闭症干预由一个人形机器人,”学报社会机器人国际会议卷,9979年,页551 - 560,施普林格国际出版。视图:出版商的网站|谷歌学术搜索
22. g . Trafton l . Hiatt a·哈里森f . Tanborello s Khemlani和a·舒尔茨“ACT-R / E:人机交互的体现认知架构,”《人机交互,卷2,不。1,30-55,2013页。视图:出版商的网站|谷歌学术搜索
23. y,问:贾、m .楚和w·魏”参与评估自闭症干预由机器人基于动态贝叶斯网络和专家启发式,”IEEE访问5卷,第19504 - 19494页,2017年。视图:出版商的网站|谷歌学术搜索
24. p·g·埃斯特万·巴克斯特t Belpaeme et al .,“如何构建一个监督Robot-Enhanced自治系统治疗儿童自闭症谱系障碍,”Paladyn,机器人行为杂志》上,8卷,不。1,18-38,2017页。视图:出版商的网站|谷歌学术搜索
25. s Shamsuddin h . Yussof l·i·伊斯梅尔穆罕默德,f . a . Hanapiah和n . i Zahari”仿人机器人NAO中度受损情报与自闭症儿童互动增强沟通能力,”Procedia工程第41卷。。2012年,第1538 - 1533页,2012年。视图:谷歌学术搜索
26. l·i·伊斯梅尔s Shamsudin h . Yussof f . a . Hanapiah和n . i Zahari“机器人与仿人机器人NAO对自闭症儿童干预项目:最初反应在刻板的行为,”Procedia工程第41卷。。41岁,1441 - 1447年,2012页。视图:谷歌学术搜索
27. 避讳,A . Peca A阿里et al .,“自闭症儿童与Nao社会参与互动,一个模仿机器人:一系列的单例实验中,“相互作用研究,13卷,不。3、315 - 347年,2012页。视图:出版商的网站|谷歌学术搜索
28. m·a·Miskam m·a·c·哈米德·h·Yussof s Shamsuddin n a·马利克和s . n . Basir”研究自闭症儿童之间的社会互动和仿人机器人NAO)”应用力学和材料卷,393年,第578 - 573页,2013年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018永利丰等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。