在社交机器人交互中使用堆叠的深度神经网络和生物机械信号进行儿童行为识别
Sadiq J Hamandi1, Luttfi A Al-Haddad2, Shaaban M Shaaban3
1Biomedical Engineering Department, Al-Nahrain University, Baghdad, Iraq.
Scientific reports
|October 15, 2025
概括
这项研究引入了一种新的堆叠深度神经网络 (DNN) 模型,以客观地使用传感器数据监测儿童机器人交互动态. 该模型实现了高精度,为开发环境中的先进交互技术铺平了道路.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人与机器人的交互
- 发展心理学 发展心理学
背景情况:
- 社会机器人越来越多地用于儿科环境.
- 客观地监测儿童与机器人的互动对于理解发展背景至关重要.
- 现有的方法可能缺乏客观性和发展性适当性.
研究的目的:
- 开发和验证一个堆叠的深度神经网络 (DNN) 模型,用于客观地监测儿童机器人交互动态.
- 用生物机械数据量化分析儿童对社交机器人的行为.
- 为儿童机器人交互分析建立一个适合发育阶段的视角.
主要方法:
- 在四种类型的社会机器人上使用加速度计和陀螺仪来捕获振动信号和角度移位.
- 提取的统计特征:加速仪数据的Kurtosis (K) 和陀螺仪数据的信号大小区域 (SMA).
- 采用堆叠的深度神经网络 (DNN) 模型来客观分析交互动态.
主要成果:
- 堆叠的DNN模型表现出高性能,准确度,精度,回忆和F1得分超过0.939.
- 该模型有效地将传感器数据转化为对互动动态的客观测量.
- 该方法提供了对行为进行量化和发育阶段适当的分析.
结论:
- 开发的堆叠DNN模型为客观监测儿童机器人交互提供了一种有效的方法.
- 这项研究为实时移动监控和生物医学机器人技术的进步奠定了基础.
- 该研究有助于更深入地了解在发展背景下交互式技术.
