学习用于机器人辅助儿童 ASD 治疗的自适应行为

基于摘要分析。该研究面向机器人辅助自闭症谱系障碍（ASD）儿童治疗中的互动决策，提出利用多模态传感信息推断儿童动作、再据此选择机器人动作的决策模块。其贡献在于以概率模型与期望效用框架连接动作识别和不确定性下的互动决策，而非摘要已证实的临床疗效。 机制上，儿童动作的推断限定在预先设计的动作集合内；机器人根据推断结果，在基于 Dirichlet 分布的期望效用框架下选择动作。摘要未说明传感模态、概率模型的具体结构、Dirichlet 分布的建模对象、效用定义或参数更新方式，因此尚不能判断其如何学习或适应个体儿童的行为。 摘要未提供数据集、参与儿童人数、训练与评估划分、对照方法或定量结果。实验协议、消融及统计信息尚未验证；也需核对动作推断误差如何影响后续决策，以及效用目标与治疗目标之间的关系。该材料支持将其归为方法论文，不能据此视为已经完成临床验证。 平台推测（待验证）：其不确定性驱动的动作选择框架可能与 EEG/BCI 中意图识别不稳定时的交互决策有关，但依赖可定义的动作集合、可靠的概率估计及效用目标。潜在可复用部分是决策框架，需改造的是 EEG 输入、意图状态定义和概率校准；低信噪比、跨被试差异及小数据可能导致过度自信的错误决策。可先在固定 EEG 解码器与同一数据划分下，比较期望效用选择和直接选择最高概率动作的任务收益及错误代价。该迁移仅是假设，已有 EEG 相关工作尚未检索确认。