《Applied Sciences》：Adaptive AI-Driven Animal-like Social Robots for Personalized Emotional Health: A Multicriteria Decision-Making Approach Using Self-Monitoring Data
编辑推荐：
背景：人口老龄化增加了认知障碍和痴呆的患病率，凸显了对个性化非药物干预的需求。尽管社交辅助机器人（socially assistive robots）已显示出治疗益处，但大多数依赖预定义的交互，适应性有限。本研究提出了一种集成连续自我监测和可解释多准则决策（m
背景：人口老龄化增加了认知障碍和痴呆的患病率，凸显了对个性化非药物干预的需求。尽管社交辅助机器人（socially assistive robots）已显示出治疗益处，但大多数依赖预定义的交互，适应性有限。本研究提出了一种集成连续自我监测和可解释多准则决策（multicriteria decision-making, MCDM）的人工智能（AI）框架，以个性化机器人辅助干预。方法：研究人员开展了一项为期12周的纵向准实验研究，涉及78名轻度至中度认知障碍的老年人，分为三组：自适应AI机器人组（n=26）、基于传感器的机器人组（n=26）和接受常规护理的对照组（n=26）。该框架结合了连续自我监测、基于AI的情绪状态估计和层次分析法（Analytic Hierarchy Process, AHP）模型，根据参与者的临床和行为特征调整机器人行为。结果：基于AI的机器人在情绪状态、社交互动和功能表现方面取得了最大改善。抑郁症状减少42.9%，焦虑减少39.1%，社交互动增加60.7%，功能独立性改善20.1%。尽管基于传感器的机器人显示出略高的依从性（97.2% vs. 95.6%），但基于AI的干预取得了最高的总体有效性（AHP全局评分=0.90）。结论：整合连续自我监测、基于AI的情绪状态估计和可解释多准则决策，可实现个性化的机器人辅助干预，改善情绪健康、社交参与和功能独立性。这些发现支持自适应社交辅助机器人作为AI驱动的临床决策支持系统用于痴呆护理的潜力。
**论文解读：自适应AI驱动类动物社交机器人在个性化情绪健康中的应用**
**研究背景与问题**
随着人口老龄化加剧，认知障碍和痴呆的患病率持续上升，对个性化非药物干预的需求日益迫切。社交辅助机器人（socially assistive robots）已被证明在改善情绪健康、减少焦虑和行为症状方面具有治疗潜力，但现有系统大多依赖预定义的交互规则，缺乏实时适应能力。这种静态交互模式无法根据用户情绪、行为和认知状态的动态变化进行调整，导致干预效果受限。此外，虽然人工智能（AI）和机器学习（ML）技术已能实现情绪状态估计，多准则决策（MCDM）方法也支持个性化医疗决策，但这些组件在社交机器人领域尚未被整合为一个完整的闭环系统。研究人员开展这项研究，旨在填补这一空白，通过整合连续自我监测、AI情绪状态估计和可解释的MCDM框架，开发并评估一种自适应AI驱动类动物社交机器人的临床效果。该研究发表在《Applied Sciences》。
**主要技术方法**
研究采用12周纵向准实验设计，在西班牙特内里费Acufade日间照料中心实施，招募78名轻度至中度认知障碍老年人，分配至自适应AI机器人组、传感器机器人组和常规护理对照组。关键技术方法包括：（1）基于随机森林（Random Forest, RF）的机器学习和情绪状态估计模型，通过训练集（80%）和测试集（20%）划分及五折交叉验证评估性能；（2）自适应层次分析法（AHP）决策框架，每5分钟更新一次，将情绪状态、参与度、行为反应等多元信息转化为干预决策规则（如调整刺激强度、任务复杂度）；（3）独立的后干预全局AHP评估，整合情绪状态、功能表现、社交互动、依从性和满意度五个维度，使用专家权重（9位专家，一致性比率CR<0.10）计算综合评分；以及（4）独立预测模型，通过RF分类器预测临床改善（准确率0.91，ROC-AUC 0.94）。
**研究结果**
**3.1 情绪状态（Emotional Status）**
通过老年抑郁量表（GDS-15）和汉密尔顿焦虑量表（HAM-A）评估，AI机器人组抑郁症状减少42.9%（GDS-15从9.8降至5.6），焦虑减少39.1%（HAM-A从18.4降至11.2），显著优于传感器机器人组（分别减少17.9%和17.3%）和对照组（分别减少4.1%和2.8%）。组×时间交互效应分析表明，AI组改善幅度最大。
**3.2 社交互动（Social Interaction）**
使用观察性社交参与（OSP）量表，AI机器人组社交互动评分增加60.7%（从2.8升至4.5），传感器机器人组增加33.3%，对照组仅增加3.4%（无显著差异）。AI组改善幅度显著高于其他条件，表明自适应交互促进更有效的社交参与。
**3.3 功能表现（Functionality）**
巴氏指数（Barthel Index）显示AI机器人组功能独立性改善20.1%（从62.3升至74.8），传感器机器人组改善10.0%，对照组改善1.3%。计时起立行走测试（TUG）时间在AI组减少18.3%（从18.6秒降至15.2秒），传感器组减少7.7%，对照组减少1.1%。AI组在功能独立性和移动性方面获益最大。
**3.4 依从性与满意度（Adherence and Satisfaction）**
传感器机器人组依从性最高（97.2%），AI组略低（95.6%），对照组最低（82.1%）。但满意度方面，AI组最高（CSQ-8评分27.8±2.1），传感器组次之（25.9±2.4），对照组最低（21.6±3.0），表明个性化交互改善用户体验。
**3.5 多准则分析（Multicriteria Analysis）**
全局AHP评分显示，AI机器人组综合得分最高（0.90），传感器组次之（0.71），对照组最低（0.40）。AI组在情绪、功能、社交和满意度维度均领先，尽管依从性略低于传感器组，但整体有效性最优。
**3.6 预测模型性能（Predictive Performance of Random Forest）**
RF分类器预测临床改善的准确率为0.91，精确率0.89，召回率0.87，F1-score 0.88，ROC-AUC 0.94。五折交叉验证平均准确率0.91±0.03，混淆矩阵显示32名改善者和19名未改善者被正确分类，表明模型具有良好的区分能力。
**讨论与结论**
讨论部分指出，AI机器人组的情绪、社交和功能改善幅度最大，但传感器机器人的更高依从性揭示了治疗有效性与易用性之间的权衡，支持认知负荷理论（Cognitive Load Theory, CLT）的假设，即个性化需平衡交互复杂度。研究结论翻译如下：
**5.1 研究总结**：本研究调查了自适应AI社交机器人、传感器社交机器人和常规护理对轻度至中度认知障碍老年人的影响。结果表明，AI干预在情绪健康、社交互动和功能独立性方面取得最有利结果。AI组抑郁和焦虑显著减少，社交参与增加，自主性和功能表现改善。尽管传感器机器人依从性略高，但治疗效果较弱。多准则分析确认AI干预提供最大临床获益，支持其作为个性化非药物方法的潜力。
**5.2 优势、创新与局限**：主要优势在于将情绪自我监测、自适应交互、AI和MCDM整合为统一可解释框架。局限包括样本量中等、干预周期短、准实验设计及缺乏长期随访。AI组依从性略低强调需优化个性化与认知负荷的平衡。
**5.3 潜在应用与影响**：自适应AI系统可补充日间照料中心的作业治疗和认知刺激计划，帮助专业人员设计客观可解释的个性化干预。整合情绪、社交和功能指标的综合评估模型支持决策过程。部署策略应根据环境调整：AI机器人在专业监督的养老院中更有优势，而简单传感器系统适用于家庭护理。
**5.4 未来方向**：需通过多中心随机对照试验验证框架，延长随访评估可持续性，并探索动态调整交互复杂性的策略，以平衡治疗效果与长期依从性。整合生理、行为和环境数据，结合可解释AI和实时决策支持，可进一步提升个性化预测精度和临床接受度。
