通过整合交互式的社交感知虚拟助理到神经康复机器人框架中，本研究的主要目标是重现与面对面康复会议相关的社交方面。我们还进行了一项可行性研究，测试了健康患者对该框架的反应，初步结果表明参与者表现出了适应系统的倾向。值得注意的是，在所提出的锻炼中，交互式助理的存在并没有分散注意力，而是积极地促进了用户的参与度。

Jun, 2024

本文介绍了一种新型机器人神经康复训练系统，结合了康复设备、信号分类方法、监督式机器学习模型以及社交互动代理人作为用户界面，能够根据患者特定需求进行训练并让患者进行独立康复训练。

Jun, 2022

通过统计分析及机器学习方法，我们研究了康复运动对中风患者后期功能能力的改善，以及对功能能力改善的预测性。我们使用了患者康复运动和人口统计信息记录在非结构化电子健康记录（EHRs）数据和自由文本康复疗程笔记的数据集，共收集了来自匹兹堡大学医学中心的 265 名中风患者的数据。我们运用现有自然语言处理（NLP）算法提取了康复运动的数据，并开发了基于规则的 NLP 算法从疗程笔记中提取了 AM-PAC（基本移动和应用认知）评分。通过对 AM-PAC 评分的变化进行分类，我们采用最小临床重要差异（MCID）为基准，使用 Friedman 和 Wilcoxon 检验来评估显著性。为了确定具有决定性影响的锻炼，我们使用卡方检验、费舍尔精确检验以及逻辑回归计算了奇数比率。此外，我们开发了五个机器学习模型 —— 逻辑回归（LR）、Adaboost（ADB）、支持向量机（SVM）、梯度增强（GB）和随机森林（RF）—— 来预测功能能力的结果。统计分析显示功能改善与特定锻炼之间存在显著关联。RF 模型在预测功能结果方面表现最好。在这项研究中，我们确定了三种康复运动，在头两个月内对中风患者的功能能力改善起到了显著的贡献。此外，成功应用机器学习模型预测特定患者的功能结果突显了精准康复的潜力。

May, 2024

通过对巴黎一家日间照料养老院中装备有社交和对话交互能力的全尺寸人形机器人进行两波实验，本文试图部分回答多模态对话能力的社交互动机器人在实际环境中是否有用并被接受的问题

Apr, 2024

本研究介绍一种基于规则的自然语言处理算法，可以从非结构化的电子健康记录中标注中风患者的治疗过程，与几个小型机器学习模型进行比较，并发现我们的算法在提取足够数据可用的一半概念方面表现优异，并且每个概念的个别运动描述可以分配二进制标签，f-score 不低于 0.75。

Mar, 2023

开发一种社交机器人，通过自动化规划帮助儿童应对医疗操作中的疼痛和不适感，机器人行为会根据儿童的情感状态进行自适应调整。

Oct, 2022

通过引入一种新的监督对比学习框架，该框架结合了硬负样本和软负样本，利用整个数据集训练一种适用于所有运动类型的单个模型，从而提高了运动评估的泛化能力，并降低了总体复杂性，我们的方法在多个数据集上展示了胜过现有方法的结果，创立了康复运动评估准确性的新的基准。

Mar, 2024

本研究提出了基于 HRNet 的康复监测系统，该系统可通过患者的智能手机提醒其何时执行康复动作，并展示动作的视频，同时帮助治疗师监测患者的康复进展，本系统的相似度计算的 F1 得分高达 0.9，动作次数的软准确性高达 90％以上。

Jun, 2023

个性化适应性干预的规划和实施存在挑战，本研究介绍了在线强化学习代理实施个性化干预的可行性和有效性的 N-of-1 试验设计，结果显示适应性干预能增加患者效益，但设计和实施过程变得更为复杂，同时需要利用之前干预研究的数据来量化预期效益。

Sep, 2023

本项目通过引入多智能体强化学习，创造了一款竞争人类的机器人选手 - Fencing Game，评估了机器人选手的能力和用户体验，用户研究发现它能够持续创造具有挑战性和愉悦性的交互，能有效增加人体心率，被绝大多数受试者认为是有趣且能提升锻炼质量的系统。

Feb, 2022