摘要：研究人员使用人工智能 (AI) 来研究婴儿如何从随机动作转变为有目的的动作。通过跟踪婴儿移动实验中的婴儿动作，2D-CapsNet 等人工智能模型可以准确地对这些动作进行分类，并识别出婴儿在学习与环境互动时足部动作的显着变化。
研究表明，婴儿探索在失去对手机的控制后，会出现更多的情况，表明他们渴望与周围环境重新建立联系。这项研究凸显了人工智能在分析早期婴儿行为和提高对运动发育和学习的理解方面的潜力。
关键事实：
来源：FAU
计算和人工智能的最新进展以及对婴儿学习的见解表明，机器和深度学习技术可以帮助我们研究婴儿如何从随机探索性运动过渡到有目的的行动.
大多数研究都集中在婴儿的自发运动上，区分烦躁和非烦躁行为。
虽然早期的运动可能看起来很混乱，但当婴儿与环境互动时，它们揭示了有意义的模式。然而，我们仍然缺乏对婴儿如何有意识地与周围环境接触以及指导他们以目标为导向的行动的原则的了解。
通过进行自 20 世纪 60 年代末以来用于发展研究的婴儿移动实验，佛罗里达大西洋大学研究人员和合作者研究了婴儿如何开始有目的地行动。
婴儿移动实验使用一个彩色移动装置轻轻地拴在婴儿的脚上。当婴儿踢时，移动设备就会移动，将他们的动作与他们所看到的联系起来。这种设置可以帮助研究人员了解婴儿如何控制自己的运动，并发现他们影响周围环境的能力。
在这项新工作中，研究人员测试了人工智能工具是否能够捕捉到婴儿运动模式的复杂变化。使用 Vicon 3D 动作捕捉系统跟踪的婴儿动作被分为不同类型，从自发动作到移动设备移动时的反应。
通过应用各种人工智能技术，研究人员研究了哪种方法最能捕捉婴儿的细微差别。不同情况下的行为以及运动如何随着时间的推移而演变。
发表在《科学报告》上的这项研究结果强调，人工智能是了解早期婴儿发育和互动的宝贵工具。机器学习和深度学习方法都准确地将 3D 婴儿动作的五秒片段分类为属于实验的不同阶段。
在这些方法中，深度学习模型 2D-CapsNet 表现最好。重要的是，对于所有测试的方法来说，脚部的运动准确率最高，这意味着，与身体的其他部位相比，脚部的运动模式在实验的各个阶段变化最为显着。
这一发现意义重大，因为人工智能系统没有被告知有关实验或婴儿身体的哪一部分连接到移动设备的任何信息。
这表明作为末端执行器的脚是FAU 查尔斯·E·施密特理学院复杂系统和脑科学中心的合著者、格伦伍德和玛莎·克里奇杰出科学学者 Scott Kelso 博士表示，受与手机交互的影响最大。
换句话说，婴儿与环境的联系方式在与世界的接触点上影响最大。在这里，首先是脚。
2D-CapsNet 模型在分析脚部运动时的准确率达到 86%，并且能够捕获运动过程中不同身体部位之间的详细关系。在所有测试的方法中，足部运动始终显示出最高的准确率，比手、膝盖或全身的运动高出约 20%。
我们发现，与手机断开连接后，婴儿的探索次数比他们在有机会控制它之前就这么做了。FAU 复杂系统与中心中心的合著者、博士后研究科学家 Aliza Sloan 博士表示，失去控制手机的能力似乎让他们更渴望与世界互动，寻找重新连接的方式。脑科学。
然而，一些婴儿在这个断开连接的阶段表现出运动模式，其中包含他们早期与手机互动的暗示。这表明，只有某些婴儿能够很好地理解他们与手机的关系，从而能够维持这些运动模式，并期望即使在断开连接后，他们仍然会从手机中产生响应。
研究人员表示，如果准确性在断开连接期间，婴儿运动的次数仍然很高，这可能表明婴儿在早期的互动中学到了一些东西。然而，就婴儿的发现而言，不同类型的动作可能意味着不同的事情。
值得注意的是，研究婴儿比研究成人更具挑战性，因为婴儿无法进行口头交流，南希·亚伦·琼斯博士说.D.，共同作者，FAU 心理学系教授，FAU WAVES 实验室主任，以及 Charles E. Schmidt 理学院复杂系统和脑科学中心成员。
成人可以遵循指示并解释自己的行为，而婴儿则不能。这就是人工智能可以提供帮助的地方。人工智能可以帮助研究人员分析婴儿动作甚至静止状态的细微变化，让我们深入了解他们的思维和学习方式，甚至在他们会说话之前。他们的动作还可以帮助我们理解婴儿发育过程中发生的巨大个体差异。
观察每个婴儿的人工智能分类准确性如何变化，为研究人员提供了一种新的方法来了解他们何时以及如何开始与世界互动。
虽然过去的人工智能方法主要侧重于对与临床结果相关的自发运动进行分类，但将基于理论的实验与人工智能相结合将帮助我们更好地评估与其特定相关的婴儿行为凯尔索说。这可以改善我们识别风险、诊断和治疗疾病的方式。
研究的共同作者是第一作者 Massoud Khodadadzadeh 博士，他曾在北爱尔兰德里的阿尔斯特大学工作，现在在贝德福德郡大学工作， 英国;和英国巴斯大学的 Damien Coyle 博士。
资金：该研究得到了北爱尔兰高性能计算设施提供的第 2 层高性能计算资源的支持，该设施由英国工程与物理科学研究委员会；英国研究与创新图灵人工智能奖学金（2021-2025），由工程与物理研究委员会副校长研究奖学金资助；贝德福德郡大学应用计算研究所；FAU 基金会（杰出科学学者）；和美国国立卫生研究院。
作者：Gisele Galoustian
来源：FAU
联系人：Gisele Galoustian FAU
图片：该图片来源于《神经科学新闻》
原始研究：开放获取。
斯科特·凯尔索等人的人工智能检测 3 个月大婴儿与环境功能关系的意识。科学报告
摘要
人工智能检测三个月大婴儿对与环境功能关系的意识
最近的一项实验探讨了生命早期如何出现有目的的行动通过操纵婴儿与环境中物体的功能连接（即将婴儿的脚拴在彩色手机上）。
此处使用来自多个婴儿关节的 Vicon 运动捕捉数据来创建关节位移直方图 (HJD)）为 3D 婴儿空间轨迹生成基于姿势的描述符。
使用 HJD 作为输入，机器和深度学习系统的任务是对从中采样运动数据片段的实验状态进行分类。测试的架构包括 k 最近邻 (kNN)、线性判别分析 (LDA)、全连接网络 (FCNet)、一维卷积神经网络 (1D-Conv)、一维胶囊网络 (1D-CapsNet)、2D-Conv和 2D-CapsNet。
滑动窗口场景用于时间分析，以搜索与功能环境相关的婴儿运动的拓扑变化。kNN 和 LDA 通过单关节特征实现了更高的分类精度，而深度学习方法（尤其是 2D-CapsNet）在全身特征上实现了更高的精度。
对于测试的每个 AI 架构，足部活动的测量显示了不同实验阶段最明显和连贯的模式变化（反映在最高的分类准确率上），表明与世界的互动对有机体与世界连接部位的婴儿行为影响最大。