46、远程协同设计具身对话代理:与老年人的创新合作

远程协同设计具身对话代理:与老年人的创新合作

在当今数字化时代,具身对话代理(ECA)在与老年人的互动中展现出巨大潜力。本文将深入探讨远程协同设计 ECA 的相关研究,包括 ECA 的设计要求、评估结果、远程协同设计过程的经验以及未来的建议。

ECA 的设计与评估
  • 设计要求
    | 个性属性 | 重要性 |
    | — | — |
    | 成为一个好的倾听者,关注用户需求并适当回应 | 高 |
    | 能够根据专业知识提供额外信息 | 中 |
    | 使用简单语言,避免可能使用户困惑的技术或过于复杂的术语,以清晰简洁的方式沟通 | 高 |

  • 数字 ECA“Robin”的设计 :基于参与者的要求,开发了名为 Robin 的数字 ECA。Robin 具有性别中立的外观和名字,显示至少中年且为白人,仅展示面部和部分上半身。它可以通过改变嘴巴、眼睛和眉毛来展示六种面部表情(快乐、中立、惊讶、友好、恼怒和关怀)。对话内容包含与老年人健康相关的额外信息以及表达理解和确认用户选择的短语。

  • 评估结果

    • 系统可用性量表(SUS) :参与者对 Robin 的体验总体积极,平均得分 75 分(满分 100 分)。五名参与者中有四名认为 Robin 的可用性良好至优秀,得分在 77.5 至 90 分之间。一名参与者认为 Robin 在解释和选择干预措施方面不够恰当,因此给出了 37.5 分的低分
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值