AI强度相关的研究：康复游戏中难于调整的多周期强化学习

通常，治疗游戏的难度级别由治疗师手动调节。 但是，基于家庭的康复游戏需要用于自动难度调整的技术。 本文提出了一种针对康复游戏的个性化难度调整技术，该技术可根据患者的技能实时自动调节难度设置。 为此，强化学习的思想被用来动态调整游戏的难度。 我们表明难度调整是一个多目标问题，其中一些目标可能在不同时期进行评估。 为了解决这个问题，我们提出并使用多周期强化学习（MPRL），使您可以在不同的时期评估难度调整的不同目标。 实验结果表明，MPRL的用户满意度参数优于传统的多目标强化学习（MORL），并且提高了患者的运动技能。

简介

康复计划是这种情况下恢复的重要部分，可以帮助患者进行认知评估和康复。 有效的康复技术可以帮助患者恢复失去的技能，并再次变得独立。 康复的重点是增强运动，协调或运动控制的范围。 这可以通过执行包括伸手和抓地力的任务来实现。 除了康复过程中的质量和身体活动量外，在治疗过程中积极参与和患者参与至关重要。 但是，康复活动通常被设计为重复的任务，使患者感到沮丧和疲倦。 研究表明，享受康复任务的患者在给定的活动中花费更多的时间发展其技能。 结果，将康复任务设计为治疗游戏可以产生积极的康复环境。 通过增强具有身体和认知意义的锻炼，这种严肃的游戏可以增加康复的数量。

了解康复游戏的特征以及这些特征对游戏难度的影响至关重要。 这使得治疗师可以操纵强度，持续时间，挑战和频率以激励患者。 通过使用动态难度调整（DDA）自动保持患者的血流状态，可以根据用户的技能来适应任务的挑战。正如上述所述，根据玩家能力调整游戏难度时，玩家会更加沉迷于游戏中。

康复游戏的难度级别通常由治疗师在治疗过程中配置。 因此，当游戏难度超出患者的能力范围或挑战性不足时，治疗师将操纵设置来调节游戏。 在[12]中，提出了五个治疗性游戏练习，其中每个练习都涉及一组手动调节的难度参数。 [14]和[15]部分地解决了这个问题，其中，游戏的难度是根据开始时玩家的静态配置文件自动确定的。 但是，随着时间的推移，玩家的技能会发生变化，这需要手动操作参数。

在计算机游戏中实现动态难度调整（DDA）的另一种方法是使用行为规则。 这些规则是在游戏开发阶段基于特定领域的知识定义的。 在Hunicke和Chapman的方法[16]中，游戏设置由一组规则控制。 例如，当游戏太困难时，玩家会收到更多武器或面对更少的对手。 不仅手动定义这样的静态规则是耗时且容易出错的，而且由于游戏和玩家的动态性质，确定选择规则的条件并非易事。 为了解决这个问题，在[17]中提出了一种动态脚本技术，其中基于成功率或失败率将概率分配给选择规则。 但是，随着游戏复杂性的增加，建立和维护这样的规则和概率变得不切实际。

本文提出了一种个性化的难度调整模块，可以根据患者的病情来调整游戏难度。 该系统利用认知过程来在感知和行动之间进行调解。 该模块考虑了缺陷和患者行为的个体差异，以优化康复效果。 本文提出的个性化难度调整系统的总体过程如图1所示。为了实现动态难度调整，我们采用了强化学习（RL）的思想来根据患者的技能调整游戏难度。 本文提出了一种多周期强化学习（MPRL），其中可以在不同的阶段评估不同的目标。我们认为这种技术可以为病人创造游戏体验，其中任务难度适合于其游戏的能力。这样的体验通过满足用户满意度指标来支持玩家的动力。 特别是，本文提出了一种适应性治疗游戏，以改善手臂的功能。 该系统采用了多次强化学习（MPRL），可以在不同的时期处理难度调整的不同目标。 进行了一项中期研究，以评估所提出系统改善患者技能的有效性

DYNAMIC DIFFICULTY ADJUSTMENT(DDA)

难度调整被定义为寻找适当策略以选择能够在游戏中提供良好平衡的游戏属性的过程。 根据流动理论[19]，[20]，游戏的感知挑战取决于玩家的技能。 基于动机和学习之间的关系理论[21]，在中级唤醒水平上可获得人类最有效的表现。 因此，必须调节和平衡游戏的难度（既不难也不易）。 根据该理论，至关重要的是个性化的难度级别，以每个用户自己的能力级别来挑战。 由于可以使用各种属性指定游戏的难度，因此手动调整游戏难度并不是一件容易的事࿰