10、可解释的人类活动分类：从传感器数据中获取洞察

可解释的人类活动分类：从传感器数据中获取洞察

1. 引言

如今，物联网（IoT）技术的应用极为广泛，数以百万计的人和数十亿的物体都在使用它，且其使用规模预计在未来还会呈指数级增长。物联网系统由硬件、软件、数据和服务组件构成，不过其组件边界尚不明确，处理和分析物联网产生的异构数据也颇具挑战。

机器学习（ML）算法在物联网系统中有诸多用途，如优化、估计、模式识别、数据分类等。同时，在许多领域都在寻找最优且可解释的机器学习模型，尤其是可解释性对于包含异构传感器数据的多硬件/软件组件和系统至关重要。

可解释人工智能（XAI）因机器学习模型决策的信任问题而备受关注，它能在不影响模型性能的前提下，提供更具可解释性的机器学习模型，增强人类对模型的信任。人类活动分类（HAC）可通过分析视频或物联网传感器数据自动正确地对用户的行为进行分类，但当前的HAC系统大多缺乏可解释性。

2. 研究目的与方法

本研究旨在为HAC问题提供一种基础、可解释且稳健的方法，为此提出了可解释人类活动分类（XHAC）方法。该方法利用MHEALTH数据集，通过对四种机器学习模型（决策树（DT）、部分决策树（PART）、朴素贝叶斯（NB）和K近邻（KNN））进行数据探索、预测解释和模型解释，以实现具有XAI的人类活动识别（HAR），并提高HAC模型组件（如传感器类型和位置）的可解释性。

同时，研究考虑了以下研究问题：
- R1：原始信号是否能提供有关相关人类活动的足够信息？
- R2：特征提取对于人类活动识别是否必要？哪些特征能提供最有意义的信息？
- R3：在预处理阶段，窗口大小对人类活动分类性能的重要性如何？
- R4