基于SHAP驱动的多模态数据分析：工业安全应用中行为阶段预测的创新框架

《Scientific Reports》：SHAP-driven insights into multimodal data: behavior phase prediction for industrial safety applications

本研究针对煤矿工人不安全行为导致事故频发的问题，开发了一种基于人工智能和机器学习的行为状态预测框架。通过采集EMG、SKT、EDA、RESP、PPG等生理信号，研究人员评估了8种机器学习算法，其中XGBoost模型表现最优，准确率达97.78%。利用SHAP（Shapley Additive Explanations）方法识别出心率变异性总功率（TP/ms2）、肌电信号中位频率（EMF）等关键特征，揭示了不同行为阶段的生理变化规律，为实时安全预警系统提供了理论支持和技术方案。

　　

煤矿开采作为全球能源供应的重要支柱，始终伴随着极高的安全风险。尽管安全法规和技术不断创新，但煤矿事故发生率仍居高不下，造成重大人员伤亡和经济损失。研究表明，矿工的不安全行为是导致事故的主要原因，包括违反安全规程、忽视环境危险等。传统安全管理方法主要依赖人工检查和事后分析，缺乏实时监控和预警能力，难以应对地下采矿环境的动态高风险特性。

为解决这一难题，中国矿业大学（北京）应急管理与安全工程学院李相春团队在《Scientific Reports》发表了一项创新研究，开发了一种基于多模态数据的行为状态预测框架。该研究通过模拟煤矿维修任务，采集50名男性大学生在基线、准备和执行三个阶段的生理信号，包括肌电图（EMG）、皮肤温度（SKT）、皮肤电活动（EDA）、呼吸（RESP）和光电容积脉搏波（PPG）等数据，结合机器学习算法和SHAP解释性分析，实现了对不安全行为的精准预测。

研究团队采用实验室模拟实验设计，使用ErgoLAB平台采集被试者在电路维修任务中的生理响应。实验环境模拟高瓦斯风险的地下煤矿条件，包含静电发生器、三通接线盒等设备。参与者需按照煤矿电气维护规程完成操作，任何不安全行为（如未戴手套作业、未断开电源等）都会被记录并用于后续数据分析。

在数据处理阶段，研究人员对EEG信号进行了带通滤波（0.1-30 Hz）和独立成分分析（ICA）去噪处理，确保数据质量。随后评估了8种机器学习算法的性能，包括XGBoost、随机森林（RF）、K近邻（KNN）等，采用10折交叉验证进行超参数优化。结果显示XGBoost模型表现最优，准确率达到97.78%，召回率98.25%，F1分数97.86%。

SHAP分析揭示了不同行为阶段的关键生理特征。在准备阶段，总功率（TP/ms²）和呼吸幅度差（Range）是最重要的预测指标；而在执行阶段，TP/ms²和肌电信号中位频率（EMF）影响力最为显著。通过决策树分割方法，研究还确定了各特征的临界阈值，如γ波在-14.01处出现贡献方向转变，为行为预警提供了量化标准。

关键技术方法主要包括：1）通过ErgoLAB平台采集多模态生理信号（EMG、SKT、EDA、RESP、PPG）；2）使用带通滤波和ICA对EEG信号进行预处理；3）采用10折交叉验证优化8种机器学习算法超参数；4）应用SHAP方法进行特征重要性分析和模型解释；5）利用决策树回归识别特征值的临界阈值。实验对象为50名21-30岁男性大学生，通过模拟煤矿维修任务收集行为数据。

模型开发与评估结果显示，XGBoost在多项指标上均优于其他模型。其混淆矩阵显示对三个行为阶段都具有高分类精度，特别是执行阶段的识别效果最佳。SHAP蜜蜂图分析表明，TP/ms²在不同行为阶段都保持最高重要性，而EMF和Range的特征贡献呈现明显的分段效应。

行为状态规则提取部分通过决策树分割确定了关键特征的阈值范围。在准备阶段，γ波低于-14.01时SHAP均值为0.58，呈现正向贡献；RMS低于17.45时均值为0.51；EMF低于0.42时均值达0.83。在执行阶段，TP/ms²高于25543.53时SHAP均值为0.51；Range低于10.99时均值达1.00；SPF高于10.90时均值为0.37。这些阈值为实际应用提供了明确的干预标准。

讨论部分指出，该研究的创新性在于将多模态生理数据与行为阶段预测相结合，并通过SHAP方法提供了可解释的决策依据。然而，使用学生而非真实矿工作为实验对象可能限制结果的普适性，未来需要在真实工作场景中进一步验证。此外，SHAP分析主要揭示相关性而非因果关系，后续研究可结合实验干预探讨生理参数与行为间的因果机制。

结论表明，该研究提出的框架为煤矿安全管理提供了新的技术路径。基于XGBoost的集成学习算法在处理多模态数据方面展现优势，TP/ms²等关键特征的识别为实时监测系统设计提供了重要参考。通过确定特征阈值和行为规则，该系统可实现早期预警和个性化干预，有效提升煤矿作业安全性。研究成果对高风险行业的智能安全管理具有重要推广价值。