基于深度学习模型的骑乘马匹情绪状态解码：多模态特征融合与模型可解释性研究

本研究针对骑乘马匹福利评估缺乏自动化工具的难题，创新性地结合HGS和RHpE双标注体系，通过YOLOv8x和Faster R-CNN构建头部/身体裁剪数据集，采用VGG16/Xception迁移学习与模型堆叠技术，实现87%准确率的情绪分类。LIME解释模型发现其关注特征与专家标注高度一致，为马术运动伦理规范提供了AI驱动的客观评估范式。

　　

论文解读

马术运动中骑乘马匹的福利问题日益受到关注，但传统评估方法存在显著局限。专家需通过视频逐帧分析马匹的耳朵姿态（如向后贴附表示不适）、眼部肌肉紧张度、尾巴摆动等特征，这种人工标注不仅耗时（单次分析需数小时），且存在主观偏差（需双人独立验证）。更棘手的是，关键指标如"头部垂直位后置（head-behind-the-vertical）"的细微差异难以肉眼判断，而研究表明这种姿势与皮质醇水平升高直接相关。尽管已有研究尝试用AI识别马匹疼痛（如基于Horse Grimace Scale的75.8%三分类准确率），但针对骑乘状态的动态评估仍属空白。

法国农业食品与环境研究院（INRAE）的Romane Phelipon团队在《Scientific Reports》发表的研究，首次将多模态深度学习应用于骑乘马匹情绪解码。研究团队构建了1036张图像数据集（546舒适/490不适），涵盖250+品种马匹在盛装舞步、障碍赛等场景下的骑乘状态。通过创新性融合HGS（马匹疼痛表情量表）和RHpE（骑乘马疼痛行为量表）双标注体系，系统标注了耳部位置、眼部张力等5类关键特征。

关键技术包括：（1）采用YOLOv8x和Faster R-CNN分别创建马体/头部裁剪数据集；（2）设计四模块CNN基础架构（含批量归一化与L1/L2正则化）；（3）基于Hyperopt库进行贝叶斯超参数优化（批大小8-32、学习率0.01-0.0001）；（4）对VGG16/Xception等7种预训练模型进行微调（解冻最后卷积层）；（5）使用LIME/SHAP/Grad-CAM三种可解释性方法验证特征重要性。

研究结果

预处理
分辨率增强（256×256）与数据增强（旋转/错切等）使基础模型准确率提升4%。头部裁剪数据集表现最优（70.48%准确率），尽管缺失尾部特征，但聚焦面部细节的特性使其优于身体裁剪数据集（66.65%）和原始数据集（63.59%）。

模型性能
Xception在256×256分辨率下取得76.97%测试准确率。模型堆叠策略（VGG16+Xception）使头部数据集性能达到峰值：准确率87%、召回率97%（意味着几乎不漏诊舒适状态）。值得注意的是，模型对"轻微头部后置"案例仍判定为舒适，暗示其能像专家一样评估超屈曲程度。

模型解释
LIME在识别关键特征方面最具一致性：

• 舒适预测：聚焦闭合口腔（权重79%）与耳部前倾
• 不适预测：检测到眼部肌肉紧张（权重68%）与耳部后贴
  SHAP和Grad-CAM还发现模型会关注骑手手部动作（如缰绳张力），这与马匹应激研究结论吻合——缰绳压力会导致心率升高与冲突行为。

结论与意义
该研究首次证明深度学习可有效解码骑乘马匹复杂情绪状态，其87%的准确率显著优于前人工作（Corujo等2021年的65%）。模型不仅复现了专家标注特征（如耳部位置），还自主发现骑手操控等新关联因素。研究存在的局限性（如静态图像缺乏动态信息）为未来指明方向：开发视频分析系统、建立全球解释框架、集成生理参数（如心率）多模态评估。这项成果为马术行业提供了客观的福利监测工具，对促进"马匹友好型"骑乘规范具有重要实践价值。