基于可穿戴传感器与可解释人工智能（XAI）的马匹行为分类研究：SHAP方法增强模型透明度与应用价值

本研究针对传统马匹行为观测存在主观性强、效率低下的问题，创新性地结合可穿戴传感器（加速度计/陀螺仪/磁力计）与可解释人工智能（XAI）技术，通过SHAP（Shapley Additive Explanations）方法解析17类马匹行为特征。研究团队采用随机森林（Random Forest）模型实现82.3%分类准确率，首次揭示不同传感器对特定行为的贡献规律：加速度计主导运动行为（如疾驰），磁力计识别静态行为（如站立），陀螺仪捕捉应激行为（如摇头）。该成果为马匹健康监测与福利评估提供了可量化、可解释的技术范式，发表于《Journal of Equine Veterinary Science》。

　　

马匹行为研究长期以来依赖人工观察，这种方法不仅耗时耗力，还容易受主观判断影响。随着传感器技术的发展，科学家们开始尝试用加速度计等设备记录动物运动数据，但海量数据背后隐藏的规律却难以被传统方法解读。更棘手的是，尽管机器学习模型能实现较高分类准确率，其"黑箱"特性让兽医和驯马师难以信任这些结果。如何让AI既"聪明"又"透明"，成为提升马匹健康管理水平的关键瓶颈。

来自未知机构的研究团队Bekir Cetintav和Ahmet Yalcin在《Journal of Equine Veterinary Science》发表的研究，开创性地将可解释人工智能（Explainable AI, XAI）引入马匹行为分析。他们利用公开数据集"Horsing Around"，该数据集包含18匹马颈圈佩戴的100Hz采样三轴传感器（加速度计、陀螺仪、磁力计）记录的17类行为数据。通过比较随机森林（Random Forest）、K近邻（KNN）、XGBoost等7种算法，最终选择表现最优的随机森林模型（准确率82.3%），并采用SHAP值进行特征归因分析，首次清晰揭示了不同传感器模态对特定马匹行为的贡献机制。

【数据来源与预处理】
研究采用Kamminga等发布的开放数据集，传感器固定于马颈圈位置，包含7天连续采集的加速度、角速度和磁场强度数据。通过滑动窗口分割和特征工程提取561个时域/频域特征，为后续建模奠定基础。

【ML建模】
在对比的7种机器学习模型中，随机森林展现出全面优势（准确率0.823，F1分数0.807）。其优异表现归因于对高维特征交互作用的捕捉能力，特别适合处理马匹行为数据中复杂的非线性和时序特征。

【讨论】
SHAP分析揭示了传感器与行为的对应规律：运动行为如"骑乘慢步"主要依赖加速度计X轴和Z轴特征，反映步态周期性；"疾驰"则与加速度计所有轴的幅值高度相关。静态行为如"站立"显著依赖磁力计Z轴数据，反映头部空间方位。值得注意的是，应激行为"摇头"的SHAP热图显示陀螺仪Y轴角速度起决定性作用，这为早期发现马匹不适提供了量化指标。研究还发现传感器组合的互补性——例如"啃咬"行为需要加速度计和陀螺仪共同识别下颌运动特征。

【结论】
该研究通过XAI技术破解了马匹行为分析的"黑箱"难题，建立首个可解释的多传感器行为分类体系。其创新性体现在三方面：技术层面证实100Hz采样率足以捕捉细微行为特征；方法学层面证明SHAP能有效解析动物行为模型的决策逻辑；应用层面为每类行为标注出关键传感器指标，使AI结果可直接指导兽医实践。这项研究不仅为马匹福利监测设立新标准，其"传感器-XAI"框架更可推广至其他畜禽行为研究领域，推动智慧养殖向透明化、可信化方向发展。