基于可解释人工智能（XAI）与穿戴式传感器数据的犬类行为解码研究及其在兽医学中的应用价值

本推荐结合可解释人工智能（XAI）与多传感器数据，利用机器学习（ML）对19种犬类行为进行高精度分类。随机森林（Random Forest）模型表现最优，准确率达96.1%。研究通过SHAP框架揭示行为分类的生物力学机制，如“俯卧（Lying Chest）”主要受背部传感器垂直/横向运动影响，而“小跑（Trotting）”则更多依赖颈部轴向与转动 dynamics。该成果为动物健康监测、训练优化及福利评估提供了可解释、可行动的AI解决方案。

　　

Highlight

利用可解释人工智能（XAI）与穿戴式传感器数据解析犬类行为机制，实现高精度、可解释的19类行为分类，推动兽医学与动物行为研究迈向数据驱动的新阶段。

Methods

本研究分析流程如图1所示。我们采用Vehkaoja等人（2021a, 2021b）公开发布的犬行为数据集，包含来自加速度计和陀螺仪的原始数据。数据经预处理确保质量与一致性后，我们训练了多种机器学习（ML）模型以分类19种不同行为。最优模型不仅依据准确率选出，还考虑了其可解释性分析的适用性。随后我们应用SHAP（SHapley Additive exPlanations）方法对模型预测进行局部与全局解释，揭示特征对分类结果的贡献。

Model predictions

五种机器学习模型的预测性能总结于图2。随机森林（Random Forest）表现最佳，准确率达96.1%，F1分数为95.8%，被证明是分类19类行为最有效的模型。K近邻（KNN）亦表现良好，准确率为85.3%，而XGBoost取得中等结果（准确率：70.4%）。相比之下，LGBM与AdaBoost模型表现较差。在测试模型中，随机森林因其优异的综合性能与可解释性潜力被选作后续分析的基础。

Discussion

与传统动物行为监测方法（如直接观察与视频追踪）相比，穿戴式传感器具备显著优势。观察性研究容易受人为主观偏差与实务限制影响，视频系统常需固定设施与受控环境，而穿戴设备可在多样场景中进行连续、客观、无干扰的数据采集。其高频运动信号实时捕捉能力，尤其适合于解析如“嗅闻（Sniffing）”或“小跑（Trotting）”等动态行为中细微的运动模式。本研究经过XAI增强的建模框架，不仅实现了高精度分类，更提供了行为背后的生物力学解释，如背部与颈部传感器所捕获的轴向运动与转动 dynamics 分别主导静态与动态行为判别。这些发现对兽医健康评估、训练方案优化与动物福利监测具有直接应用价值。