《AI》：SHAP-Driven Explainable EDA Biometrics: Feature Importance, Selection, and Recognition
编辑推荐：
生理信号因包含可支持个体身份识别的个体特异性特征而在生物特征识别中受到日益增长的关注。然而，皮肤电活动（ElectroDermal Activity, EDA）相较于其他生理模态仍研究不足。本研究评估了基于EDA的生物特征识别在不同记录部位和生理条件下的表现，
生理信号因包含可支持个体身份识别的个体特异性特征而在生物特征识别中受到日益增长的关注。然而，皮肤电活动（ElectroDermal Activity, EDA）相较于其他生理模态仍研究不足。本研究评估了基于EDA的生物特征识别在不同记录部位和生理条件下的表现，重点关注手部与足部信号。记录信号被划分为重叠时间窗，从中提取了48个特征，涵盖统计、时间、面积、动态、紧张性、相位性、频率和复杂度等特性。采用经清除的受试者内交叉验证评估了六种机器学习分类器。手部与足部信号分别分析，随后通过特征级融合进行组合，形成96维特征表示。SHAP（SHapley Additive exPlanations）仅应用于训练数据以对特征重要性进行排序并防止信息泄漏。随后使用所选特征重新训练分类器并评估特征约简的效果。在手-足融合实验中，多层感知机（Multi-Layer Perceptron, MLP）在使用40个SHAP所选特征时达到平均准确率68.35%，而使用全部96个特征时为68.31%，对应特征维度减少58%且识别准确率无统计学显著损失（p = 0.275）。K近邻（K-Nearest Neighbors, KNN）在特征约简中表现出最大提升，从96个特征时的55.90%提升至40个特征时的63.43%，绝对提升7.53个百分点，经配对Wilcoxon符号秩检验具有统计学显著性（p = 0.00195）。SHAP分析识别出统计、紧张性和面积类特征为对受试者识别贡献最大的特征。结果表明特征约简具有分类器依赖性效应，而SHAP可为每个模型识别合适的特征子集。总体而言，EDA在跨记录部位和生理条件下包含受试者特异性信息，支持其作为可穿戴生物特征模态的潜力及其未来与互补生理信号的整合。
研究背景方面，生理信号因蕴含个体特异性特征而在生物特征识别领域受到越来越多的关注，但皮肤电活动（ElectroDermal Activity, EDA）相较于其他生理模态的研究仍相对匮乏。EDA反映自主神经系统活动的变化，包含可能携带受试者特异性模式的紧张性（tonic）和相位性（phasic）成分，且可通过紧凑、低成本的可穿戴传感器采集，适合连续且非侵入式的生物特征应用。然而，尽管EDA已被广泛用于情绪识别和相关情感状态分析，其作为受试者身份识别生物特征信号的系统性研究仍然有限，尤其在可解释性、记录部位效应、任务相关变异性和特征约简等方面存在明显空白。现有可解释人工智能（Explainable Artificial Intelligence, XAI）在生物特征识别中的应用主要集中于面部、行为（触摸笔迹、击键动力学）以及心电图（Electrocardiography, ECG）、脑电图（Electroencephalography, EEG）、光电容积脉搏波（PhotoPlethysmography, PPG）和步态等模态，而针对EDA生物特征识别的可解释性分析尚不充分。此外，多记录部位对EDA生物特征识别的影响尚未从可解释性角度得到足够关注，简单组合不同部位特征可能增加表示维度却未必改善识别性能，因此需要构建一个整合EDA特征提取、生物分类、多模态特征融合和可解释特征分析的统一框架。基于上述问题，研究人员开展了系统性研究，将EDA特异性可解释性、跨任务性能分析、记录部位比较、SHAP特征重要性与稳定性评估、手-足特征融合以及SHAP引导的特征约简整合于受试者识别框架之中，通过两个互补实验分别评估不同任务情境（静息、社交和认知活动）下的EDA生物特征识别性能以及记录部位（手部与足部）的影响，并进一步确定大幅约简的可解释特征表示能否在单部位及其融合中保持识别性能。
在技术方法方面，研究人员将可穿戴设备采集的原始信号划分为20秒窗口、10%重叠，采用保留时间顺序的连续时间块划分并在训练与测试块之间引入清除间隔以防止数据泄漏，共提取48个涵盖统计、时间、面积、动态、紧张性、相位性、频率和复杂度八类的特征。采用经清除的受试者内10折交叉验证评估六种分类器（逻辑回归（Logistic Regression, LR）、K近邻（K-Nearest Neighbors, KNN）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）和多层感知机（Multi-Layer Perceptron, MLP））。SHAP仅基于训练数据计算特征重要性并用于特征排序与子集构建，采用配对Wilcoxon符号秩检验进行统计比较。实验数据来源于两个公开数据集：UBFC-Phys数据集（56名受试者，Empatica E4腕带采集EDA，4 Hz）用于实验1，PhysioNet Stress Recognition in Automobile Drivers数据集用于实验2。
研究结果方面，实验1基于UBFC-Phys数据集在三个任务阶段分别分析。在T1静息条件下，使用全部48个特征时RF取得最高分类准确率57.1%，被选用于后续SHAP分析，研究人员通过逐步缩减最高排名特征子集考察了移除低排名特征对识别的影响，并对前25个平均绝对SHAP值最高特征的跨折稳定性及特征组水平贡献进行了分析。在T2言语任务中，同样使用全部48个特征时RF取得最高准确率并被选用于SHAP分析，研究人员考察了基于SHAP排序的特征子集缩减对识别性能的影响及前25个特征的贡献。在T3算术任务中，RF在使用全部48个特征时表现最佳，研究人员基于SHAP平均绝对值排序构建逐步缩减的特征子集并比较其与全特征配置的性能，同时分析了最高排名特征的跨折稳定性。跨任务SHAP分析显示特征重要性高度一致：T1选出的25个特征均出现在T2和T3的SHAP排名中，其中16个在三项任务中均保持前25位；任务间Spearman秩相关系数分别为T1-T2（ρ = 0.822, p < 0.001）、T1-T3（ρ = 0.836, p < 0.001）、T2-T3（ρ = 0.806, p < 0.001），均具有统计学显著性。保持最一致的特征主要为统计量（均方根（Root Mean Square, RMS）、中位数、均值、最大值和最小值）以及紧张性和面积类特征，动态和时间特征也表现出稳定贡献，而频率和复杂度特征跨任务变异较大。实验2基于PhysioNet数据集进行手-足融合分析，按记录标识和窗口标识在窗口水平对齐手部与足部特征，构建96维融合特征向量，最终融合数据集包含3889对匹配的记录-窗口对。单模态实验中，足部信号在使用MLP时取得最高判别准确率，手部信号在使用RF时表现最佳；融合手-足特征后MLP在全部96个特征下取得最高平均准确率68.31%。SHAP分析显示最有用的特征分布在手部和足部数据之间，表明两个记录部位均包含判别性生物特征信息。特征约简效果因分类器而异：MLP从96个特征缩减至40个SHAP所选特征后维度减少58.3%，准确率从68.31%变为68.35%，差异无统计学显著性（p = 0.275）；KNN从96个特征时的55.90%提升至40个特征时的63.43%，绝对提升7.53个百分点，具有统计学显著性（p = 0.00195）；DT从60.26%提升至61.79%（+1.53个百分点，p = 0.508，不显著）；SVM从60.48%变为60.65%（+0.17个百分点，p = 0.945，不显著）；RF在全特征配置下无统计学显著差异；LR则从96个特征时的61.75%显著下降至48个特征时的55.05%（p = 0.0098）。Hand、Foot和Hand-Foot融合三种配置的最优特征数量各不相同，表明有效身份识别所需的信息量取决于记录部位和特征级融合的使用。
讨论部分指出，方法学局限性主要涉及机器学习和深度学习结果的可重复性与稳定性：尽管数据划分、特征选择流程、模型配置和评估协议在各折间保持一致，但参数初始化、随机种子选择、小批量排序和优化动态等随机因素仍可能导致学习结果在重复运行间产生变异，未来工作应纳入多次多随机种子实验和替代数据划分策略以量化性能变异。研究结论部分译为：本研究考察了皮肤电活动（EDA），亦称皮肤电反应（Galvanic Skin Response, GSR），在不同实验条件和传感器放置下作为生理生物特征信号的潜力。结果表明EDA包含可支持跨不同行为条件下生物特征识别的受试者特异性信息，同时识别性能在任务间存在差异，表明与记录条件相关的生理和行为变化可影响EDA捕获的生物特征信息，这些发现强调需要在多样化条件下而非单一受控场景中评估生理生物特征系统。传感器放置分析表明EDA采集部位影响识别性能和特征重要性，手部与足部信号共享若干重要特征而其他特征表现出位置依赖性贡献，这种重叠及两记录部位间的差异表明EDA捕获的生物特征信息在不同身体部位间并非完全冗余，手-足融合结果进一步显示两个部位均有贡献，表明组合不同解剖部位的测量可提供互补的受试者识别信息。SHAP分析提供了考察特征贡献和评估特征约简的额外手段，结果表明缩减特征空间并非对所有分类器产生相同影响，部分分类器在较少特征下保持或提升性能而其他分类器在保留较大比例原始特征集时表现更好，最优特征规模因此取决于分类器和信号配置。SHAP还识别了统计、时间、面积、动态、紧张性、相位性、频率和复杂度特征的相对贡献，提供了识别模型所用信息的可解释视图。总体而言，EDA/GSR是一种有前景的生物特征模态，但其识别性能取决于记录条件、传感器放置、分类器和所选特征；组合不同身体部位的EDA测量可贡献互补信息，SHAP分析提供了考察特征贡献和评估特征约简的可解释手段，特征集缩减的效果因分类器和信号配置而异；在手-足融合实验中，将MLP输入从96个特征缩减至40个特征实现了58.3%的维度缩减，平均准确率从68.31%变为68.35%，该差异无统计学显著性（配对Wilcoxon符号秩检验，p = 0.275），这些结果证明了在观察准确率无统计学显著差异的情况下实现了大幅维度缩减，但并未确立准确率提升或统计等价性；特征约简应针对每个分类器单独评估，因其对识别性能的影响具有模型依赖性。这些发现支持开发基于EDA的更可解释且高效的可穿戴生物特征系统，并为涉及更大数据集、更多记录条件和多模态生理信号的未来研究提供了基础。
