面向农业人机协作的基于可穿戴惯性传感器的可解释早期活动识别

《Information》：Explainable Early Activity Recognition via Wearable Inertial Sensors for Human–Robot Collaboration in Agriculture

　　摘要在露天农业作业中，及时识别人类活动（HAR）对于预判工人行为并实现主动式人机协作至关重要。本研究基于预先分割的活动序列，开发了一套离线早期人类活动识别框架。研究采用长短期记忆网络（LSTM），配合安装在胸部、颈椎区域、腰椎区域以及左右腕部的可穿戴惯性传感器进行识别。研究在户外农业物料搬运任务中，从20名参与者处采集了加速度计、陀螺仪和磁力计信号，其中一辆移动地面机器人作为料箱的接收平台。每个活动以其持续时间的30%至100%的累积前缀进行表示。在30%的观察比例下，模型的宏F1得分为0.9314，而完整序列的得分为0.9481，两者绝对差异仅为0.0167。研究还利用Shapley加性解释方法（SHAP）识别了贡献最大的身体位置、传感器模态和信号通道。早期决策主要依赖于放置在躯干上的传感器，腕部传感器提供了补充信息，尤其在站立分类方面作用显著。多模态惯性信息同样重要。影响最大的输入主要来自胸部、颈椎区域和腰椎区域的陀螺仪及磁力计通道。总之，早期观察比例下的高性能表现凸显了其在支持更具适应性和协调性的机器人辅助策略方面的潜力。