《Pervasive and Mobile Computing》：Interpretable healthcare localization with Explainable Artificial Intelligence
编辑推荐：
医疗环境中基于XGBoost和XAI的室内定位系统研究提出双阶段定位框架，通过空间指纹分类和坐标回归实现高精度定位，结合SHAP和LIME方法提升模型可解释性，在真实数据集上取得99.07%的定位精度。
Mina Mohammadi|Mohammad Mehdi Sepehri|Vahideh Moghtadaiee|Motahareh Dehghan
伊朗德黑兰塔比亚特莫达雷斯大学工业与系统工程学院研究生
摘要 实时定位解决方案，如全球定位系统（GPS），在室内环境中存在显著限制。为了克服这些挑战，室内定位系统（IPS）提供了一种可行的替代方案。IPS已成为医疗环境中的关键工具，在这些环境中，患者和医疗设备的精确定位可以直接影响安全性和临床结果。为了解决现有IPS解决方案的局限性，本研究引入了一个可解释的框架，该框架利用了Wi-Fi接入点（AP）和接收信号强度指示器（RSSI）数据。该框架采用双阶段方法：第一阶段涉及空间指纹识别来绘制室内位置图，每个位置都被标记出来，并将此任务视为分类问题。在第二阶段，我们将任务重新定义为回归问题以预测细粒度坐标。极端梯度提升（XGBoost）在分类和回归任务中都取得了最高性能。为了提高透明度，应用了可解释人工智能（XAI）技术，包括Shapley加性解释（SHAP）和局部可解释模型不可知解释（LIME），以识别关键信号贡献因素并解释模型行为。结果显示，XGBoost在位置分类上的准确率为99.07%，在真实数据集上的坐标回归准确率为R 2 = 0.9997
引言 物联网（IoT）是一个快速发展的生态系统，它整合了软件、硬件和物理对象以实现通信和数据交换[1]。在这个框架下，基于位置的服务（LBS）变得越来越重要[2]。这在医院等复杂的室内环境中尤为明显，因为在这些环境中，精确的位置跟踪非常重要[2]，特别是在疫情期间[3]。在医疗环境（如医院）中，室内定位系统（IPS）可以改善访客、患者和员工的导航。准确的位置数据支持患者跟踪和资产管理，提高运营效率。IPS还可以通过减少不必要的接触和拥挤来支持感染控制[4]。在医疗领域，准确的IPS可以直接改善患者结果，例如通过减少紧急响应时间、实现快速资产跟踪和支持感染控制程序。然而，在没有专用室内定位基础设施的情况下，实现高准确性仍然很困难。
多项研究已经有效地利用基于接收信号强度指示器（RSSI）的位置指纹识别技术来通过无线网络进行室内定位。然而，信号波动和设备多样性等挑战导致了机器学习（ML）方法被采用以提高准确性[5]。位置指纹识别技术是最流行的室内定位技术，它涉及将某些特定点（称为参考点（RPs）收集的信号的位置特定属性存储在数据库中，然后使用模式匹配或ML算法来识别最佳匹配并估计目标的位置[6]。在室内位置指纹识别中最常用的技术之一是Wi-Fi信号，因为它们易于安装和广泛实施。它们的成本效益体现在它们在日常环境中的普遍存在以及对各种移动设备的广泛支持[7]。虽然基于RSSI的定位可能会受到障碍物和人类移动引起的信号波动的影响，但我们的方法通过利用强大的集成模型（特别是XGBoost）来缓解这些问题，这些模型可以学习非线性趋势并降低对Wi-Fi信号噪声的敏感性。
由于ML算法的性能和准确性，它们在室内定位中也越来越受欢迎。因此，工业界和学术界正在开发新的ML模型，为用户提供高精度的解决方案[8]。ML的一个重要焦点是理解特定输入特征如何影响模型预测。这有助于提高模型性能、增强预测信心并识别问题模式[9]。
有多种方法用于提取关键特征，但可解释人工智能（XAI）是特征提取的领先方法，因为它提高了透明度，识别了有影响力的特征，并确保了可解释性，使人工智能（AI）系统更加可靠，适用于医疗等关键应用。XAI在各种应用中变得越来越流行，因为它创建了透明且可解释的系统。随着AI系统变得越来越先进，对代码偏见和信心的关注也变得越来越重要。XAI技术，如Shapley加性解释（SHAP）值和局部可解释模型不可知解释（LIME），在增强ML模型中发挥着关键作用[10]。SHAP摘要图是全面可视化模型行为的实用工具[11]。LIME专注于生成局部解释，特别是在全局解释可能具有挑战性的复杂模型中[12]。SHAP值和LIME有助于更好地理解和信任AI系统。这种方法结合了SHAP和LIME来解释模型的决策过程，有助于验证医疗环境中的鲁棒性和公平性。最近关于急诊医学中AI的综述表明，尽管AI在增强患者监测和决策方面具有巨大潜力，但透明度和可靠性问题仍然是采用的重大障碍[13]。在需要实时跟踪和监测患者的关键医疗环境中，了解某些Wi-Fi信号特征为何导致特定的定位结果变得至关重要。其他XAI方法（例如PDPs、集成梯度和基于显著性的方法）也可以考虑[14]。这里选择SHAP和LIME是因为它们具有广泛的适用性和提供清晰可理解见解的能力。虽然之前的室内定位研究将机器学习与事后解释相结合，但它们通常将可解释性视为模型检查步骤，而不是面向部署的工具。相比之下，我们的工作不仅使用SHAP和LIME来解释预测，还将接入点优先级作为可操作的传感基础设施。它还在单一框架内支持离散（区域级别）定位目标和连续（坐标级别）目标，以满足医疗需求。
在这项研究中，我们提出了一个由AI和XAI驱动的室内定位框架，该框架使用XGBoost从Wi-Fi RSSI指纹中推断室内位置。为了提高模型的可解释性，将SHAP和LIME集成到分析中。这些XAI方法有助于解释定位模型的预测，通过识别对定位结果影响最大的特征。这在医疗环境中尤为重要，因为理解AI模型的决策过程对于确保安全性、可靠性和可信度至关重要。尽管在一般室内环境中报告了强大的性能，但在面向医疗的IPS中仍存在明显差距，这些方法不仅需要提供高准确性，还需要提供透明、可操作的解释，以支持在安全约束下的责任追究和实际部署决策。本文试图通过结合双任务IPS公式（用于区域级别定位的分类和用于细粒度坐标的回归）以及SHAP和LIME来填补这一差距，从而提供全局特征优先级和实例级推理。本文的贡献如下：
• 使用ML算法，特别是先进的极端梯度提升（XGBoost）技术，开发了一种能够基于Wi-Fi信号特征准确检测室内位置的强大分类器。经过仔细训练和微调后，实现了出色的定位分类准确性和可靠性。
• 为了进一步改进这种方法，将问题视为回归任务的分析得到了扩展。通过结合针对回归任务调整的算法，我们旨在利用回归算法的预测能力来揭示Wi-Fi信号与室内物理位置之间的关系。
• 本研究旨在提高室内定位系统中分类和回归之间的清晰度，并利用现代ML技术的力量来推进最先进的空间估计。通过结合分类和回归方法，提供了一个全面的解决方案，以无与伦比的准确性和可靠性应对各种定位挑战。
• 为了更深入地了解潜在机制并优化模型性能，采用了可解释AI技术，如SHAP和LIME。分析为模型的决策提供了明确的见解，增加了透明度，同时不牺牲室内定位系统的高准确性和可靠性；这提高了模型的整体有效性和可解释性。
本文的其余部分组织如下。第2节讨论了与此主题相关的研究。第3节介绍了本研究中使用的初步概念。第4节概述了所提出的框架以及计划通过实验解决的研究问题。第5节介绍了研究设置和指标。第6节探讨了实验结果、分析和XAI驱动的特征提取。最后，第7节总结了本文。
相关工作 相关工作 本节简要概述了最近致力于改进IPS及其在医疗环境中实现的研究工作。
初步准备 在本节中，我们提供了在基于Wi-Fi的医疗环境中使用XGBoost和XAI方法进行室内定位的方法中采用的基本概念和方法的概述。首先讨论了基于Wi-Fi的室内定位的基本原理，包括医疗环境特有的挑战。接下来，将介绍XGBoost，强调其在处理复杂、高维数据方面的优势。
提出的框架 本节介绍了所提出的AI和XAI驱动的室内定位系统。首先解释了这项工作的动机，然后概述了系统架构，强调了使用ML算法（如XGBoost）进行分类和回归任务。此外，还强调了集成可解释AI技术（如SHAP和LIME）以提高模型的透明度和可解释性。
研究设置和指标 本节详细介绍了实验设置和用于评估所提出方案性能的指标。
实验结果和分析 本节介绍了第4.3节提出的研究问题的实验结果，包括分类和回归模型及其XAI结果。虽然XGBoost提供了高预测准确性，但其集成结构可能会掩盖决策路径；通过集成SHAP和LIME，将复杂的特征交互转化为人类可理解的属性，从而在不显著影响模型准确性的情况下保持可解释性。
结论和未来工作 在这项研究中，旨在解决传统全球定位系统（GPS）在室内环境中的局限性。这是通过开发一个专为医疗环境设计的可解释室内定位系统（IPS）来实现的。所提出的方法利用了基于Wi-Fi的接入点和接收信号强度指示器（RSSI）的内部定位设备。这种方法涉及创建人们位置的空间指纹并解决问题
CRediT作者贡献声明 Mina Mohammadi： 撰写——原始草稿、可视化、软件、调查。Mohammad Mehdi Sepehri： 撰写——审阅与编辑、监督、方法论、概念化。Vahideh Moghtadaiee： 撰写——审阅与编辑、监督、资源、方法论、数据管理、概念化。Motahareh Dehghan： 撰写——审阅与编辑、监督、方法论、概念化。
利益冲突声明 作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
