使用神经Granger因果分析作为可解释AI理解两名选手间的全身人际动力学
人机交互
2026-04-06 v1
摘要
背景：同时关注个体内与个体间的身体动力学并阐明它们如何相互影响，将有助于理解人际协调行为。然而，由于分析多个身体部位之间复杂因果关系的困难，这种关联此前尚未得到研究。为解决这一问题，本研究提出了一种新的分析框架，尝试使用神经Granger因果分析（NGC）作为可解释AI（XAI）来理解个体棒球运动员每个关节运动背后的因果结构。方法：在NGC分析中，因果关系被定义为经过训练以预测特定时间序列变量未来状态的机器学习模型第一层权重参数的大小。为了在实际情境中验证该方法，我们对16对专业棒球投手和击球手进行了实验；生成并使用了包含27个关节合成速度数据（13个投手关节和14个击球手关节）的输入数据集进行模型训练。结果：NGC分析揭示了个体内与个体间身体部位之间显著的因果关系，例如击球手的手受到来自投手投掷臂的因果影响。值得注意的是，尽管从击球手身体到投手身体的因果性远低于反向的因果性，但它与击球手的表现结果显著相关。结论：上述结果表明了NGC分析在理解全身人际协调动力学方面的有效性，以及该AI技术作为从不同于传统技术的视角分析复杂人类行为的新方法的有效性。
关键词
引用
@article{arxiv.2401.06412,
title = {Understanding whole-body inter-personal dynamics between two players using neural Granger causality as the explainable AI (XAI)},
author = {Ryota Takamido and Chiharu Suzuki and Jun Ota and Hiroki Nakamoto},
journal= {arXiv preprint arXiv:2401.06412},
year = {2026}
}
备注
35 pages (including 6 supporting information), 9 figures, 1 table