XMTC：面向reach-to-grasp手部动力学的可解释早期多变量时间序列分类
机器学习
2025-02-10 v1 图形学
人机交互
摘要
手部动力学可用于人机交互（HCI），旨在预测用户在reach-to-grasp动作中的意图。通过多个手部传感器捕获多变量时间序列数据。给定若干可能的动作对象，目标是尽早对多变量时间序列数据进行分类。众多机器学习方法已用于此类分类任务，不同方法在不同数据集上表现良好。因此，我们采用集成方法，综合并加权不同方法。为提供可信赖的分类结果，我们提出XMTC工具，集成协调的多视图可视化以分析预测结果。时间准确性图、混淆矩阵热力图、时间置信度热力图和部分依赖图允许识别早期预测与预测质量之间的最佳平衡点、检测并分析具有挑战性的分类条件，以及以整体和细粒度方式检视预测演化。我们在多个实际HCI场景中应用XMTC，展示了分类器能够较早实现良好预测，同时识别哪些条件易于区分、哪些多变量时间序列测量存在挑战、哪些特征具有最大影响。
引用
@article{arxiv.2502.04398,
title = {XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics},
author = {Reyhaneh Sabbagh Gol and Dimitar Valkov and Lars Linsen},
journal= {arXiv preprint arXiv:2502.04398},
year = {2025}
}