Stefan Niederberger, iHomeLab
XAI-basierte Stressklassifizierung in der VR-Tele-Rehabilitation: Ein Entscheidungsunterstützungssystem mit verbesserter Feature Selection
In diesem Vortrag präsentieren wir eine Stressklassifizierung unter Verwendung von XAI in einer VR-basierten Tele-Rehabilitationsanwendung. Das Entscheidungsunterstützungssystem erfasst physiologische Daten über einen Handgelenksensor und ermöglicht eine personalisierte Therapieanpassung. Dabei ergeben sich zwei zentrale Herausforderungen:
1. Feature Selection – Eine erfolgreiche Stressklassifizierung hängt massgeblich von der Auswahl relevanter physiologischer Merkmale ab. Viele Studien basieren auf von Fachexperten ausgewählten Features, die jedoch nicht zwangsläufig zur Optimierung des maschinellen Lernens beitragen. Im Gegenteil: Unerwünschte Abhängigkeiten zwischen Features können die Trainingseffektivität sogar beeinträchtigen.
2. Erklärbarkeit (Explainability) – Aktuelle Arbeiten betonen die Bedeutung von Transparenz und Vertrauen in kritischen Anwendungen. In der Praxis ist die Interpretation der Klassifizierungsergebnisse für Fachexperten ohne KI-Kenntnisse jedoch oftmals unbefriedigend. Während Techniken zur Merkmalsrelevanz wertvolle Einblicke in die Modellvorhersagen bieten, fehlt es Fachexperten häufig an einer klaren Orientierung. Besonders problematisch wird es, wenn automatische Feature Selection-Methoden Merkmale miteinbeziehen, die für Fachexperten nicht nachvollziehbar sind.
Diese Diskrepanz zwischen den von Fachexperten bevorzugten und den für maschinelles Lernen optimalen Features stellt eine grosse Herausforderung dar. Um diesem Problem zu begegnen, nutzen wir ein Entscheidungsunterstützungssystem, das automatische Feature Selection mit einer erklärbaren Stressklassifikation kombiniert. Unser Ansatz trainiert ein ML-Modell, das mit Deep-Learning-Verfahren konkurrieren kann, dabei jedoch die Modellkomplexität verringert und die Dateneffizienz steigert. Ergänzend setzen wir eine Merkmalsrelevanz-Technik ein, die physiologische Merkmale kontextualisiert. Dadurch erhalten Fachexperten eine fundierte Grundlage zur Verifizierung der Klassifizierungsergebnisse und können gezielt Therapieanpassungen für eine individualisierte Rehabilitation vornehmen.
