Human-Centered Learning Mechanics for Reliable Smart Textiles: An Explainable and Frugal AI Framework for Separating Physiological Anomalies from Sensor Drift and Degradation

Technische Samenvatting: Mensgerichte Leermechanismen voor Betrouwbare Slimme Textielproducten

Probleemstelling
Slimme textielproducten, die sensoren direct in de stof inbedden, bieden aanzienlijk potentieel voor gezondheidszorg thuis, slaapmonitoring en arbeidsveiligheid. Ze kampen echter met een fundamentele beperking in betrouwbaarheid die verschilt van conventionele wearables: een abnormaal signaal verzameld door een gesensorde kledingstuk is inherent ambigu. Een dergelijk signaal kan afkomstig zijn van een echt fysiologisch evenement (bijv. apnea, hypopneu), een degradatie van de textielsensor zelf (bijv. drift, hysteresis, contactverlies, wassing-geïnduceerde schade), of een transient gebruiksartefact (bijv. verkeerde plaatsing van het kledingstuk, bewegingsruis).

Huidige monitoringspipelines behandelen de beoordeling van signaalkwaliteit en fysiologische gebeurtenisdetectie doorgaans als afzonderlijke stadia. Deze scheiding is suboptimaal omdat een verworpen "lage kwaliteit"-venster feitelijk een kritiek textieldefect kan bevatten dat onderhoud vereist, terwijl een "geaccepteerd" venster nog steeds fysiologisch ambigu kan zijn. De kernuitdaging is het onderscheiden van echte fysiologische anomalieën van door textiel veroorzaakte sensorfouten op een manier die zuinig is (geschikt voor edge-apparaten), uitlegbaar en geoptimaliseerd voor mensgerichte besluitvorming in plaats van ruwe classificatienauwkeurigheid.

Methodologie: HCLM-SmartTex Framework
De auteurs stellen HCLM-SmartTex voor, een uitlegbaar en zuinig framework gebaseerd op Mensgerichte Leermechanismen (HCLM). Het framework behandelt het slimme textiel niet louter als een sensorhouder, maar als een dynamisch meetsysteem waarvan de betrouwbaarheid gelijktijdig met fysiologische signalen moet worden gemonitord. De architectuur bestaat uit vijf stadia:

1. Kenmerkextractie op Vensterniveau: Statistische en domeinspecifieke kenmerken worden geëxtraheerd uit glijdende vensters van multivariate signalen (respiratie, thoracale rek, SpO2, hartslag, textielrek, contactkwaliteit en omgevingsvariabelen). Belangrijke kenmerken zijn amplitude-instorting, desaturatiediepte, contactverliesratio's en respiratie-rekkoppeling.
2. Mechanistische Fysiologische Score ($S_{phys}$): Een transparante, regelgebaseerde score kwantificeert het bewijs voor een lichamelijke gebeurtenis. Deze stijgt wanneer de respiratoire amplitude instort, zuurstofdesaturatie optreedt, of compensatoire hartslagverhogingen worden waargenomen, wat de canonieke handtekening van obstructieve respiratoire gebeurtenissen reflecteert.
3. Mechanistische Textielbetrouwbaarheidsscore ($S_{textile}$): Een complementaire score kwantificeert het bewijs voor meetfalen. Deze stijgt bij contactverlies, textielrek-drift weg van de gekalibreerde baseline, en verzwakte respiratie-rekkoppeling, gebaseerd op gedocumenteerde degradatiegedragingen van gebreide en garengebaseerde sensoren.
4. Zuijke Late Fusie: De twee mechanistische scores worden genormaliseerd en gecombineerd met een lichtgewicht logistische classifier die getraind is op een kleine gelabelde set. Dit produceert een hybride anomaliescore ($S_{hyb}$) die interpreteerbaarheid behoudt terwijl de robuustheid wordt verbeter verbeterd.
5. HCLM-Regulatie (Actieve Controlelaag): Een entropie-gestuurde thermostaat reguleert de hybride score. Het berekent een effectieve entropie ($H_{eff}$) die voorspellende onzekerheid combineert met de ambiguïteit tussen fysiologische en textiele bewijslast. Als de entropie hoog is (wat wijst op onzekerheid) of als de door mechanismen afgeleide risico-evidentie de hybride score tegenspreekt, moduleert de controller actief de beslissing. Het kan valse alarmen onderdrukken (als een hoge score een gebrek aan mechanische ondersteuning heeft) of gemiste gebeurtenissen herstellen (als een grensgeval sterke risico-evidentie heeft).

Belangrijkste Bijdragen
Het artikel structureert de bijdragen over framework-, benchmark-, model- en validatieniveaus:

• Mensgerichte Besluitvormingsformulering: Het probleem wordt geformuleerd als een gezamenlijke inferentietaken om fysiologische gebeurtenissen te scheiden van textieldegradatie, geoptimaliseerd tegen een expliciete mensgerichte besluitvormingskosten. Deze kosten bestraffen gemiste fysiologische gebeurtenissen, door textiel veroorzaakte valse alarmen en detectievertragingen, waarbij de nadruk ligt op operationele consequenties in plaats van ruwe nauwkeurigheid.
• Synthetische Smart-Textile Simulator: Om het gebrek aan grondwaarheid in echte opnames (waar de oorsprong van een anomalie zelden bekend is) aan te pakken, hebben de auteurs een gecontroleerde simulator ontworpen. Deze genereert contrafeitelijke scenario's (identieke fysiologische gebeurtenissen met/zonder sensorfouten, en identieke textielfouten onder verschillende fysiologische staten) om het scheidingsmechanisme te isoleren en te valideren.
• Uitlegbare Mechanistische Subscores: Het framework legt twee onafhankelijke, mensleesbare subscores bloot ($S_{phys}$ en $S_{textile}$). Hierdoor kan het systeem anomalieën toeschrijven aan specifieke families (normaal, fysiologisch, of textiel/sensor) en specifieke corrigerende acties suggereren (bijv. klinische aandacht versus het herpositioneren van het kledingstuk).
• Actieve HCLM-Controle: In tegen tegenover passieve nabehandeling fungeert de HCLM-laag als een risicosensitieve regulator. Het gebruikt effectieve entropie om te beslissen wanneer te interveniëren, waardoor het systeem zich gedraagt als een besluitvormingsinstrument in plaats van een statische classifier.
• Zuigzaamheid en Edge-Compatibiliteit: Het model is ontworpen voor embedded implementatie, waarbij gebruik wordt gemaakt van slechts 201 parameters, ~2,15 KB RAM en ~6,79 KB flash, met lineaire tijdcomplexiteit voor inferentie.
• Validatieprotocol: Het artikel biedt een concreet fysiek smart-garment validatieprotocol, dat een route definieert van gecontroleerde simulatie naar real-world deployment met specifieke eisen voor instrumentatie, gefaseerde acquisitie en twee-laagse labeling (fysiologische staat en textielbetrouwbaarheidstoestand).

Experimentele Resultaten
Geëvalueerd op een onafhankelijke subject-split van de synthetische benchmark, presteerde de actieve HCLM-SmartTex detector beter dan regelgebaseerde drempelwaarden, ongesuperviseerde detectoren (Isolation Forest, One-Class SVM) en diverse geleerde baselines (Logistic Regression, ExtraTrees, nauwkeurigheid-geoptimaliseerde ensembles):

• Prestaties: Het behaalde de hoogste F1-score (0,9515) en de laagste fractie valse alarm-vensters (0,0267) van alle methoden, terwijl het een hoge recall (0,9800) en een gemiddelde detectievertraging van 0,50 vensters behield.
• Regulatie-effectiviteit: De HCLM-controller was empirisch actief, waarbij het 64% van de geëvalueerde vensters moduleerde en vijf testbeslissingen wijzigde ten opzichte van de ongereguleerde hybride. Deze regulatie slaagde erin valse alarmen te verminderen zonder de sensitiviteit op te offeren.
• Scheidingsnauwkeurigheid: Het framework behaalde 0,9667 nauwkeurigheid in het onderscheiden tussen normale, fysiologische en textiel/sensor families, en in oorzaak-classificatie voor de actieve klassen.
• Resource Footprint: Het model bleef aanzienlijk kleiner dan ongesuperviseerde baselines en complexe ensembles, wat de geschiktheid voor edge-apparaten bevestigt.

Betekenis en Claims
Het artikel positioneert dit werk als een mechanisme-niveau, besluitgerichte benchmark voor betrouwbare slimme textielmonitoring. Het claimt expliciet dat het framework een resterend gat in de literatuur aanpakt: geen bestaande aanpak scheidt gezamenlijk fysiologische anomalieën van textiel/sensor degradatie onder een mensgerichte besluitvormingskosten op een zuijke en uitlegbare wijze.

De auteurs zijn bescheiden in hun claims en benadrukken dat:

• De resultaten gebaseerd zijn op synthetische data en geen klinische validatie of industriële certificering vormen.
• De simulator dient als een "gecontroleerde brug" om het scheidingsmechanisme te testen onder contrafeitelijke condities, en niet als vervanging voor fysieke kledingtesten.
• Het framework een bouwsteen is voor prototyping in een vroeg stadium en edge-geplaatste besluitvormingsondersteuning, ontworpen om overdraagbaar te zijn naar echte kleding via het verstrekte validatieprotocol.
• De primaire bijdrage het scheidingsmechanisme en de risicobewuste besluitvormingscontrole is, in plaats van het bereiken van state-of-the-art nauwkeurigheid op een specifieke klinische taak.

De studie concludeert dat door besluitvorming te koppelen aan effectieve entropie en mechanisme-afgeleide risico-evidentie, het framework de afweging tussen gemiste gebeurtenissen en valse alarmen expliciet en afstelbaar maakt, wat een praktisch pad biedt naar meer betrouwbare, interpreteerbare en zuijke slimme textielmonitoring-systemen.