De sensorbewakingssystemen van vandaag kunnen afwijkend gedrag detecteren en hun onderliggende oorzaken ontlenen aan de hand van door experts aangestuurde regels of door gegevensgestuurde machine learning-modellen. Deskundig gestuurde benaderingen vereisen veel menselijke betrokkenheid om te opereren in omgevingen die de deskundige informatie direct ter beschikking stellen. Data-driven benaderingen daarentegen zijn meer aangepast aan specifieke veranderingen maar vereisen grote hoeveelheden gegevens om goed te generaliseren en hebben moeilijkheden om de oorzaken te interpreteren of af te leiden. Uiteindelijk moet een afweging gemaakt worden tussen de niet-adaptieve benaderingen die veel menselijke inspanning vergen of de minder interpreteerbare modellen die alarmsignalen genereren.

Om deze problemen op te lossen, is het doel van dit onderzoek om de expertkennis uit het toepassingsdomein autonoom op te nemen in meerdere delen van het gegevensgestuurde leerproces:
- Deskundige kennis zal worden gebruikt in de anomalie-detectiegereedschappen, om het aantal vals en achterblijvende afwijkingen te verminderen.
- Oorzaak analysemethoden zullen de onderliggende reden voor het gedetecteerde ongewenste gedrag afleiden door een combinatie van interpreteerbare detectiemodellen en de beschikbare kennis van deskundigen te gebruiken.
- Domeinexpertise zal samen met de sensorwaarnemingen worden gebruikt om het normale gedrag te profileren, resulterend in een beter begrip van de gegeven gegevens.
De combinatie van deze drie delen resulteert in een interpreteerbare en adaptieve sensormonitor, beoordeeld binnen het domein van predictief onderhoud & gezondheidszorg.