Draadloze gezondheidszorg wordt gebruikt voor sportmonitoring, ouderenzorg, patiëntmonitoring op afstand en precisielandbouw voor vee. Draadloos verbonden wearables en draadloze radars voor omgevingsmonitoring kunnen activiteiten en gezondheidssignalen opvolgen. Voor de analyse van deze tijdreeksen van ruwe sensor- en radarinformatie worden vaak machine learning (ML) methoden gebruikt, maar de bezorgdheid over hun gebrek aan transparantie is toegenomen. ML-modellen worden vaak gezien als zwarte dozen, waardoor het moeilijk te begrijpen is hoe ze werken of bijdragen aan hun voorspellingen, wat resulteert in instabiliteit, lagere robuustheid, lagere eerlijkheid, bevooroordeelde resultaten en uitdagende generaliseerbaarheid. Wij mikken op betere transparantie en eerlijkheid met behulp van Explainable Artificial Intelligence (XAI)-methoden, die ontwikkelaars en ontwerpers van draadloze gezondheid en activiteiten kunnen helpen om AI-systemen te maken die voldoen aan specifieke behoeften. We zullen XAI te gebruiken om het vertrouwen te winnen van industriële spelers in Vlaanderen, die momenteel aarzelen om ML te gebruiken in hun producten. Daartoe pakken we uitdagingen aan zoals het begrijpen van beslissingen op heterogene tijdreeksen en rekening houden met de privacybelangen van de verklaringen. Tot slot zullen we deze deze verklaringen om nieuwe modellen voor actief leren te ontwerpen met XAI in de lus om de prestaties van het model te verbeteren.