本研究解决了机器学习模型可解释性方法选择的困惑，尤其是在医疗等高风险领域。作者对SHAP和GradCAM两种常用可解释性技术在人类活动识别中的应用进行了比较，揭示了它们各自的优缺点与适用场景，并提出根据具体模型和应用选择适当方法的指导。研究发现，SHAP适合提供详细的特征重要性，而GradCAM适合快速空间解释，二者可根据需求互为补充。

通过结合GradCAM和LRP方法，研究人员提出了一种新的技术来解释基于CNN的模型的输出。他们通过对GradCAM方法产生的解释进行处理，去除噪声，并将处理后的输出与LRP的输出相乘，最后应用高斯模糊。通过比较Faithfulness、Robustness、Complexity、Localisation和Randomisation等指标，发现该方法在Complexity方面表现更好，并且在其他指标中至少比其中一种方法表现更好。