基于可解释组件的人工智能解释方法用于可穿戴式健康监测
信号处理
2026-03-16 v1 机器学习
摘要
可穿戴式设备在医学和健康领域的应用，由基于人工智能的模型所赋能，为实时监测和可解释事件检测提供了巨大的潜力。解释性人工智能(XAI)对于评估模型所学习的内容、建立对模型输出的信任至关重要，尤其是针对患者、医疗专业人员、模型开发者和领域专家。就可穿戴式设备记录的时间序列数据而言，解释AI决策尤其具有挑战性，due to数据复杂性和时序依赖性。过去往往由于解释性特征导致性能下降。我们提出了一种新颖的XAI方法，将解释空间与概念基方法结合，用于解释可穿戴式数据上的AI预测。通过使用可解释组件(IICs)，这些组件封装了领域特定的、可解释概念于自定义解释空间内，我们在保持基于时间序列模型训练性能的同时，实现基于提取特征的概念解释方法的可解释性。此外，我们为可穿戴式健康监测定义了一套特定于领域的IICs，并演示了其在实际应用中的可用性，包括状态评估和癫痫发作检测。
引用
@article{arxiv.2603.12880,
title = {Explainable AI Using Inherently Interpretable Components for Wearable-based Health Monitoring},
author = {Maurice Kuschel and Solveig Vieluf and Claus Reinsberger and Tobias Loddenkemper and Tanuj Hasija},
journal= {arXiv preprint arXiv:2603.12880},
year = {2026}
}
备注
Submitted to the IEEE Journal of Biomedical and Health Informatics