基于骨架数据的居老跌倒检测中可解释的 temporally stable SHAP
计算机视觉与模式识别
2026-05-05 v2 人工智能
摘要
可靠的老年人跌倒检测系统不仅需要准确，还需要能够产生稳定、可解释的运动动态解释，这是现有后置解释方法在序列生物信号上很少满足的要求。本研究提出一种轻量级框架，用于骨架基跌倒检测，将长短期记忆(LSTM)模型与时序稳定化归因机制结合。我们提出Temporal SHAP(T-SHAP)，将帧级SHAP归因视为时序信号，并应用线性平滑算子以减少高频波动。从信号处理角度看，这一操作类似于低通滤波，使可提取一致的时序模式，同时保持Shapley基于归因的理论属性。在NTU RGB+D数据集上进行的实验表明，所提方法实现94.3%的分类准确率，端到端延迟低于25 ms，支持实时应用。定量评估显示，T-SHAP通过扰动-based faithfulness 指标改善了归因可靠性：相较于标准SHAP(AUP: 0.91 vs. 0.89)和Grad-CAM(0.82)，在归因可靠性方面表现更佳，同时也减少了归因信号的时序波动。所得解释凸显了生物力学相关的运动模式，如下肢不稳定和躯干姿势变化，这些都与跌倒事件已知特征一致。该框架计算轻量，无需额外模型训练，产生的解释既在时序上稳定又在生物力学上有意义，这些性质直接相关于AI辅助临床监护的可靠性需求。
引用
@article{arxiv.2604.13279,
title = {Explainable Fall Detection for Elderly Monitoring via Temporally Stable SHAP in Skeleton-Based Human Activity Recognition},
author = {Mohammad Saleh and Azadeh Tabatabaei},
journal= {arXiv preprint arXiv:2604.13279},
year = {2026}
}