基于双分支CNN-LSTM的可解释步态异常检测
计算机视觉与模式识别
2025-09-23 v1
摘要
步态是诊断运动障碍的关键指标，但大多数模型缺乏可解释性且依赖单一数据集。我们提出一种双分支CNN-LSTM框架，其中1D分支基于来自GAVD的关节特征，3D分支基于来自OU-MVLP的剪影。通过SHAP（时间归因）和Grad-CAM（空间局部化）提供可解释性。在留置集上，该系统实现了98.6%的准确率，表现出色的召回率和F1分数。这一方法在临床和生物识别领域推动了可解释的步态分析。
引用
@article{arxiv.2509.16472,
title = {Explainable Gait Abnormality Detection Using Dual-Dataset CNN-LSTM Models},
author = {Parth Agarwal and Sangaa Chatterjee and Md Faisal Kabir and Suman Saha},
journal= {arXiv preprint arXiv:2509.16472},
year = {2025}
}
备注
The paper got accepted in ICMLA-2025. It is a camera-ready version