Logi-PAR：基于可微规则的逻辑注入患者活动识别框架
计算机视觉与模式识别
2026-03-06 v1 人工智能
摘要
临床环境中的患者活动识别（PAR）使用活动数据来提高安全性和护理质量。尽管取得了显著进展，但当前模型主要识别正在发生的活动。它们常常通过全局和局部注意力机制对亚稀疏视觉线索进行空间组合，却仅能学习到因其神经管线而隐式呈现的模式。发展临床安全性需要能够推断一组视觉线索为何暗示风险，以及这些线索如何通过超越单纯分类的显式逻辑进行组合推理的方法。为此，我们提出了 Logi-PAR，这是首个逻辑注入患者活动识别框架，集成了作为多视图原始提取器的上下文事实融合，并注入神经引导的可微规则。 our方法自动从视觉线索中学习规则，在端到端优化的同时，使隐式出现的模式在训练期间能够被显式标记。据我们所知，Logi-PAR 是首个将可学习的逻辑规则应用于符号映射以识别患者活动的框架。它产生可审计的为什么解释作为规则轨迹，并支持反事实干预（例如，如果有辅助，风险将降低 65%）。在临床基准（VAST 和 OmniFall）上的广泛评估显示，Logi-PAR 实现了最好的性能，显著超越了视觉语言模型和变换器基线。代码可通过 https://github.com/zararkhan985/Logi-PAR.git 获取。
引用
@article{arxiv.2603.05184,
title = {Logi-PAR: Logic-Infused Patient Activity Recognition via Differentiable Rule},
author = {Muhammad Zarar and MingZheng Zhang and Xiaowang Zhang and Zhiyong Feng and Sofonias Yitagesu and Kawsar Farooq},
journal= {arXiv preprint arXiv:2603.05184},
year = {2026}
}