SEZ-HARN：自解释式零样人类动作识别网络
人工智能
2025-07-08 v2 人机交互
机器学习
摘要
人类动作识别（HAR）使用惯性测量单元（IMU）传感器的数据，在医疗和居家照护环境中具有许多实际应用。然而，由于缺乏覆盖广泛动作且缺乏透明度的综合性 IMU 基于 HAR 数据集，HAR 在实际场景中的应用受到限制。零样本 HAR（ZS-HAR）克服了数据限制，但当前模型难以解释其决策，导致透明度不足。本文提出一种新型 IMU 基于 ZS-HAR 模型，称为自解释式零样本人类动作识别网络（SEZ-HARN）。它能够识别训练期未遇到的动作，并提供骨架视频以解释其决策过程。我们在四个基准数据集 PAMAP2、DaLiAc、HTD-MHAD 和 MHealth 上评估了所提出 SEZ-HARN 的有效性，并将其性能与三种最先进的黑箱 ZS-HAR 模型进行比较。实验结果表明，SEZ-HARN 能够生成真实且易于理解的解释，同时实现竞争性的零样本识别准确率。SEZ-HARN 在 PAMAP2 上实现的零样本预测准确率在最佳表现的黑箱模型准确率的 3% 内，同时在其他三个数据集上保持可 comparable 的性能。
引用
@article{arxiv.2507.00050,
title = {SEZ-HARN: Self-Explainable Zero-shot Human Activity Recognition Network},
author = {Devin Y. De Silva and Sandareka Wickramanayake and Dulani Meedeniya and Sanka Rasnayaka},
journal= {arXiv preprint arXiv:2507.00050},
year = {2025}
}