基于 AI 视频监控的人群自杀风险评估：地铁站点预防的可解释框架

理解和监控地铁站点的 human behavior 在支持自杀预防工作中发挥重要作用，及时识别高风险情形可启用时 intervention。 这需要从监控视频中对每位乘客的行为、其空间 context 以及时间 dynamics 进行联合推理。然而，这一评估使用监控摄像机捕获的视频具有挑战，因为它需要精确感知人类运动、理解平台几何结构，并在时间上整合异构的行为线索。本文 formalize 了地铁站点自杀风险评估 (SRA) 的任务，并引入首个可解释框架以解决这一挑战。不同于专注于单一子任务或尝试直接推断意图的做法，我们的 formulation 将自杀风险评估从积累证据出发，融合 person tracking、activity recognition、平台语义分割以及基于轨迹的风险热图建模。通过将SRA 确立为独立任务并对完整的 operational pipeline 进行基准测试，在真实监控数据上实现了83.2% ROC-AUC，这项工作凸显了自杀风险评估的复杂性，为面向社会福利的可解释 AI 系统开辟了新的研究方向。