相关实验视频
Updated: May 26, 2025

08:12
Experimental Methods to Study Human Postural Control
Published on: September 11, 2019
9.4K
用SHAP解释人类活动识别:通过扰乱和定量措施验证洞察力
Felix Tempel1, Espen Alexander F Ihlen2, Lars Adde3
1Faculty of Informatics, Norwegian University of Science and Technology, Trondheim, Norway.
Computers in biology and medicine
|February 23, 2025
概括
本研究解释了使用夏普利添加式扩展 (SHAP) 来识别人类活动 (HAR) 的图形卷积网络 (GCN). SHAP识别了关键的身体点,改善了关键应用程序的模型解释性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 人类活动识别 (HAR) 对高风险应用至关重要.
- 图形卷积网络 (GCNs) 对于使用骨架数据的 HAR 有效.
- 在HAR中解释GCN决策仍然是一个挑战.
研究的目的:
- 用SHapley添加式扩展 (SHAP) 来解释HAR中的GCN决策.
- 评估特定的身体关键点对HAR模型预测的影响.
- 在医疗保健等关键应用中增强模型可信度.
主要方法:
- 应用SHAP来解释关于脑 (CP) 分类的GCN和NTU RGB+D 60数据集.
- 引入了一种新的扰动方法来评估身体关键点的影响.
- 使用知情扰动与随机扰动来验证SHAP解释.
主要成果:
- SHAP识别的重要身体关键点显著影响了HAR模型的准确性,特异性和灵敏性.
- 扰动分析证实了身体关键点对预测结果的影响.
- SHAP提供了对HAR中GCN的特征贡献的详细见解.
结论:
- SHAP有效地解释了HAR任务中的GCN,突出了有影响力的身体关键点.
- 这些发现支持开发更可解释和可信的HAR模型.
- 这项研究对需要可靠的活动识别的高风险应用有影响.

