.png){kind=icon}
返回
Interpretable healthcare localization with Explainable Artificial Intelligence
.png){kind=icon}
PRE
AI
DOI：10.1016/j.pmcj.2026.102162.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实时定位解决方案，例如全球定位系统（GPS），在室内环境中面临显著限制。为克服这些挑战，室内定位系统（IPS）提供了一种可行的替代方案。IPS已作为关键工具出现在医疗环境中，其中患者和医疗设备的精确定位可以直接影响安全性和临床结果。为解决现有IPS解决方案的局限性，本研究引入了一个可解释的框架，该框架利用Wi-Fi接入点（APs）和接收信号强度指示器（RSSI）数据。该框架采用双阶段方法：第一阶段涉及空间指纹技术来绘制室内位置，每个位置都被标记，并将任务视为分类问题。在第二阶段，我们将任务重新表述为回归问题，以预测精细的坐标。极端梯度提升（XGBoost）在分类和回归任务中均达到最高性能。为增强透明度，应用了可解释人工智能（XAI）技术，包括SHapley Additive exPlanations（SHAP）和Local Interpretable Model-agnostic Explanations（LIME），以识别关键信号贡献者并解释模型行为。结果表明，XGBoost在真实数据集上的位置分类准确率达到99.07%，坐标回归的R2=0.9997，而SHAP和LIME提供了APs贡献的一致全局和局部解释。这些结果表明，在受控室内条件下，XGBoost与XAI的结合既实现了高精度又具备可解释性，支持实际部署，并激励在动态医院环境下的未来验证。
期刊
IF:
3.5
论文数:
1.5K
被引数:
2.2K
机构
引用论文
Class imbalance in multi-resident activity recognition: an evaluative study on explainability of deep learning approaches多住户活动识别中的类别不平衡：深度学习方法可解释性的评估研究
OAAI
OAAI分享收藏RSSI and Machine Learning-Based Indoor Localization Systems for Smart Cities基于RSSI和机器学习的智慧城市室内定位系统.png)
EngOAAI
EngIF0
OAAI分享收藏Development of an explainable artificial intelligence model for Asian vascular wound images针对亚洲血管伤口图像的可解释人工智能模型的开发
OAAI
OAAI分享收藏Cost-Sensitive Learning for Anomaly Detection in Imbalanced ECG Data Using Convolutional Neural NetworksSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏A systematic review of Explainable Artificial Intelligence models and applications: Recent developments and future trends可解释的人工智能模型和应用的系统综述: 最近的发展和未来趋势OAAI
OAAI分享收藏
查看更多内容