.png){kind=icon}
返回
Transformer-Based Explainable Framework for Human Activity Recognition in IoT-Enabled Smart Homes
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2026.3661415.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网(IoT)设备在智能家居中的日益集成，已支持舒适度、能源效率、医疗保健和安防等应用。这些应用的关键驱动力是人活动识别(HAR)，它使智能系统能够理解住户的活动并提供个性化服务。尽管单住户HAR已得到充分研究，但多住户场景因协作与并行活动更为复杂，需要有效建模时序依赖关系。基于Transformer的模型在此背景下显示出良好效果，因其自注意力机制能捕捉长程时序依赖并允许并行计算。然而，标准注意力机制同时使用过去和未来信息，导致实时HAR中的信息泄露问题。同时，该机制平等对待所有时间步，忽略了智能家居中事件相关性自然随时间衰减且需引入局部性偏置的事实。由于这些系统涉及真实住户，可解释性对于确保活动分类中的信任与透明度也至关重要。本文提出了一种基于Powerformer的多输出可解释框架，整合了带有幂律衰减的加权因果多头注意力(WCMHA)机制，在强调近期事件的同时保持因果顺序，从而提升精度。还提出了一种多输出时序局部可解释模型无关解释(MO-TLIME)技术，用以识别影响每位住户活动关键传感器和时间片段。在公开多住户数据集上的评估表明，所提模型在准确性和效率两方面均优于现有深度学习基准。统计验证和消融研究证实了其有效性，而可解释性分析显示该模型聚焦于情境相关的传感器数据和时序片段。
Keyword:
Explainable AI (XAI)
Internet of Things (IoT)
local interpretable model-agnostic explanations (LIME)
multi-resident human activity recognition
smart homes
transformer
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
Explainable AI for Time Series Classification: A Review, Taxonomy and Research Directions用于时间序列分类的可解释AI: 回顾，分类和研究方向IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容