論文の概要: Explainable Fall Detection for Elderly Care via Temporally Stable SHAP in Skeleton-Based Human Activity Recognition

• arxiv url: http://arxiv.org/abs/2604.13279v1
• Date: Tue, 14 Apr 2026 20:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.286494
• Title: Explainable Fall Detection for Elderly Care via Temporally Stable SHAP in Skeleton-Based Human Activity Recognition
• Title（参考訳）: 骨格型人間行動認識における時相安定型SHAPによる高齢者の転倒検出
• Authors: Mohammad Saleh, Azadeh Tabatabaei,
• Abstract要約: 骨格型転倒検出のための軽量で説明可能なフレームワークを提案する。 提案フレームワークは,効率的なLSTMモデルと時間的に認識されたポストホックアグリゲーション戦略であるT-SHAPを組み合わせる。 実験の結果、提案フレームワークは、エンドツーエンドの推論遅延を25ミリ秒以下で94.3%の分類精度を達成することがわかった。
• 参考スコア（独自算出の注目度）: 3.5944383615563615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fall detection in elderly care requires not only accurate classification but also reliable explanations that clinicians can trust. However, existing post-hoc explainability methods, when applied frame-by-frame to sequential data, produce temporally unstable attribution maps that clinicians cannot reliably act upon. To address this issue, we propose a lightweight and explainable framework for skeleton-based fall detection that combines an efficient LSTM model with T-SHAP, a temporally aware post-hoc aggregation strategy that stabilizes SHAP-based feature attributions over contiguous time windows. Unlike standard SHAP, which treats each frame independently, T-SHAP applies a linear smoothing operator to the attribution sequence, reducing high-frequency variance while preserving the theoretical guarantees of Shapley values, including local accuracy and consistency. Experiments on the NTU RGB+D Dataset demonstrate that the proposed framework achieves 94.3% classification accuracy with an end-to-end inference latency below 25 milliseconds, satisfying real-time constraints on mid-range hardware and indicating strong potential for deployment in clinical monitoring scenarios. Quantitative evaluation using perturbation-based faithfulness metrics shows that T-SHAP improves explanation reliability compared to standard SHAP (AUP: 0.89 vs. 0.91) and Grad-CAM (0.82), with consistent improvements observed across five-fold cross-validation, indicating enhanced explanation reliability. The resulting attributions consistently highlight biomechanically relevant motion patterns, including lower-limb instability and changes in spinal alignment, aligning with established clinical observations of fall dynamics and supporting their use as transparent decision aids in long-term care environments
• Abstract（参考訳）: 高齢者の転倒検出には、正確な分類だけでなく、臨床医が信頼できる信頼できる説明が必要である。 しかし、既存のポストホックな説明可能性法は、フレーム・バイ・フレームをシーケンシャルなデータに適用すると、臨床医が確実に行動できない時間的不安定な属性マップを生成する。 この問題に対処するために,効率的なLSTMモデルとT-SHAPを組み合わせた骨格型転倒検出のための軽量で説明可能なフレームワークを提案する。 各フレームを独立に扱う標準SHAPとは異なり、T-SHAPは帰属列に線形な平滑化演算子を適用し、局所精度と整合性を含むShapley値の理論的保証を保ちながら高周波分散を低減する。 NTU RGB+Dデータセットの実験では、提案フレームワークは、25ミリ秒未満のエンドツーエンドの推論遅延で94.3%の分類精度を実現し、ミッドレンジハードウェアのリアルタイム制約を満たすとともに、臨床モニタリングシナリオへの展開の可能性を示す。 T-SHAPは標準SHAP(AUP: 0.89 vs. 0.91)やGrad-CAM(0.82)に比べて説明信頼性を向上し、5倍のクロスバリデーションで一貫した改善が見られ、説明信頼性の向上が示されている。 結果として生じる属性は、下肢不安定性や脊椎アライメントの変化、転倒動態の確立した臨床観察との整合性、および長期ケア環境における透明な意思決定支援としての使用など、生体力学的に関係のある運動パターンを一貫して強調する。

関連論文リスト

• Cognitive Friction: A Decision-Theoretic Framework for Bounded Deliberation in Tool-Using Agents [0.0]
  制約のないツール使用エージェントは、どの情報ソースをクエリして実行するかを決めなければなりません。 本稿では,これらの障害モードを認知的摩擦によって形式化する決定論的枠組みであるTCAを提案する。 我々は,TCAを2つの制御された環境において,停止品質,混雑時の行動選択,時間的緊急性の分離を図った。
  論文  参考訳（メタデータ） (2026-03-31T17:30:25Z)
• SAIF: A Stability-Aware Inference Framework for Medical Image Segmentation with Segment Anything Model [11.410993498576936]
  Segment Anything Model (SAM)は、スケーラブルな医療画像セグメンテーションを可能にするが、フリーズバックボーンとしてデプロイされた場合、推論時の不安定さに悩まされる。 本研究では,プロンプトとしきい値の不確実性を明示的にモデル化し,ロバスト性を向上させるためのトレーニングフリーかつプラグアンドプレイ型推論フレームワークであるStable-Aware Inference Framework (SAIF)を提案する。
  論文  参考訳（メタデータ） (2026-03-13T19:15:34Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Multi-Axis Trust Modeling for Interpretable Account Hijacking Detection [1.0152838128195467]
  本稿では,ハディスにインスパイアされたマルチ軸信頼モデリングフレームワークを提案する。 我々は,5つの信頼軸 – 長期的整合性(アダラ),行動精度(ダブト),文脈連続性(アイソナド),累積的評価,異常証拠 – を,ユーザアカウントに対して意味論的に意味のある行動特徴からなる26のコンパクトなセットに翻訳する。 CLUE-LDSクラウドアクティビティデータセットのフレームワークを,インジェクトされたアカウントハイジャックシナリオを用いて評価した。
  論文  参考訳（メタデータ） (2026-02-20T19:36:30Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Stable Prediction of Adverse Events in Medical Time-Series Data [18.92202613147342]
  早期事象予測(EEP)システムは、臨床意思決定を支援するための患者の差し迫ったリスクを継続的に見積もる。 本稿では,マルチモーダル入力EHR,ECG波形,臨床テキストを用いたEEPベンチマークであるCAREBenchを紹介する。 本稿では,患者ごとの短期変動を定量化し,局所リプシッツ定数に基づいて急激な振動をペナリゼーションする安定性指標を提案する。
  論文  参考訳（メタデータ） (2025-10-16T04:16:54Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。