Abstrakt
Human Activity Recognition (HAR) seeks to automatically identify various types of human activities from data collected through different mechanisms. Although existing HAR methods achieve high accuracy, they face challenges in interpretability, particularly in fields requiring classification explanations, such as human-computer interaction and sports science. Inspired by physics-informed neural networks and decision trees, a novel interpretable HAR model named KITHAR is proposed. This model incorporates physical knowledge into the generation process of a neural decision tree, allowing the resulting tree to integrate physical prior knowledge and hence enhance model interpretability. Experimental results reveal that this method significantly improves interpretability at both feature and decision tree levels. Additionally, classification accuracy only decreased by 1% compared to the standard method.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (3)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Zhang G., Zhang H., Szczerbicki E.: KITHAR: a Knowledge Informed Tree based Neural Network for Interpretable Human Activity Recognition// / : , 2025,
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1109/iccbd-ai65562.2024.00018
- Źródła finansowania:
-
- Publikacja bezkosztowa
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 0 razy
Publikacje, które mogą cię zainteresować
A Novel IoT-Perceptive Human Activity Recognition (HAR) Approach Using Multi-Head Convolutional Attention
- H. Zhang,
- Z. Xiao,
- J. Wang
- + 2 autorów