Resumen: El reconocimiento de la actividad humana (HAR), que utiliza datos de sensores de la Unidad de Medición Inercial (IMU), tiene muchas aplicaciones prácticas en entornos de salud y vida asistida. Sin embargo, su uso en escenarios del mundo real ha estado limitado por la falta de conjuntos de datos HAR integrales basados en IMU que cubren una amplia gama de actividades y la falta de transparencia en los modelos HAR existentes. Har (ZS-HAR) supera las limitaciones de datos, pero los modelos actuales luchan por explicar sus decisiones, haciéndolas menos transparentes. Este artículo presenta un nuevo modelo ZS-HAR basado en IMU llamado la red de reconocimiento de actividad humana de disparo cero autoexplicable (SEZ-HARN). Puede reconocer las actividades que no se encuentran durante la capacitación y proporcionar videos de esqueleto para explicar su proceso de toma de decisiones. Evaluamos la efectividad del SEZ-HARN propuesto en cuatro conjuntos de datos de referencia PAMAP2, Daliac, Htd-Mhad y MHealth y comparamos su rendimiento con tres modelos ZS-HAR de cajas negras de última generación. Los resultados del experimento demuestran que SEZ-HARN produce explicaciones realistas y comprensibles al tiempo que logran una precisión competitiva de reconocimiento de disparo cero. SEZ-HARN logra una precisión de predicción de disparo cero dentro del 3 % del modelo de caja negra mejor rendimiento en PAMAP2 mientras mantiene un rendimiento comparable en los otros tres conjuntos de datos.
Publicado Originalme en export.arxiv.org El 1 de julio de 2025.
Ver Fuente Original
