🤖 AI

Explainable Fall Detection for Elderly Care via Temporally Stable SHAP in Skeleton-Based Human Activity Recognition

यह शोध पत्र एक हल्का, वास्तविक समय वाला कंकाल-आधारित (skeleton-based) गिरने का पता लगाने वाला ढांचा प्रस्तावित करता है जो एक कुशल LSTM मॉडल को एक टेम्पोरली स्थिर SHAP एकत्रीकरण रणनीति (T-SHAP) के साथ एकीकृत करता है ताकि समय के साथ फीचर एट्रिब्यूशन को स्मूथ करके विश्वसनीय, नैदानिक रूप से भरोसेमंद स्पष्टीकरण उत्पन्न किए जा सकें, जिससे NTU RGB+D डेटासेट पर 94.3% सटीकता और उन्नत स्पष्टीकरण निष्ठा (explanation faithfulness) प्राप्त होती है।

मूल लेखक: Mohammad Saleh, Azadeh Tabatabaei

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohammad Saleh, Azadeh Tabatabaei

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बुजुर्ग देखभाल केंद्र (elderly care facility) के लिए एक स्मार्ट सुरक्षा गार्ड बना रहे हैं। इस गार्ड का काम निवासियों पर नज़र रखना है और यदि वह किसी को गिरते हुए देखता है, तो तुरंत चिल्लाकर कहना है, "कोई गिर गया है!"

लंबे समय से, कंप्यूटर वैज्ञानिक इन गार्डों को शक्तिशाली AI का उपयोग करके बना रहे हैं। लेकिन एक बड़ी समस्या है: AI एक "ब्लैक बॉक्स" (Black Box) है।

यह बता सकता है कि 94% सटीकता के साथ कोई गिरा है, लेकिन यह यह नहीं बता सकता कि क्यों गिरा। यह एक डॉक्टर की तरह है जो कहता है, "आप बीमार हैं," लेकिन यह दिखाने से इनकार कर देता है कि एक्स-रे क्या है या किस लक्षण के कारण निदान हुआ है। अस्पताल या नर्सिंग होम में, डॉक्टरों और देखभाल करने वालों को इस सिस्टम पर भरोसा करने की आवश्यकता होती है। उन्हें जानना होगा: क्या AI ने घुटना मुड़ते हुए देखा? क्या उसने रीढ़ की हड्डी को मुड़ते देखा? या वह बस किस्मत से सही अनुमान लगा गया?

यह शोध पत्र एक नया सिस्टम पेश करता है जो दो समस्याओं को एक साथ हल करता है: यह वास्तविक समय (real-time) के लिए पर्याप्त तेज़ है और भरोसेमंद होने के लिए पर्याप्त स्पष्ट है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, कुछ सरल उपमाओं (analogies) का उपयोग करते हुए।

1. समस्या: "झिलमिलाता बल्ब" (The Flickering Lightbulb)

शोधकर्ताओं ने देखा कि मौजूदा AI अपने निर्णयों की व्याख्या कैसे करते हैं। उन्होंने पाया कि जब AI किसी व्यक्ति के गिरने के वीडियो को देखता है, तो वह खुद को फ्रेम-दर-फ्रेम समझाने की कोशिश करता है (जैसे एक फ्लिपबुक के हर पन्ने को एक-एक करके देखना)।

समस्या: क्योंकि AI प्रत्येक क्षण को स्वतंत्र रूप से देखता है, इसलिए इसकी व्याख्या "झिलमिलाती" (flicker करती) है।
- फ्रेम 1: "बायां घुटना समस्या है!"
- फ्रेम 2: "नहीं, दाहिनी कोहनी है!"
- फ्रेम 3: "दरअसल, नाक है!"
परिणाम: एक मानव डॉक्टर के लिए, यह शोर (noise) जैसा दिखता है। यह एक ऐसी किताब को पढ़ने जैसा है जहाँ हर बार पलक झपकने पर अक्षर पन्ने पर इधर-उधर कूदते हैं। आप उस आधार पर निर्णय नहीं ले सकते।

2. समाधान: "स्मूदी" (The Smoothie - T-SHAP)

इसे ठीक करने के लिए, लेखकों ने T-SHAP (Temporally Stable SHAP) नामक एक नई विधि बनाई।

AI की व्याख्या को एक स्मूदी की तरह समझें।

मानक AI (SHAP): यदि आप केवल एक सेकंड के लिए ब्लेंडर में यादृच्छिक फल डालते हैं, तो आपको एक असमान मिश्रण मिलता है। कुछ हिस्से पूरी तरह सेब के होते हैं, कुछ पूरी तरह केले के।
T-SHAP: यह विधि उन व्यक्तिगत फ्रेमों को लेती है और उन्हें एक छोटी अवधि (जैसे 5 सेकंड का क्लिप) के दौरान आपस में मिला देती है। यह "चंकी" (uneven) शोर को सुचारू (smooth) कर देती है।
उपमा: झिलमिलाते बल्ब के बजाय, T-SHAP इसे एक स्थिर, चमकते लैंप में बदल देता है। यह डॉक्टर को बताता है: "पिछले कुछ सेकंडों में, व्यक्ति के घुटने और रीढ़ की हड्डी अस्थिर थे, जिससे गिरावट हुई।" यह एक स्थिर, विश्वसनीय कहानी है जिस पर एक इंसान भरोसा कर सकता है।

3. इंजन: "हल्की स्पोर्ट्स कार" (The Lightweight Sports Car)

कई आधुनिक AI मॉडल भारी, ईंधन की खपत करने वाले ट्रकों की तरह होते हैं। वे बहुत बुद्धिमान (उच्च सटीकता) होते हैं, लेकिन वे धीमे होते हैं और उन्हें चलाने के लिए भारी कंप्यूटर शक्ति की आवश्यकता होती है। आप एक ट्रक को आसानी से छोटे अपार्टमेंट या पोर्टेबल मेडिकल डिवाइस में नहीं रख सकते।

लेखकों ने एक Lightweight LSTM मॉडल चुना।

उपमा: इसे एक फुर्तीली स्पोर्ट्स कार के रूप में सोचें। यह दुनिया का सबसे बड़ा या सबसे जटिल वाहन नहीं है, लेकिन यह अविश्वसनीय रूप से तेज़ और कुशल है।
परिणाम: सिस्टम एक गिरावट का विश्लेषण कर सकता है और 25 मिलीसेकंड से भी कम समय में व्याख्या दे सकता है। यह पलक झपकने से भी तेज़ है। इसका मतलब है कि यह बिना किसी सुपरकंप्यूटर की आवश्यकता के, वास्तविक नर्सिंग होम में मानक, किफायती हार्डवेयर पर चल सकता है।

4. प्रमाण: क्या यह वास्तव में काम करता है?

शोधकर्ताओं ने गिरने वाले लोगों के एक डेटासेट (NTU RGB+D डेटासेट) पर अपने सिस्टम का परीक्षण किया। उन्होंने अपने "स्मूथ स्पोर्ट्स कार" की तुलना अन्य विधियों से की:

सटीकता (Accuracy): इसने 94.3% बार गिरने को सही ढंग से पकड़ा। (बहुत उच्च!)
विश्वसनीयता (Trustworthiness): उन्होंने "Faithfulness" नामक एक परीक्षण का उपयोग किया। कल्पना करें कि आप AI द्वारा खोजे गए सबसे महत्वपूर्ण सुरागों को लेते हैं और उन्हें छिपा देते हैं। यदि AI अच्छा है, तो उसे भ्रमित होना चाहिए और "Fall" (गिरना) की भविष्यवाणी करना बंद कर देना चाहिए।
- पुराने तरीके केवल थोड़ा भ्रमित हुए।
- T-SHAP बहुत अधिक भ्रमित हुआ जब इसके सुरागों को छिपा दिया गया। यह साबित करता है कि T-SHAP वास्तव में गिरने के वास्तविक कारणों को देख रहा है, न कि केवल अनुमान लगा रहा है।
"डॉक्टर की नज़र" (The Doctor's Eye): जब उन्होंने हीटमैप्स (विजुअल एक्सप्लेनेशन) को देखा, तो T-SHAP ने सही ढंग से घुटनों, कूल्हों और रीढ़ की हड्डी को हाइलाइट किया—वही शरीर के हिस्से जिन्हें बायोमैकेनिक्स विशेषज्ञ गिरने में शामिल मानते हैं। इसने केवल रैंडम पिक्सेल की ओर इशारा नहीं किया; इसने बायोमैकेनिक्स की ओर इशारा किया।

यह क्यों महत्वपूर्ण है

वास्तविक दुनिया में, यदि कोई AI कहता है "Fall Detected" (गिरावट का पता चला), तो एक नर्स को जानने की आवश्यकता होती है कि क्यों, ताकि वे कार्रवाई कर सकें।

यदि AI कहता है, "व्यक्ति का घुटना मुड़ा," तो नर्स को पैर की कमजोरी की जांच करने की आवश्यकता है।
यदि AI कहता है, "व्यक्ति ने संतुलन खो दिया," तो नर्स को चक्कर आने की जांच करने की आवश्यकता है।

AI की "सोचने की प्रक्रिया" को स्थिर, तेज़ और समझने में आसान बनाकर, यह शोध पत्र जटिल गणित और मानवीय देखभाल के बीच के अंतर को पाटता है। यह एक डरावने "ब्लैक बॉक्स" को एक पारदर्शी, सहायक उपकरण में बदल देता है जिस पर डॉक्टर और देखभाल करने वाले लोगों के जीवन के लिए वास्तव में भरोसा कर सकते हैं।

संक्षेप में: उन्होंने एक तेज़, स्मार्ट AI बनाया है जो न केवल "Fall!" कहता है, बल्कि शांति से यह भी समझाता है कि, "यहाँ बताया गया है कि गिरावट ठीक कैसे हुई," बिना अटके या झिलमिलाए।

यहाँ शोध पत्र "Explainable Fall Detection for Elderly Care via Temporally Stable SHAP in Skeleton-Based Human Activity Recognition" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वृद्ध देखभाल (Elderly Care) में गिरने का पता लगाना (Fall Detection) एक सुरक्षा-महत्वपूर्ण अनुप्रयोग है जिसके लिए न केवल उच्च वर्गीकरण सटीकता (classification accuracy) की आवश्यकता है, बल्कि विश्वसनीय और व्याख्या योग्य स्पष्टीकरणों (interpretable explanations) की भी आवश्यकता है जिन पर चिकित्सक भरोसा कर सकें। जबकि डीप लर्निंग मॉडल (जैसे GCNs, Transformers) कंकाल-आधारित मानव गतिविधि पहचान (Skeleton-based HAR) में उच्च सटीकता प्राप्त करते हैं, वे अक्सर निम्नलिखित समस्याओं से ग्रस्त होते हैं:

पारदर्शिता का अभाव: वे "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जिससे नैदानिक सेटिंग्स में उनके निर्णयों को सत्यापित करना कठिन हो जाता है।
व्याख्याओं में टेम्पोरल अस्थिरता (Temporal Instability in Explanations): अनुक्रमिक डेटा (sequential data) पर लागू किए गए मौजूदा पोस्ट-हॉक व्याख्यात्मक तरीके (जैसे मानक SHAP या Grad-CAM) फ्रेम-दर-फ्रेम किए जाने पर शोर युक्त (noisy) और उच्च-विचलन वाले एट्रिब्यूशन मैप्स उत्पन्न करते हैं। ये लगातार अगले फ्रेमों के बीच तेजी से उतार-चढ़ाव करते हैं, जिससे सुसंगत गति पैटर्न (motion patterns) अस्पष्ट हो जाते हैं और चिकित्सकों के लिए गिरने के विशिष्ट बायोमैकेनिकल कारणों (जैसे संतुलन खोना बनाम प्रभाव) की पहचान करना कठिन हो जाता है।
कंप्यूटेशनल लागत: अत्याधुनिक मॉडल अक्सर मध्यम श्रेणी के हार्डवेयर पर वास्तविक समय (real-time) में तैनाती के लिए बहुत भारी होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक हल्का (lightweight), एंड-टू-एंड फ्रेमवर्क प्रस्तावित करते हैं जो सटीकता, दक्षता और व्याख्याओं में टेम्पोरल स्थिरता के बीच संतुलन बनाता है।

A. मॉडल आर्किटेक्चर (Model Architecture)

बैकबोन (Backbone): एक लाइटवेट LSTM (Long Short-Term Memory) नेटवर्क।
- इनपुट: 3D कंकाल निर्देशांक (25 जोड़ × 3 आयाम = प्रति फ्रेम 75 विशेषताएं)।
- संरचना: सिंगल-लेयर LSTM (128 हिडन यूनिट्स) के बाद एक डेंस लेयर और सॉफ्टमैक्स (Softmax)।
- तर्क: LSTMs रैखिक कंप्यूटेशनल जटिलता $O(T)$ प्रदान करते हैं, जो उन्हें वास्तविक समय अनुमान (<25ms) के लिए उपयुक्त बनाता है, जबकि ट्रांसफॉर्मर्स या भारी ग्राफ कनवल्शनल नेटवर्क (GCNs) की जटिलता द्विघातीय (quadratic) होती है।
डेटासेट: NTU RGB+D डेटासेट, विशेष रूप से गिरने से संबंधित वर्गों (गिरना, बैठना, खड़ा होना, उठाना) पर ध्यान केंद्रित करते हुए बाइनरी क्लासिफिकेशन के लिए।

B. मुख्य नवाचार: T-SHAP (Temporally Stable SHAP)

मानक SHAP की टेम्पोरल अस्थिरता को संबोधित करने के लिए, लेखक एक पोस्ट-हॉक एकत्रीकरण रणनीति, T-SHAP पेश करते हैं।

तंत्र (Mechanism): प्रत्येक फ्रेम को स्वतंत्र रूप से मानने के बजाय, T-SHAP एक टेम्पोरल विंडो $W_t$ $W_{t}$ पर एक लीनियर स्मूथिंग ऑपरेटर (मूविंग एवरेज) लागू करता है।
- सूत्र: $\tilde{\phi}_{i,t} = \frac{1}{|W_t|} \sum_{k \in W_t} \phi_{i,k}$
- जहाँ $\phi$ समय $t$ पर विशेषता $i$ के मूल SHAP मान को दर्शाता है, और $W_t$ का आकार $2w+1$ है।
सैद्धांतिक गारंटी: T-SHAP शेपली वैल्यूज (Shapley values) के सैद्धांतिक गुणों (लोकल एक्यूरेसी, कंसिस्टेंसी, मिसिंगनेस) को सुरक्षित रखता है क्योंकि यह गणना के बाद लागू किया गया एक लीनियर ट्रांसफॉर्मेशन है।
प्रभाव: यह एक लो-पास फिल्टर के रूप में कार्य करता है, जो उच्च-आवृत्ति वाले शोर (jitter) को कम करता है और अर्थपूर्ण, निरंतर गति पैटर्न को संरक्षित करता है।

C. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

फेथफुलनेस (Faithfulness): इसे एरिया अंडर द पर्टर्बेशन कर्व (AUP) का उपयोग करके मापा जाता है। यह मीट्रिक मात्रा निर्धारित करता है कि शीर्ष-रैंक वाली विशेषताओं (SHAP के अनुसार) को हटाने पर मॉडल के प्रेडिक्शन कॉन्फिडेंस में कितनी गिरावट आती है। उच्च AUP यह दर्शाता है कि व्याख्या मॉडल के निर्णय के प्रति कितनी 'कॉज़ल फेथफुल' (causally faithful) है।
टेम्पोरल स्थिरता (Temporal Stability): इसे क्रमिक फ्रेमों के बीच एट्रिब्यूशन स्कोर के विचरण (variance) द्वारा मापा जाता है।
लेटेंसी (Latency): एंड-टू-एंड अनुमान समय।

3. प्रमुख योगदान (Key Contributions)

T-SHAP फ्रेमवर्क: एक टेम्पोरल रूप से जागरूक, पोस्ट-हॉक एकत्रीकरण रणनीति का परिचय, जो अतिरिक्त मॉडल प्रशिक्षण की आवश्यकता के बिना अनुक्रमिक डेटा के लिए SHAP एट्रिब्यूशन को स्थिर करता है।
लाइटवेट रियल-टाइम सिस्टम: यह प्रदर्शन करना कि एक सरल LSTM आर्किटेक्चर GCNs या ट्रांसफॉर्मर्स की तुलना में काफी कम कंप्यूटेशनल ओवरहेड के साथ प्रतिस्पर्धी सटीकता (94.3%) प्राप्त कर सकता है, जो एज/क्लिनिकल डिवाइस के लिए उपयुक्त है।
XAI का मात्रात्मक सत्यापन: गुणात्मक विज़ुअलाइज़ेशन से आगे बढ़ते हुए, यह शोध पत्र ठोस मात्रात्मक साक्ष्य (AUP और वेरिएंस मेट्रिक्स के माध्यम से) प्रदान करता है कि T-SHAP, मानक SHAP और Grad-CAM की तुलना में अधिक फेथफुल और स्थिर व्याख्याएं उत्पन्न करता है।
बायोमैकेनिकल संरेखण (Biomechanical Alignment): T-SHAP द्वारा उत्पन्न व्याख्याएं स्थापित क्लिनिकल अवलोकनों (जैसे निचले अंगों की अस्थिरता और रीढ़ के संरेखण में परिवर्तन) के साथ मेल खाती हैं, जो मॉडल की निर्णय लेने की प्रक्रिया को प्रमाणित करती हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

वर्गीकरण प्रदर्शन (Classification Performance):
- सटीकता (Accuracy): 94.3%
- प्रिसिजन/रिकॉल/F1: ~94%
- लेटेंसी: कुल अनुमान समय <25 ms है (4.8 ms LSTM प्रेडिक्शन + 12–20 ms T-SHAP स्पष्टीकरण), जो वास्तविक समय की बाधाओं (<100 ms) को पूरा करता है।
व्याख्यात्मक प्रदर्शन (Faithfulness - AUP):
- T-SHAP: 0.91 (उच्चतम)
- Standard SHAP: 0.89
- Grad-CAM: 0.82
- व्याख्या: T-SHAP उन विशेषताओं की पहचान करता है जो भविष्यवाणी से अधिक कॉज़ल रूप से जुड़ी हुई हैं, क्योंकि उन्हें हटाने से मॉडल के कॉन्फिडेंस में तीव्र गिरावट आती है।
टेम्पोरल स्थिरता (Temporal Stability):
- T-SHAP ने मानक SHAP की तुलना में टेम्पोरल वेरिएंस को 24% कम कर दिया।
- विज़ुअलाइज़ेशन ने दिखाया कि T-SHAP समय के साथ विशिष्ट जोड़ों (रीढ़, घुटने, हाथ) को हाइलाइट करने वाले सुसंगत, निरंतर हीटमैप बनाता है, जबकि मानक SHAP खंडित, शोर युक्त एक्टिवेशन दिखाता है।
सेंसिटिविटी एनालिसिस: पाया गया कि $w=2$ (5-फ्रेम विंडो) का विंडो साइज इष्टतम है, जो शोर कम करने और सूक्ष्म टेम्पोरल विवरणों को बनाए रखने के बीच संतुलन बनाता है।

5. महत्व और प्रभाव (Significance and Impact)

क्लिनिकल ट्रस्ट (Clinical Trust): स्थिर, बायोमैकेनिकल रूप से सुसंगत स्पष्टीकरण प्रदान करके, यह फ्रेमवर्क AI भविष्यवाणियों और क्लिनिकल तर्क के बीच की खाई को पाटता है। चिकित्सक यह सत्यापित कर सकते हैं कि गिरावट का पता क्यों लगाया गया (जैसे, "निचले अंगों में प्रगतिशील संतुलन की हानि") न कि केवल एक बाइनरी अलर्ट प्राप्त करना।
वास्तविक दुनिया में तैनाती (Real-World Deployment): उच्च सटीकता और कम लेटेंसी का संयोजन इस प्रणाली को मध्यम श्रेणी के हार्डवेयर पर सहायता केंद्रों और होम मॉनिटरिंग सिस्टम में तैनात करने के लिए व्यवहार्य बनाता है।
पैराडाइम शिफ्ट (Paradigm Shift): यह शोध पत्र तर्क देता है कि सुरक्षा-महत्वपूर्ण डोमेन में, व्याख्याओं की स्थिरता और विश्वसनीयता को अनुकूलित करना केवल कच्ची सटीकता (raw accuracy) को अधिकतम करने जितना ही महत्वपूर्ण है। यह प्रदर्शित करता है कि यदि मॉडल की व्याख्यात्मकता और टेम्पोरल सामंजस्य को कठोरता से संबोधित किया जाए, तो जटिल आर्किटेक्चर हमेशा आवश्यक नहीं होते हैं।
भविष्य की दिशाएं: T-SHAP दृष्टिकोण मॉडल-अज्ञेयवादी (model-agnostic) है और इसे व्यापक XAI अनुप्रयोगों में "टेम्पोरल अस्थिरता" की समस्या को हल करने के लिए अन्य अनुक्रमिक डोमेन (पुनर्वास, खेल बायोमैकेनिक्स) और अधिक जटिल आर्किटेक्चर (Transformers, GCNs) में विस्तारित किया जा सकता है।