Erklärbare Aktivitätserkennung: Einheitlicher Überblick über Konzepte

Die Erkennung menschlicher Aktivitäten (HAR) ist heute ein zentraler Baustein intelligenter Systeme für Gesundheitsüberwachung, assistiertes Wohnen, smarte Umgebungen und die Interaktion zwischen Mensch und Computer. Durch den Einsatz von Deep‑Learning‑Modellen konnten die Genauigkeit und die Vielseitigkeit von HAR deutlich gesteigert werden – doch die Black‑Box‑Natur dieser Modelle erschwert Vertrauen, Zuverlässigkeit und die praktische Umsetzung.

Um diese Transparenzlücke zu schließen, hat sich das Feld der erklärbaren künstlichen Intelligenz (XAI) als entscheidende Richtung etabliert. In der vorliegenden Übersicht werden XAI‑Methoden für HAR systematisch zusammengefasst, wobei die Anwendungsbereiche von Wearables über ambient‑basierte Sensoren bis hin zu physiologischen und multimodalen Messungen abgedeckt werden.

Ein zentrales Merkmal der Arbeit ist die Einführung einer einheitlichen Perspektive, die die konzeptionellen Dimensionen der Erklärbarkeit von den konkreten algorithmischen Erklärungsmechanismen trennt. Auf dieser Basis wird ein taxonomischer Rahmen vorgestellt, der die wichtigsten Erklärungsparadigmen in einer klaren, mechanismus‑zentrierten Struktur abbildet. Dieser Ansatz reduziert die Mehrdeutigkeiten, die in früheren Übersichtsarbeiten auftraten, und erleichtert die Vergleichbarkeit verschiedener Methoden.

Die Analyse beleuchtet zudem, wie die vorgestellten Techniken die zeitlichen, multimodalen und semantischen Komplexitäten von HAR adressieren, und fasst ihre Interpretationsziele, Zielgruppen und Einschränkungen zusammen. Abschließend werden aktuelle Evaluationspraktiken diskutiert, zentrale Herausforderungen für die Zuverlässigkeit und Einsatzfähigkeit von XAI‑HAR hervorgehoben und Perspektiven für vertrauenswürdige Aktivitätserkennungssysteme skizziert, die die menschliche Entscheidungsfindung besser unterstützen.