في ظل تزايد أهمية التعرف على الأنشطة البشرية (HAR) في مجالات الصحة والعافية، تسعى الأبحاث الجديدة لحل التحديات المرتبطة برصد الأنشطة الغذائية مثل الأكل والشرب. هذه الأنشطة ليست مهمة فقط لفهم العادات الغذائية، ولكن أيضاً لإدارة الأمراض المزمنة.

تتزايد التحديات في أنظمة التعرف على الأنشطة، خاصة في حالة الفئات الناقصة، مما يحد من قدرتها على التطبيق في مواقف رصد النظام الغذائي في العالم الحقيقي.

الخطوة الحديثة التي تناقشها هذه الدراسة ترتكز على نموذج تقني يُدعى CABiGRU، وهو نموذج معماري يعمل على تحليل البيانات من أجهزة الاستشعار مثل التسارع، والدوران، والمغناطيسية المدمجة في الساعات الذكية. يهدف هذا النموذج إلى التقاط الأنماط الزمنية بشكل دقيق باستخدام طبقات GRU ثنائية الاتجاه، بالإضافة إلى استخدام الانتباه متعدد الرؤوس.

لتعزيز قدرة CABiGRU على التعرف وتحسين الأداء في الفئات الناقصة، تم استخدام نوافذ بيانات استشعار توليدية مدعومة بنموذج انسيابي (Diffusion Model)، تم تكييفها مع استراتيجية تدريب ثنائية المرحلة. تم البدء بتدريب CABiGRU على البيانات التوليدية، تلاها ضبط دقيق على بيانات العالم الحقيقي.

أظهرت التجارب على مجموعة بيانات DEO (شرب/أكل/أخرى) أن هذه الإستراتيجية حققت دقة متوازنة تصل إلى 90.6%، وهو ما يتفوق على النماذج التقليدية. تشير النتائج إلى أن دمج البيانات الناتجة عن النموذج الانسيابي مع التكييف المستهدف يعزز من قدرة النظام على التعرف على الأنشطة الغذائية، مما يوفر إمكانيات موثوقة للنشر في مجالات الرعاية الصحية ورصد التغذية.