في عالم الذكاء الاصطناعي، يمثل التعرف على الأنشطة البشرية (Human Activity Recognition - HAR) أحد أبرز التطورات لتوفير مراقبة مستمرة وصديقة للخصوصية باستخدام أجهزة استشعار قابلة للارتداء. ومع ذلك، تطوير نماذج موثوقة تتعامل مع تنوع المستخدمين وظروف العالم الحقيقي يتطلب كميات هائلة من بيانات IMU المصنفة، والتي قد تكون مكلفة وصعبة التجميع.

لذا، تظهر الحاجة إلى إيجاد أساليب جديدة وفعالة لتوسيع قاعدة البيانات المتاحة.

في هذا السياق، تم تقديم إطار عمل مبتكر يدعى "تعزيز IMU الافتراضي المراعي للتغطية"، والذي يهدف إلى تحديد أفضل الأماكن لإضافة بيانات جديدة، كيفية إنشاء واختيار مرشحين افتراضيين، ومدى تأكيد وزن هذه البيانات خلال التدريب.

الفكرة تتلخص في تحديد نقاط التنوع والندرة في فضاء تمثيل المستشعرات، ثم تحويل ديناميكيات هذه النقاط إلى إشعارات لتوليد مرشحين افتراضيين في كل نقطة. بعد ذلك، يتم تقييم هذه المرشحين بناءً على تكلفة الاختيار التي تجمع بين القرب من النقاط وتناسق التسمية، ومن ثم دمج المرشحين الذين تم اختيارهم في المرحلة التدريبية لنموذج HAR مع أوزان تعتمد على الموثوقية.

أظهرت التجارب على مجموعة بيانات HAR العامة أن هذه الطريقة تحسين أداء التعرف بشكل مستمر مقارنة بالطرق التقليدية، في حين أكدت الدراسات الفرعية فعالية تصميم هذا الإطار المقترح.

إذا كنتم مهتمين بالتطورات الرائعة في مجال التعرف على الأنشطة البشرية، فلا تترددوا في مشاركة آرائكم وتجاربكم في التعليقات.