في عالم تتزايد فيه الحاجة إلى تقنيات مراقبة الصحة وإعادة التأهيل، يظهر التعرف على الأنشطة من خلال مستشعرات قياس التسارع (Inertial Measurement Unit - IMU) كحاجة ملحّة. في هذا الإطار، بالرغم من التقدم الكبير في تقنيات التعلم العميق، لا تزال العديد من التحديات قائمة، بدءًا من الاعتماد على البيانات المصنَّفة، وصولًا إلى تعقيد دمج المستشعرات المتعددة، وأخيرًا القدرة المحدودة للأساليب غير المُراقَبة في التقاط الاعتماد الزمني والمكاني للبيانات.

المقال يقدّم إطار عمل مبتكر يعتمد على تشفير آلي مُعزَّز بالذاكرة (Memory-Augmented Autoencoder)، وهو نهج جديد لن يساهم فقط في تحسين فهم البيانات، بل سيضيف بعدًا زمنيًا يساعد في معالجة الأنشطة في الوقت الحقيقي. يعتمد هذا النظام على نوافذ زمنية قصيرة من بيانات مستشعرات IMU المتعددة، مما يتيح له تحديد الأنشطة بشكل أكثر دقة وفاعلية.

أحد المفاتيح الرئيسية في إطارنا هو استخراج الميزات الثابتة الهرمية باستخدام تشفير آلي متراكم (Stacked Autoencoder)، حيث نقوم بدمج هذه الميزات داخل المستشعرات وبينها. وتلعب وحدة LSTM (Long Short-Term Memory) التشفيرية الدور الرئيسي في تحسين الميزات زمنيًا، إذ تقوم بدمج أنماط الحركة التاريخية دون الحاجة إلى بيانات مُصنَّفة.

لقد أجرينا تحليلاً دقيقًا للمعلمات الرئيسية للتأكد من تحقيق أقصى فصل بين الميزات ضمن قيود النوافذ الزمنية القصيرة. وقد تم تقييم الطريقة على مجموعة بيانات DaLiAc و PAMAP2، حيث حقّقت دقة تصل إلى 96.6% و 98.4% على التوالي، متجاوزة بذلك الأساليب المُراقَبة وغير المُراقَبة. وقد أظهرت الطريقة تحسنًا في فصل الميزات بنحو 9% على الرغم من انخفاض طول النوافذ الزمنية.

في سياقنا العملي، حيث قد تؤدي التقسيمات غير المثالية بين الأنشطة إلى تقليل دقة النتائج، تم اعتماد تقسيم واقعي بين الفصول لتجسيد أفضل للتغيرات في الأنشطة الحياتية، مما يعكس التطبيق العملي الحقيقي للاختراعات التقنية الحديثة.