في السنوات الأخيرة، زادت أهمية تقنية التعرف على أنشطة البشر (HAR) باستخدام معلومات حالة القناة اللاسلكية (WiFi CSI)، حيث توفر هذه التقنية حلاً مبتكرًا وغير مُكلف يحافظ على خصوصية المستخدمين. ومع ذلك، كانت العديد من الأساليب التعليمية المعتمدة تعتمد أساسًا على نماذج عميقة ومعقدة من حيث الحسابات، مما يؤدي إلى زيادة تعقيد النموذج وتقليل كفاءته.

تأتي الدراسة الجديدة لتقدم حلاً مُبتكرًا، حيث نقدّم إطار عمل مبني على الشبكات الزمنية الكونفوليوشنية (Temporal Convolutional Networks - TCN) يضمن دمج معايير انتباه موجهة لقوانين الفيزياء، مما يعزز من تعلم الميزات بطريقة أكثر كفاءة وفعالية.

ترتكز فكرتنا الرئيسية على تضمين آليات انتباه زمنية موجهة بالطاقة دوبلر (Doppler-energy-guided temporal attention mechanism) في فضاء الميزات، بهدف تسليط الضوء على فترات الزمن التي تتميز بالحركة، بالإضافة إلى تضمين وحدة انتباه موجهة حسب الفروقات (variance-driven channel attention module) التي تحدد وزن الناقلات الفرعية بناءً على إحصائيات الحركات الزمنية كلٌ حسب حالته.

أشارت التجارب الواسعة على عدة مجموعات بيانات مرجعية إلى أن نهجنا يحقق أداءً متفوقًا مقارنة بنماذج أعمق، مع تقليل عدد المعاملات والتكلفة الحسابية بشكل كبير، مما يفتح آفاقًا جديدة لتطبيقات التعرف على أنشطة البشر في المستقبل.