تعتبر تكنولوجيا التعرف على الحركة عبر الواي فاي (Wi-Fi Motion Recognition) من المجالات الواعدة في الذكاء الاصطناعي، حيث تعتمد على تحليل معلومات حالة القناة (Channel State Information - CSI) المستمدة من اتصالات الواي فاي. لكن ما يثير القلق هو تأثير حركة المرور المتغيرة على معدل وأوقات أخذ العينات، وهو ما تم إغفاله في العديد من الأنظمة الحالية.

تقدم هذه الدراسة مقاربة مبتكرة تتجاوز القيود المفروضة على النماذج الحالية، حيث يتم تدريب أنظمة التعرف على الحركة على أحجام إدخال ثابتة ومعدلات أخذ عينات ثابتة، مما يؤدي إلى ضعف التعميم في الأداء. تمثل الشبكة العصبية المتنوعة لمعدل أخذ العينات (Sampling Rate Versatile Neural Network - SRV-NN) حلاً فريداً، حيث تعتمد على بنية المحول (Transformer) لتمكين معالجة فعالة للإشارات ذات الأحجام المتغيرة.

بالإضافة إلى ذلك، تم استخدام تقنية تعزيز معدل أخذ العينات الديناميكي للتكيف مع الظروف المتغيرة. تم تقييم الأداء عبر مجموعة من التجارب باستخدام مجموعتين من البيانات تم جمعهما ذاتياً، وهما مجموعة نشاط SRV ومجموعة إيماءات SRV، بالإضافة إلى مجموعتين متاحتين علنياً.

أظهرت نتائج التجارب تحسناً ملحوظاً في الدقة واستقرار الأداء تحت معدلات أخذ عينات متغيرة، وحققنا نتائج أفضل بكثير مقارنة بالنماذج التقليدية بدون تحسين. إن هذا النهج لا يعزز الدقة فحسب، بل يقلل أيضًا من تباين النتائج عبر معدلات أخذ عينات مختلفة، مما يمهد الطريق لتطبيقات جديدة في مجالات مثل التعرف على إيماءات المستخدمين ونشاطاتهم.

إذن، كيف يمكن لهذه التقنية تحسين التطبيقات العملية في حياتنا اليومية؟ دعونا نتناقش في التعليقات!