يعد التعرف على النشاط البشري من إطارات الفيديو أو الصور الثابتة مهمة صعبة بسبب مشاكل مثل فوضى الخلفية، والانسداد الجزئي، والتغيير في الحجم، وزاوية العرض، والإضاءة، والمظهر. تتطلب العديد من التطبيقات، بما في ذلك أنظمة مراقبة الفيديو، والتفاعل بين الإنسان والحاسوب، والروبوتات لوصف السلوك البشري، نظام التعرف على الأنشطة المتعددة. في هذا العمل، قدمنا ​​مخطط تصنيف لخمسة أنواع من الأنشطة البشرية بناءً على التعلم العميق الهجين. تم جمع بيانات هذا العمل من أجهزة استشعار الهواتف الذكية للمستخدمين. تم استخدام مخطط اختيار ميزة NCA لتقليل أبعاد البيانات، وعلاوة على ذلك، تم استخدام شبكات CNN و LSTM العميقة في سلسلة لتعلم السمات المكانية والزمانية وتصنيف الأنشطة البشرية. حققت الطريقة المقترحة دقة إجمالية تبلغ 98.5٪ في اكتشاف أنشطة الجسم لخمسة أنواع مختلفة من الأنشطة.<br /><br />مقدمة<br /><br />يستخدم التعرف على النشاط البشري (HAR) أنظمة الكمبيوتر لتحديد الأنشطة البشرية باستخدام أجهزة استشعار مختلفة، مثل أجهزة استشعار الصور وأجهزة استشعار الصوت وأجهزة قياس التسارع. وتغطي تطبيقاتها الرعاية الصحية للأفراد ذوي الإعاقة، وتحليلات الرياضة، والمنازل الذكية، والرعاية الطبية. تقدم هذه الأطروحة نهجًا هجينًا للتعلم العميق يدمج CNN وLSTM للتعرف الفعال على الأنشطة البشرية من خلال أجهزة استشعار الهواتف الذكية. ومع التوسع الحضري المتزايد، أصبح دور HAR في المدن الذكية لمراقبة الصحة والمعيشة المستدامة مهمًا بشكل متزايد.<br /><br />التعلم العميق<br />تُستخدم الشبكات العصبية الاصطناعية في التعلم العميق لإجراء حسابات معقدة على كميات هائلة من البيانات. التعلم هو مجموعة فرعية من التعلم الآلي تستند إلى كيفية تنظيم الدماغ البشري ووظائفه.<br /><br />تدرب تقنيات التعلم العميق أجهزة الكمبيوتر باستخدام الأمثلة للتعلم. غالبًا ما يستخدم التعلم العميق في قطاعات مثل الرعاية الصحية والتجارة الإلكترونية والترفيه والإعلان.<br /><br />المنهجية المقترحة<br /><br />يستخدم النظام المقترح بيانات مستشعر الهاتف الذكي لتصنيف الأنشطة البشرية باستخدام نموذج التعلم العميق الهجين. تشمل الخطوات الرئيسية:<br />1. **معالجة البيانات مسبقًا**: التطبيع والتقسيم إلى مجموعات تدريب واختبار.<br />2. **اختيار الميزة**: استخدام خوارزمية تحليل مكونات الجوار (NCA) لتعزيز دقة التصنيف.<br />3. **هندسة التعلم العميق**: الجمع بين طبقات CNN للميزات المكانية وطبقات LSTM للتسلسلات الزمنية.<br />4. **التقييم**: الاختبار على بيانات غير مرئية لتحقيق نتائج قوية.<br /><br />النتائج والمناقشة<br /><br />حققت الطريقة المقترحة دقة بنسبة 98.54% على بيانات الاختبار. وأظهرت نتائج المحاكاة فعالية الشبكة العميقة الهجينة في تحديد خمسة أنشطة بشرية مميزة بدقة. وبالمقارنة مع الأساليب الأساسية، أظهر نموذج CNN-LSTM أداءً محسنًا في معالجة الميزات المكانية والزمانية، وتم التحقق من صحة ذلك من خلال مصفوفات الارتباك ومقاييس التقييم.<br /><br />الخلاصة والعمل المستقبلي<br /><br />قدمت هذه الدراسة نهجًا هجينًا لـ CNN-LSTM مع NCA لاختيار الميزات، وتحقيق دقة عالية في التعرف على النشاط البشري.<br /><br />قد يتضمن العمل المستقبلي توسيع قاعدة البيانات، ودمج أجهزة استشعار إضافية، وتحسين معلمات الشبكة العصبية باستخدام خوارزميات ميتا هيوريستية.<br /><br />الخلفية النظرية<br /><br />أحدث التعلم العميق ثورة في التعرف على النشاط البشري من خلال الاستفادة من مجموعات البيانات الكبيرة والشبكات العصبية القوية.<br /><br />تستخدم هذه الدراسة نموذجًا هجينًا يجمع بين الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة الطويلة والقصيرة المدى (LSTMs).<br /><br />1. **CNNs**: تم تصميمها لاستخراج السمات المكانية من البيانات، مثل الأنماط في إشارات مقياس التسارع أو الجيروسكوب.<br /><br />2. **LSTMs**: تم تصميم هذه الشبكات العصبية المتكررة للبيانات الزمنية، مما يمكن النظام من فهم تسلسلات الأنشطة البشرية.<br /><br />3. **تحليل مكونات الجوار (NCA)**: تقلل هذه الخوارزمية من الأبعاد من خلال تحديد السمات الأكثر صلة،<br />وتعزيز أداء النموذج والكفاءة الحسابية.<br /><br />من خلال الجمع بين هذه التقنيات، تقدم الطريقة المقترحة دقة ومتانة متفوقتين.<br /><br />التحديات والقيود<br /><br />على الرغم من أدائها العالي، تواجه الطريقة المقترحة العديد من التحديات:<br />1. **تباين المستشعر**: تختلف دقة المستشعر في نماذج الهواتف الذكية المختلفة، مما يؤثر على اتساق البيانات.<br />2. **الضوضاء البيئية**: يمكن أن تؤثر العوامل الخارجية مثل التداخل المغناطيسي أو الإضاءة غير المتسقة على الدقة.<br />3. **قابلية التوسع**: توسيع النموذج للتعرف على المزيد من الأنشطة أو دمج أنشطة إضافية.