التعرف على النشاط

📅 آخر تحديث: ٢٥ يوليو ٢٠٢٦
✍️ نُشر في: ٢٥ يوليو ٢٠٢٦
📷 يحتوي على 16 صور
الموسوعة الحرة

يهدف التعرف على الأنشطة إلى تحديد أفعال وأهداف عنصر أو أكثر من خلال سلسلة من الملاحظات حول أفعالهم والظروف البيئية المحيطة. ومنذ ثمانينيات القرن الماضي، استقطب هذا المجال البحثي اهتمام العديد من مجتمعات علوم الحاسوب، وذلك لقدرته على توفير دعم مخصص للعديد من التطبيقات المختلفة، وارتباطه بالعديد من مجالات الدراسة المتنوعة، مثل الطب، والتفاعل بين الإنسان والحاسوب ، وعلم الاجتماع.

نظراً لطبيعتها متعددة الأوجه، قد تشير مجالات مختلفة إلى التعرف على النشاط على أنه التعرف على الخطة، والتعرف على الهدف، والتعرف على النية، والتعرف على السلوك، وتقدير الموقع، والخدمات القائمة على الموقع .

الأنواع

التعرف على النشاطات باستخدام أجهزة الاستشعار للمستخدم الواحد

يدمج التعرف على الأنشطة باستخدام أجهزة الاستشعار مجال شبكات الاستشعار الناشئ مع تقنيات استخراج البيانات والتعلم الآلي الحديثة لنمذجة نطاق واسع من الأنشطة البشرية. [ 1 ] [ 2 ] توفر الأجهزة المحمولة (مثل الهواتف الذكية) بيانات استشعار كافية وقدرة حسابية تمكن من التعرف على النشاط البدني وتقدير استهلاك الطاقة خلال الحياة اليومية. يعتقد الباحثون في مجال التعرف على الأنشطة باستخدام أجهزة الاستشعار أنه من خلال تمكين أجهزة الكمبيوتر وأجهزة الاستشعار المنتشرة في كل مكان من مراقبة سلوك المستخدمين (بموافقتهم)، ستكون هذه الأجهزة أكثر ملاءمة للعمل نيابةً عنا. تسمح أجهزة الاستشعار البصرية التي تتضمن معلومات اللون والعمق، مثل جهاز Kinect ، بالتعرف التلقائي على الحركة بدقة أكبر، وتدمج العديد من التطبيقات الناشئة مثل التعليم التفاعلي [ 3 ] والبيئات الذكية. [ 4 ] تتيح تعدد زوايا الرؤية في أجهزة الاستشعار البصرية تطوير التعلم الآلي للتعرف التلقائي على الحركة بغض النظر عن زاوية الرؤية. [ 5 ] تسمح أجهزة الاستشعار الأكثر تطورًا المستخدمة في أنظمة التقاط الحركة ثلاثية الأبعاد بالتعرف التلقائي عالي الدقة، ولكن على حساب إعداد نظام أجهزة أكثر تعقيدًا. [ 6 ]

مستويات التعرف على الأنشطة باستخدام أجهزة الاستشعار

يُعدّ التعرّف على الأنشطة باستخدام أجهزة الاستشعار مهمةً بالغة الصعوبة نظرًا لطبيعة البيانات المُدخلة التي تتسم بالتشويش. ولذلك، شكّلت النمذجة الإحصائية محورًا رئيسيًا في هذا المجال، حيث يتمّ التعرّف على الأنشطة في مستويات وسيطة متعددة، وترتبط هذه المستويات ببعضها البعض. في المستوى الأدنى، حيث تُجمع بيانات أجهزة الاستشعار، يُعنى التعلّم الإحصائي بكيفية تحديد المواقع التفصيلية للعناصر من بيانات الإشارة المُستقبلة. في المستوى الوسيط، قد يُعنى الاستدلال الإحصائي بكيفية التعرّف على أنشطة الأفراد من خلال تسلسلات المواقع المُستنتجة والظروف البيئية في المستويات الأدنى. علاوةً على ذلك، في المستوى الأعلى، يتمثل أحد الشواغل الرئيسية في تحديد الهدف العام أو الأهداف الفرعية للعنصر من خلال تسلسلات الأنشطة، وذلك عبر مزيج من الاستدلال المنطقي والإحصائي.

التعرف على الأنشطة متعددة المستخدمين باستخدام أجهزة الاستشعار

ظهرت تقنية التعرف على أنشطة عدة مستخدمين باستخدام أجهزة استشعار مثبتة على الجسم لأول مرة في دراسة أجراها ORL باستخدام أنظمة الشارات النشطة [ 7 ] في أوائل التسعينيات. واستُخدمت تقنيات استشعار أخرى، مثل مستشعرات التسارع، لتحديد أنماط أنشطة المجموعات في بيئات العمل المكتبية [ 8 ] . وتناول غو وآخرون [ 9 ] أنشطة عدة مستخدمين في البيئات الذكية . في هذه الدراسة، بحثوا في المشكلة الأساسية المتمثلة في التعرف على أنشطة عدة مستخدمين من قراءات أجهزة الاستشعار في بيئة منزلية، واقترحوا منهجًا جديدًا لاستخراج الأنماط للتعرف على أنشطة المستخدم الواحد وأنشطة عدة مستخدمين في حل موحد.

التعرف على الأنشطة الجماعية باستخدام أجهزة الاستشعار

يختلف التعرف على أنشطة المجموعات اختلافًا جوهريًا عن التعرف على أنشطة الأفراد أو المستخدمين المتعددين، إذ يهدف إلى التعرف على سلوك المجموعة ككيان واحد، بدلًا من أنشطة أعضائها الأفراد. [ 10 ] يتسم سلوك المجموعة بطبيعته الناشئة، ما يعني أن خصائص سلوك المجموعة تختلف اختلافًا جوهريًا عن خصائص سلوك الأفراد داخلها، أو أي مجموع لهذا السلوك. [ 11 ] تكمن التحديات الرئيسية في نمذجة سلوك أعضاء المجموعة، فضلًا عن أدوار الفرد ضمن ديناميكية المجموعة [ 12 ] وعلاقتها بالسلوك الناشئ للمجموعة بالتوازي. [ 13 ] تشمل التحديات التي لا تزال بحاجة إلى معالجة: تحديد سلوك وأدوار الأفراد المنضمين إلى المجموعة كميًا، ودمج نماذج صريحة لوصف الأدوار في خوارزميات الاستدلال، وتقييمات قابلية التوسع للمجموعات والحشود الكبيرة جدًا. يُستخدم التعرف على أنشطة المجموعات في إدارة الحشود والاستجابة في حالات الطوارئ، فضلًا عن تطبيقات الشبكات الاجتماعية وتطبيقات التتبع الذاتي الكمي . [ 14 ]

الأساليب

التعرف على الأنشطة من خلال المنطق والاستدلال

تُتابع المناهج القائمة على المنطق جميع التفسيرات المتسقة منطقيًا للأفعال المرصودة. لذا، يجب مراعاة جميع الخطط أو الأهداف الممكنة والمتسقة. قدّم كاوتز نظرية رسمية للتعرف على الخطط، واصفًا إياها بأنها عملية استدلال منطقي للتحديد. يُشار إلى جميع الأفعال والخطط بشكل موحد باسم الأهداف، وتُمثّل معرفة المُعرِّف بمجموعة من عبارات الرتبة الأولى، تُسمى التسلسل الهرمي للأحداث. يُشفّر التسلسل الهرمي للأحداث في منطق الرتبة الأولى ، الذي يُحدد التجريد والتفكيك والعلاقات الوظيفية بين أنواع الأحداث. [ 15 ]

يتميز إطار كاوتز العام للتعرف على الخطط بتعقيد زمني أُسّي في أسوأ الحالات، يُقاس بحجم التسلسل الهرمي للمدخلات. وقد ذهب ليش وإتزيوني خطوة أبعد، فقدما أساليب لتوسيع نطاق التعرف على الأهداف، بهدف زيادة كفاءة عمله حسابيًا. وعلى عكس منهج كاوتز الذي يُمثل مكتبة الخطط بشكل صريح، يُتيح منهج ليش وإتزيوني إنشاء مكتبة الخطط تلقائيًا انطلاقًا من العناصر الأولية للمجال. علاوة على ذلك، قدّما تمثيلات مُختصرة وخوارزميات فعّالة للتعرف على الأهداف في مكتبات الخطط الكبيرة. [ 16 ]

تُعدّل الخطط والأهداف غير المتسقة باستمرار مع ظهور إجراءات جديدة. إضافةً إلى ذلك، قدّموا أيضًا طرقًا لتكييف نظام التعرف على الأهداف للتعامل مع السلوك الفردي غير المألوف، وذلك بالاستناد إلى عينة من سلوك الفرد الأخير. وصف بولاك وزملاؤه نموذجًا للمحاججة المباشرة يُمكنه معرفة القوة النسبية لأنواع مختلفة من الحجج لوصف المعتقدات والنوايا.

تتمثل إحدى المشكلات الخطيرة للمناهج القائمة على المنطق في عجزها، أو عدم جدواها المتأصلة، عن تمثيل حالة عدم اليقين. فهي لا توفر آلية لتفضيل منهج متسق على آخر، ولا تستطيع تحديد ما إذا كانت خطة معينة أكثر ترجيحًا من غيرها، طالما أن كلتيهما متسقتان بما يكفي لتفسير الإجراءات المرصودة. كما أن هناك قصورًا في القدرة على التعلم مرتبطًا بالأساليب القائمة على المنطق.

هناك نهج آخر للتعرف على الأنشطة القائمة على المنطق وهو استخدام الاستدلال المتدفق القائم على برمجة مجموعة الإجابات ، [ 17 ] وقد تم تطبيقه على التعرف على الأنشطة للتطبيقات المتعلقة بالصحة، [ 18 ] والذي يستخدم قيودًا ضعيفة لنمذجة درجة من الغموض/عدم اليقين.

التعرف على الأنشطة من خلال الاستدلال الاحتمالي

تُستخدم نظرية الاحتمالات ونماذج التعلم الإحصائي مؤخرًا في التعرف على الأنشطة للاستدلال على الأفعال والخطط والأهداف في ظل عدم اليقين. [ 19 ] وقد ظهرت في الأدبيات عدة مناهج تُجسد عدم اليقين بشكل صريح في الاستدلال على خطط وأهداف الفاعل.

باستخدام بيانات المستشعرات كمدخلات، صمم هودجز وبولاك أنظمة تعتمد على التعلم الآلي لتحديد هوية الأفراد أثناء قيامهم بأنشطتهم اليومية الروتينية، مثل تحضير القهوة. [ 20 ] وقد أنجز مختبر أبحاث إنتل (سياتل) وجامعة واشنطن في سياتل أعمالًا مهمة في استخدام المستشعرات لرصد تحركات الأفراد. [ 21 ] [ 22 ] [ 23 ] وتستنتج بعض هذه الأعمال وسائل نقل المستخدمين من قراءات مُعرّفات الترددات الراديوية (RFID) وأنظمة تحديد المواقع العالمية (GPS).

لقد أثبت استخدام النماذج الاحتمالية الزمنية فعاليته في التعرف على الأنشطة، ويتفوق عمومًا على النماذج غير الزمنية. [ 24 ] تُعد النماذج التوليدية، مثل نموذج ماركوف المخفي (HMM) وشبكات بايز الديناميكية (DBN) ذات الصيغة الأكثر عمومية، من الخيارات الشائعة في نمذجة الأنشطة من بيانات المستشعرات. [ 25 ] [ 26 ] [ 27 ] [ 28 ] كما تُستخدم النماذج التمييزية، مثل الحقول العشوائية الشرطية (CRF)، بشكل شائع، وتُحقق أداءً جيدًا في التعرف على الأنشطة. [ 29 ] [ 30 ]

لكل من النماذج التوليدية والتمييزية مزاياها وعيوبها، ويعتمد الاختيار الأمثل على مجال التطبيق. يمكنكم العثور هنا على مجموعة بيانات وتطبيقات لعدد من النماذج الشائعة (مثل نماذج ماركوف المخفية، ونماذج الحقول العشوائية الشرطية) للتعرف على الأنشطة .

تُحاكي النماذج الاحتمالية الزمنية التقليدية، مثل نموذج ماركوف المخفي (HMM) ونموذج الحقول العشوائية الشرطية (CRF)، الارتباطات بين الأنشطة وبيانات المستشعرات المرصودة بشكل مباشر. في السنوات الأخيرة، تزايدت الأدلة التي تدعم استخدام النماذج الهرمية التي تأخذ في الحسبان البنية الهرمية الغنية الموجودة في بيانات السلوك البشري. [ 26 ] [ 31 ] [ 32 ] الفكرة الأساسية هنا هي أن النموذج لا يربط الأنشطة ببيانات المستشعرات بشكل مباشر، بل يُقسّم النشاط إلى أنشطة فرعية (تُسمى أحيانًا أفعالًا) ويُحاكي الارتباطات الكامنة وفقًا لذلك. على سبيل المثال، يمكن تقسيم نشاط تحضير طبق مقلي إلى أنشطة فرعية أو أفعال مثل تقطيع الخضار، وقليها في مقلاة، وتقديمها في طبق. من أمثلة هذا النموذج الهرمي نماذج ماركوف المخفية متعددة الطبقات (LHMMs) [ 31 ] ونموذج ماركوف المخفي الهرمي (HHMM)، والتي ثبت أنها تتفوق بشكل كبير على نظيرتها غير الهرمية في التعرف على الأنشطة. [ 26 ]

نهج قائم على استخراج البيانات للتعرف على الأنشطة

على عكس أساليب التعلم الآلي التقليدية، طُرح مؤخرًا نهجٌ قائم على استخراج البيانات. في دراسة غو وآخرون، صِيغت مشكلة التعرف على الأنشطة كمسألة تصنيف قائمة على الأنماط. واقترحوا نهجًا لاستخراج البيانات يعتمد على أنماط مميزة تصف التغيرات الهامة بين أي فئتين من بيانات الأنشطة، وذلك للتعرف على الأنشطة المتسلسلة والمتداخلة والمتزامنة في حل موحد. [ 33 ] يستخدم جيلبرت وآخرون زوايا ثنائية الأبعاد في كلٍ من المكان والزمان. تُجمَّع هذه الزوايا مكانيًا وزمنيًا باستخدام عملية هرمية، مع زيادة مساحة البحث. في كل مرحلة من مراحل التسلسل الهرمي، تُستخلص السمات الأكثر تميزًا ووصفًا بكفاءة من خلال استخراج البيانات (قاعدة Apriori). [ 34 ]

التعرف على الأنشطة باستخدام نظام تحديد المواقع العالمي (GPS)

يمكن أيضاً الاعتماد على بيانات نظام تحديد المواقع العالمي (GPS) للتعرف على الأنشطة من خلال تحديد الموقع الجغرافي . [ 35 ] [ 36 ]

استخدام المستشعرات

التعرف على الأنشطة باستخدام الرؤية

يُعدّ تتبّع سلوك العناصر وفهمه من خلال مقاطع الفيديو الملتقطة بكاميرات مختلفة مشكلة بالغة الأهمية والتحدي. وتُعتبر تقنية رؤية الحاسوب التقنية الأساسية المُستخدمة في هذا المجال. وقد وجدت تقنية التعرّف على الأنشطة القائمة على الرؤية تطبيقات عديدة، منها التفاعل بين الإنسان والحاسوب، وتصميم واجهات المستخدم ، وتعلّم الروبوتات ، والمراقبة، وغيرها. ومن المؤتمرات العلمية التي تُعرض فيها أبحاث التعرّف على الأنشطة القائمة على الرؤية بشكل متكرر مؤتمرا ICCV و CVPR .

في مجال التعرف على الأنشطة باستخدام الرؤية الحاسوبية، بُذلت جهودٌ كبيرة. وقد جرّب الباحثون العديد من الأساليب، مثل التدفق البصري ، وتصفية كالمان ، ونماذج ماركوف المخفية ، وغيرها، وذلك باستخدام تقنيات تصوير مختلفة، كالكاميرا المفردة، والتصوير المجسم ، والأشعة تحت الحمراء. إضافةً إلى ذلك، درس الباحثون جوانب متعددة لهذا الموضوع، بما في ذلك تتبع المشاة فرادى، وتتبع المجموعات، واكتشاف الأجسام المتساقطة.

استخدم بعض الباحثين مؤخرًا كاميرات RGBD مثل مايكروسوفت كينكت لرصد الأنشطة البشرية. [ 37 ] تُضيف كاميرات العمق بُعدًا إضافيًا، وهو العمق، الذي لا توفره الكاميرات ثنائية الأبعاد العادية. وقد استُخدمت المعلومات الحسية من هذه الكاميرات لإنشاء نموذج هيكلي بشري في الوقت الفعلي بأوضاع جسمية مختلفة. [ 38 ] توفر معلومات الهيكل العظمي هذه بيانات قيّمة استخدمها الباحثون لنمذجة الأنشطة البشرية، والتي يتم تدريبها واستخدامها لاحقًا للتعرف على الأنشطة غير المعروفة. [ 39 ] [ 40 ]

مع ظهور التعلم العميق مؤخرًا، شهد التعرف على الأنشطة باستخدام فيديوهات RGB تطورًا سريعًا. يعتمد هذا الأسلوب على الفيديوهات الملتقطة بكاميرات RGB كمدخلات، ويؤدي عدة مهام، منها: تصنيف الفيديوهات، وتحديد بداية ونهاية النشاط فيها، وتحديد الموقع المكاني والزماني للنشاط والأشخاص الذين يؤدونه. [ 41 ] تسمح طرق تقدير الوضعية [ 42 ] باستخلاص سمات هيكلية أكثر تمثيلًا للتعرف على الحركة. [ 43 ] مع ذلك، فقد تبين أن التعرف على الحركة باستخدام التعلم العميق قد يكون عرضة للهجمات الخصومية، حيث يقوم المهاجم بتغيير المدخلات بشكل طفيف لخداع نظام التعرف على الحركة. [ 44 ]

على الرغم من التقدم الملحوظ في مجال التعرف على الأنشطة باستخدام الرؤية الحاسوبية، إلا أن استخدامها في معظم تطبيقات المراقبة البصرية الفعلية لا يزال هدفًا بعيد المنال. [ 45 ] في المقابل، يبدو أن الدماغ البشري قد أتقن القدرة على تمييز الأفعال البشرية. لا تعتمد هذه القدرة على المعرفة المكتسبة فحسب، بل تعتمد أيضًا على القدرة على استخلاص المعلومات ذات الصلة بسياق معين، وعلى التفكير المنطقي. بناءً على هذه الملاحظة، اقتُرح تحسين أنظمة التعرف على الأنشطة باستخدام الرؤية الحاسوبية من خلال دمج التفكير المنطقي السليم والمعرفة السياقية والمنطقية .

التعرف على النشاط البشري الهرمي (HAR)

يُعدّ التعرّف الهرمي على الأنشطة البشرية تقنيةً ضمن مجال رؤية الحاسوب والتعلم الآلي. وتهدف هذه التقنية إلى تحديد وفهم الأفعال أو السلوكيات البشرية انطلاقًا من البيانات المرئية. وتتضمن هذه الطريقة هيكلة الأنشطة بشكل هرمي، مما يُنشئ إطارًا يُمثّل الروابط والترابطات بين مختلف الأفعال. [ 46 ] يُمكن استخدام تقنيات التعرّف الهرمي على الأنشطة البشرية لفهم ارتباطات البيانات وأساسيات النمذجة لتحسين النماذج، ولتحقيق التوازن بين الدقة ومخاوف الخصوصية في مجالات التطبيقات الحساسة، ولتحديد وإدارة التصنيفات غير المهمة التي لا صلة لها بحالات استخدام مُحدّدة. [ 47 ]

مستويات التعرف على الأنشطة القائمة على الرؤية

في التعرف على الأنشطة القائمة على الرؤية، غالبًا ما تنقسم العملية الحسابية إلى أربع خطوات، وهي الكشف عن الإنسان، وتتبع الإنسان، والتعرف على النشاط البشري، ثم تقييم النشاط على مستوى عالٍ.

تحديد موقع الحركة بدقة عالية

في مجال التعرف على الأنشطة باستخدام رؤية الحاسوب ، يوفر تحديد موقع الحركة بدقة عالية عادةً أقنعة تجزئة لكل صورة، تُحدد الكائن البشري وفئة حركته (مثل Segment-Tube [ 48 ] ). تُستخدم تقنيات مثل شبكات ماركوف الديناميكية ، والشبكات العصبية التلافيفية (CNN) ، وشبكات الذاكرة طويلة المدى (LSTM) لاستغلال الارتباطات الدلالية بين إطارات الفيديو المتتالية. تُسهّل الميزات الهندسية الدقيقة، مثل مربعات الإحاطة الموضوعية وأوضاع الجسم البشري، التعرف على الأنشطة باستخدام الشبكات العصبية البيانية . [ 41 ] [ 49 ]

التعرف التلقائي على المشية

إحدى طرق التعرف على أشخاص معينين هي طريقة مشيهم. يمكن استخدام برامج التعرف على المشية لتسجيل مشية الشخص أو خصائصها في قاعدة بيانات بهدف التعرف عليه لاحقاً، حتى لو كان متنكراً.

التعرف على الأنشطة عبر شبكة الواي فاي

عند إجراء عملية التعرف على الأنشطة داخل المباني وفي المدن باستخدام إشارات الواي فاي ونقاط الوصول 802.11 المتوفرة على نطاق واسع، يكون هناك قدر كبير من التشويش وعدم اليقين. يمكن نمذجة هذه الشكوك باستخدام نموذج شبكة بايزية ديناميكية . [ 50 ] في نموذج متعدد الأهداف قادر على تحليل أهداف المستخدم المتداخلة، يُطبق نموذج انتقال حالة حتمي . [ 51 ] هناك طريقة أخرى ممكنة لنمذجة الأنشطة المتزامنة والمتداخلة بأسلوب احتمالي. [ 52 ] يمكن لنموذج اكتشاف إجراءات المستخدم تقسيم إشارات الواي فاي لإنتاج الإجراءات المحتملة. [ 53 ]

النماذج الأساسية للتعرف على شبكة الواي فاي

تتمثل إحدى الأفكار الأساسية في تقنية التعرف على نشاط شبكة الواي فاي في أن الإشارة تمر عبر جسم الإنسان أثناء الإرسال، مما يؤدي إلى انعكاسها وانكسارها وتشتتها. ويمكن للباحثين استخلاص معلومات من هذه الإشارات لتحليل نشاط جسم الإنسان.

نموذج النقل الساكن

كما هو موضح في المرجع [ 54 ] ، عند إرسال الإشارات اللاسلكية داخل المباني، تتسبب العوائق كالجدران والأرض وجسم الإنسان في تأثيرات متنوعة كالانعكاس والتشتت والانكسار. ولذلك، يستقبل الجهاز المُستقبِل إشارات متعددة من مسارات مختلفة في الوقت نفسه، لأن الأسطح تعكس الإشارة أثناء الإرسال، وهو ما يُعرف بتأثير تعدد المسارات .

يعتمد النموذج الثابت على نوعين من الإشارات: الإشارة المباشرة والإشارة المنعكسة. ولأن المسار المباشر خالٍ من العوائق، يمكن نمذجة انتقال الإشارة المباشرة باستخدام معادلة فريس للانتقال .

Pر=Pتجيتجيرλ2(4π)2د2{\displaystyle P_{r}={\frac {P_{t}G_{t}G_{r}\lambda ^{2}}{(4\pi )^{2}d^{2}}}}
Pت{\displaystyle P_{t}}الطاقة التي يتم تغذيتها إلى أطراف إدخال هوائي الإرسال؛
Pر{\displaystyle P_{r}}الطاقة المتاحة عند أطراف خرج هوائي الاستقبال؛
د{\displaystyle d}هي المسافة بين الهوائيات؛
جيت{\displaystyle G_{t}}هو كسب هوائي الإرسال؛
جير{\displaystyle G_{r}}كسب هوائي الاستقبال؛
λ{\displaystyle \lambda }هو الطول الموجي للتردد الراديوي

إذا أخذنا في الاعتبار الإشارة المنعكسة، فإن المعادلة الجديدة هي:

Pر=Pتجيتجيرλ2(4π)2(د+4ح)2{\displaystyle P_{r}={\frac {P_{t}G_{t}G_{r}\lambda ^{2}}{(4\pi )^{2}(d+4h)^{2}}}}
ح{\displaystyle h}هي المسافة بين نقاط الانعكاس والمسار المباشر.

عندما يظهر الإنسان، يصبح لدينا مسار انتقال جديد. لذلك، تكون المعادلة النهائية كالتالي:

Pر=Pتجيتجيرλ2(4π)2(د+4ح+Δ)2{\displaystyle P_{r}={\frac {P_{t}G_{t}G_{r}\lambda ^{2}}{(4\pi )^{2}(d+4h+\Delta )^{2}}}}

Δ{\displaystyle \Delta }يمثل الفرق التقريبي في المسار الناتج عن جسم الإنسان.

نموذج نقل ديناميكي

في هذا النموذج، نأخذ في الاعتبار حركة الإنسان، التي تتسبب في تغيير مسار إرسال الإشارة باستمرار. ويمكننا استخدام إزاحة دوبلر لوصف هذا التأثير، المرتبط بسرعة الحركة.

Δو=2vكوس⁡θجو{\displaystyle \Delta f={\frac {2v\cos \theta }{c}}f}

من خلال حساب إزاحة دوبلر للإشارة المستقبلة، يمكننا تحديد نمط الحركة، وبالتالي تحديد النشاط البشري بدقة أكبر. على سبيل المثال، في المرجع [ 55 ] ، تُستخدم إزاحة دوبلر كبصمة مميزة لتحقيق دقة عالية في تحديد تسعة أنماط حركة مختلفة.

منطقة فريسنل

استُخدمت منطقة فرينل في البداية لدراسة تداخل الضوء وانعراجه، والتي استُخدمت لاحقًا لبناء نموذج نقل الإشارات اللاسلكية. منطقة فرينل عبارة عن سلسلة من الفواصل الإهليلجية التي تمثل بؤرتاها مواقع المرسل والمستقبل.

عندما يتحرك شخص ما عبر مناطق فرينل المختلفة، يتغير مسار الإشارة الناتج عن انعكاس جسمه، وإذا تحرك الأشخاص عموديًا عبر مناطق فرينل، فسيكون تغير الإشارة دوريًا. في ورقتين بحثيتين، طبق وانغ وزملاؤه نموذج فرينل على مهمة التعرف على الأنشطة وحصلوا على نتائج أكثر دقة. [ 56 ] [ 57 ]

نمذجة جسم الإنسان

في بعض المهام، ينبغي مراعاة نمذجة جسم الإنسان بدقة لتحقيق نتائج أفضل. على سبيل المثال، وصف [ 57 ] جسم الإنسان بأنه أسطوانتان متحدتا المركز لكشف التنفس. يمثل الجزء الخارجي من الأسطوانة القفص الصدري أثناء الشهيق، بينما يمثل الجزء الداخلي القفص الصدري أثناء الزفير. وبالتالي، يمثل الفرق بين نصف قطري الأسطوانتين المسافة المتحركة أثناء التنفس. ويمكن التعبير عن تغير أطوار الإشارة بالمعادلة التالية:

θ=2π2Δدλ{\displaystyle \theta =2\pi {\frac {2\,\Delta d}{\lambda }}}
θ{\displaystyle \theta }هو تغيير أطوار الإشارة؛
λ{\displaystyle \lambda }هو الطول الموجي للتردد الراديوي؛
Δد{\displaystyle \Delta d}هي المسافة المتحركة للقفص الصدري؛

مجموعات البيانات

هناك بعض مجموعات البيانات الشائعة التي تُستخدم لتقييم خوارزميات التعرف على الأنشطة أو التعرف على الأفعال.

  • UCF-101: يتكون من 101 فئة من الحركات البشرية، وأكثر من 13 ألف مقطع فيديو، و27 ساعة من بيانات الفيديو. تشمل فئات الحركات وضع المكياج، والعزف على الطبل، وضربة الكريكيت، وحلاقة اللحية، وما إلى ذلك. [ 58 ]
  • HMDB51: هي مجموعة من مقاطع الفيديو الواقعية من مصادر متنوعة، تشمل الأفلام ومقاطع الفيديو على الإنترنت. تتكون مجموعة البيانات من 6849 مقطع فيديو من 51 فئة حركية (مثل "القفز" و"التقبيل" و"الضحك")، وتحتوي كل فئة على 101 مقطع فيديو على الأقل. [ 59 ]
  • الحركية: هذه مجموعة بيانات أكبر بكثير من المجموعات السابقة. تحتوي على 400 فئة من حركات الإنسان، مع ما لا يقل عن 400 مقطع فيديو لكل حركة. مدة كل مقطع حوالي 10 ثوانٍ، وهو مأخوذ من فيديو مختلف على يوتيوب . تم إنشاء مجموعة البيانات هذه بواسطة ديب مايند. [ 60 ]

التطبيقات

من خلال المراقبة الآلية للأنشطة البشرية، يُمكن توفير إعادة تأهيل منزلية للأشخاص الذين يعانون من إصابات دماغية رضية. وتتنوع تطبيقات هذه التقنية من تطبيقات الأمن والدعم اللوجستي إلى الخدمات القائمة على الموقع الجغرافي . [ 61 ] كما طُوّرت أنظمة التعرف على الأنشطة لمراقبة الحياة البرية [ 62 ] وترشيد استهلاك الطاقة في المباني. [ 63 ]

انظر أيضاً

مراجع

  1. ↑ تنزيم تشودري، غايتانو بوريلو ، وآخرون. منصة الاستشعار المتنقلة: نظام مضمن للتعرف على الأنشطة. نُشر في مجلة IEEE Pervasive - عدد خاص حول الحوسبة القائمة على الأنشطة، أبريل 2008.
  2. ↑ نيشكام رافي، نيخيل دانديكار، بريثام ميسور، مايكل ليتمان. التعرف على النشاط من بيانات مقياس التسارع . وقائع المؤتمر السابع عشر حول التطبيقات المبتكرة للذكاء الاصطناعي (IAAI/AAAI 2005).
  3. ^ يانغ، يانغ؛ ليونج، هوارد. شوم، هوبرت PH؛ لي، جياو؛ تسنغ، لانلينج؛ أسلم، نعمان؛ بان، تشيجنغ (2018). “CCESK: نظام تعليمي للشخصية الصينية يعتمد على Kinect”. معاملات IEEE على تقنيات التعلم . 11 (3): 342– 347. بيب كود : 2018ITLT...11..342Y . دوى : 10.1109/TLT.2017.2723888 . S2CID 52899136 . 
  4. ↑ هو، إدموند إس إل؛ تشان، جاكي سي بي؛ تشان، دونالد سي كيه؛ شوم، هوبرت بي إتش؛ تشيونغ، ييو مينغ؛ يوين، بي سي (2016). "تحسين دقة تصنيف الوضعية لمراقبة النشاط البشري باستخدام مستشعر العمق في البيئات الذكية" . رؤية الحاسوب وفهم الصور . 148 : 97-110 . doi : 10.1016/j.cviu.2015.12.011 . S2CID 207060860 . 
  5. ↑ تشانغ، جينغتيان؛ شوم، هوبرت بي إتش؛ هان، جونغونغ؛ شاو، لينغ (2018). "التعرف على الحركة من زوايا رؤية عشوائية باستخدام تعلم القاموس القابل للنقل" . معاملات IEEE في معالجة الصور . 27 (10): 4709-4723 . Bibcode : 2018ITIP...27.4709Z . doi : 10.1109/TIP.2018.2836323 . PMID 29994770. S2CID 49536771 .  
  6. ↑ شين، ييجون؛ يانغ، لونغتشي؛ هو، إدموند إس إل؛ شوم، هوبرت بي إتش (2020). "مقارنة النشاط البشري القائمة على التفاعل" . معاملات IEEE في التصور ورسومات الحاسوب . 26 (8): 115673-115684 . Bibcode : 2020ITVCG..26.2620S . doi : 10.1109/TVCG.2019.2893247 . PMID 30703028. S2CID 73447673 .  
  7. ↑ وانت ر.، هوبر أ.، فالكاو ف.، جيبونز ج.: نظام تحديد موقع الشارة النشطة، معاملات ACM في المعلومات والأنظمة، المجلد 40، العدد 1، الصفحات 91-102، يناير 1992
  8. ^ بيبر جي، كيرست ت.، Unter suchung des gruppendynamischen Aktivitaetsverhaltes im Office-Umfeld، 7. Berliner Werkstatt Mensch-Maschine-Systeme، برلين، ألمانيا، 2007
  9. ↑ تاو غو، زانكينغ وو، ليانغ وانغ، شيان بينغ تاو، وجيان لو. استخراج الأنماط الناشئة للتعرف على أنشطة المستخدمين المتعددين في الحوسبة المنتشرة . في وقائع المؤتمر الدولي السادس حول الأنظمة المتنقلة والمنتشرة: الحوسبة والشبكات والخدمات (MobiQuitous '09)، تورنتو، كندا، 13-16 يوليو 2009.
  10. ↑ داوود جوردون، جان-هندريك هان، مارتن بيرشتولد، علي أصغر نظري شيرهجيني، مايكل بيجل: نحو التعرف على أنشطة المجموعة التعاونية باستخدام الأجهزة المحمولة ، شبكات وتطبيقات الهاتف المحمول 18(3)، 2013، ص 326-340
  11. ↑ ليفين، ك. نظرية المجال في العلوم الاجتماعية: أوراق نظرية مختارة. كتب العلوم الاجتماعية ذات الغلاف الورقي. هاربر، نيويورك، 1951.
  12. ↑ هيرانو، ت.، ومايكاوا، ت. نموذج هجين غير مُشرف/مُشرف للتعرف على أنشطة المجموعة . في وقائع الندوة الدولية لعام 2013 حول الحواسيب القابلة للارتداء، ISWC '13، ACM (نيويورك، نيويورك، الولايات المتحدة الأمريكية، 2013)، 21-24
  13. ↑ Brdiczka, O., Maisonnasse, J., Reignier, P., and Crowley, JL. الكشف عن أنشطة المجموعات الصغيرة من خلال الملاحظات متعددة الوسائط . الذكاء التطبيقي 30، 1 (يوليو 2007)، 47-57.
  14. ↑ داوود جوردون، التعرف على الأنشطة الجماعية باستخدام أجهزة الاستشعار القابلة للارتداء ، أطروحة دكتوراه، معهد كارلسروه للتكنولوجيا، 2014
  15. ↑ هـ. كاوتز. " نظرية رسمية للتعرف على الخطط ". في أطروحة دكتوراه، جامعة روتشستر، 1987.
  16. ↑ ن. ليش و أ. إتزيوني. " مُعَرِّف أهداف سليم وسريع ". في وقائع المؤتمر الدولي المشترك حول الذكاء الاصطناعي ، 1995.
  17. ↑ دو، ثانغ؛ سينغ دبليو. لوك؛ فاي ليو (2011). "برمجة مجموعة الإجابات للاستدلال المتدفق". التطورات في الذكاء الاصطناعي . سلسلة محاضرات في علوم الحاسوب. المجلد 6657. الصفحات 104-109 . CiteSeerX 10.1.1.453.2348 . doi : 10.1007/978-3-642-21043-3_13 . ISBN    978-3-642-21042-6.
  18. ↑ دو، ثانغ؛ سينغ دبليو. لوك؛ فاي ليو (2012). "HealthyLife: نظام للتعرف على الأنشطة باستخدام الهواتف الذكية من خلال الاستدلال المنطقي المتدفق" (ملف PDF) . وقائع المؤتمر الدولي التاسع حول الأنظمة المتنقلة والمنتشرة: الحوسبة والشبكات والخدمات، (Mobiquitous 2012) .
  19. ↑ إي. شارنياك و آر بي غولدمان. " نموذج بايزي للتعرف على الخطط ". الذكاء الاصطناعي ، 64:53-79، 1993.
  20. ↑ إم آر هودجز وإم إي بولاك. " بصمة استخدام الأشياء: استخدام أجهزة الاستشعار الإلكترونية لتحديد هوية الإنسان ". في وقائع المؤتمر الدولي التاسع للحوسبة المنتشرة ، 2007.
  21. ↑ مايك بيركويتز، ماثاي فيليبوز، دونالد جيه باترسون، وكينيث بي فيشكين. " استخراج نماذج الأنشطة البشرية من الويب ". في وقائع المؤتمر الدولي الثالث عشر للويب العالمي (WWW 2004)، الصفحات 573-582، مايو 2004.
  22. ↑ ماثاي فيليبوز، كينيث ب. فيشكين، مايك بيركويتز، دونالد ج. باترسون، ديتر فوكس، هنري كاوتز، وديرك هانيل. " استنتاج الأنشطة من التفاعلات مع الأشياء ". في مجلة IEEE للحوسبة الشاملة ، الصفحات 50-57، أكتوبر 2004.
  23. ↑ ديتر فوكس لين لياو، دونالد جيه باترسون وهنري أ. كاوتز. " تعلم واستنتاج إجراءات النقل ". الذكاء الاصطناعي ، 171(5-6):311-331، 2007.
  24. ↑ تي إل إم فان كاستيرين، جوين إنجلبيين، بي جيه إيه كروس. " التعرف على النشاط البشري من بيانات شبكة الاستشعار اللاسلكية: معيار وبرمجيات ." التعرف على النشاط في البيئات الذكية المنتشرة، 165-186، مطبعة أتلانتس
  25. ↑ بيياثيلاكا، ل.؛ كوداغودا، س.، " نموذج ماركوف المخفي القائم على مزيج غاوسي للتعرف على الأنشطة اليومية للإنسان باستخدام ميزات الهيكل العظمي ثلاثي الأبعاد "، المؤتمر الثامن لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) حول الإلكترونيات الصناعية والتطبيقات (ICIEA)، المجلد، العدد، الصفحات 567، 572، 19-21 يونيو 2013
  26. 1 2 3 TLM van Kasteren, Gwenn Englebienne, Ben Kröse " التعرف على النشاط الهرمي باستخدام الإجراءات المجمعة تلقائيًا "، 2011، Ambient Intelligence، 82–91، Springer Berlin/Heidelberg
  27. ↑ دانيال ويلسون وكريس أتكسون. التتبع المتزامن والتعرف على النشاط (نجمة) باستخدام العديد من أجهزة الاستشعار الثنائية المجهولة . في وقائع المؤتمر الدولي الثالث حول الحوسبة المنتشرة، الصفحات 62-79، ميونيخ، ألمانيا، 2005.
  28. ↑ نوريا أوليفر ، باربرا روزاريو، وأليكس بنتلاند ، "نظام رؤية حاسوبية بايزي لنمذجة التفاعلات البشرية"، نُشر في العدد الخاص من مجلة PAMI حول المراقبة المرئية والرصد، أغسطس 2000
  29. ↑ تي إل إم فان كاستيرين، أثاناسيوس نولاس، جوين إنجلبيين، بن كروس، " التعرف الدقيق على الأنشطة في البيئة المنزلية "، 21/9/2008، وقائع المؤتمر الدولي العاشر للحوسبة المنتشرة، 1-9، ACM
  30. ↑ ديريك هاو هو، سينو جيالين بان، فينسنت وينشن تشنغ، ناثان نانليو، وتشيانغ يانغ. التعرف على الأنشطة في العالم الحقيقي بأهداف متعددة. مؤرشف بتاريخ 9 أغسطس 2017 في أرشيف الإنترنت . في وقائع المؤتمر الدولي العاشر للحوسبة المنتشرة، Ubicomp، الصفحات 30-39، نيويورك، نيويورك، الولايات المتحدة الأمريكية، 2008. ACM.
  31. 1 2 نوريا أوليفر ، أشوتوش جارج، وإريك هورفيتز. تمثيلات متعددة الطبقات لتعلم واستنتاج نشاط المكتب من قنوات حسية متعددة . رؤية الحاسوب وفهم الصور، 96(2):163-180، 2004.
  32. ↑ أمارناغ سوبرامانيا، ألفين راج، جيف بيلمز، وديتر فوكس. نماذج هرمية للتعرف على الأنشطة . في وقائع المؤتمر الدولي لمعالجة إشارات الوسائط المتعددة، MMSP، فيكتوريا، كاليفورنيا، أكتوبر 2006.
  33. ↑ تاو غو، زانكينغ وو، شيان بينغ تاو، هونغ كينغ بونغ، ​​وجيان لو. epSICAR: منهج قائم على الأنماط الناشئة للتعرف على الأنشطة المتسلسلة والمتداخلة والمتزامنة . في وقائع المؤتمر الدولي السنوي السابع لمعهد مهندسي الكهرباء والإلكترونيات حول الحوسبة والاتصالات المنتشرة (Percom '09)، غالفستون، تكساس، 9-13 مارس 2009.
  34. ↑ جيلبرت أ، إيلينغورث ج، باودن ر. التعرف على الحركة باستخدام الميزات المركبة الهرمية المستخرجة . معاملات IEEE في تحليل الأنماط والتعلم الآلي
  35. ↑ لياو، لين، ديتر فوكس، وهنري كاوتز. " حقول عشوائية شرطية هرمية للتعرف على الأنشطة باستخدام نظام تحديد المواقع العالمي (GPS) ". بحوث الروبوتات. سبرينغر، برلين، هايدلبرغ، 2007. 487-506.
  36. ↑ لياو، لين، ديتر فوكس، وهنري كاوتز. " التعرف على الأنشطة بناءً على الموقع ". التطورات في أنظمة معالجة المعلومات العصبية. 2006.
  37. ↑ هو، إدموند إس إل؛ تشان، جاكي سي بي؛ تشان، دونالد سي كيه؛ شوم، هوبرت بي إتش؛ تشيونغ، ييو مينغ؛ يوين، بي سي (2016). "تحسين دقة تصنيف الوضعية لمراقبة النشاط البشري باستخدام مستشعر العمق في البيئات الذكية" . رؤية الحاسوب وفهم الصور . 148. إلسيفير: 97-110 . doi : 10.1016/j.cviu.2015.12.011 . ISSN 1077-3142 . 
  38. ↑ شوم، هوبرت بي إتش؛ هو، إدموند إس إل؛ جيانغ، يانغ؛ تاكاغي، شو (2013). "إعادة بناء الوضعية في الوقت الحقيقي لجهاز مايكروسوفت كينكت" . معاملات IEEE في علم التحكم الآلي . 43 (5). IEEE: 1357-1369 . Bibcode : 2013ITCyb..43.1357S . doi : 10.1109/TCYB.2013.2275945 . ISSN 2168-2267 . PMID 23981562. S2CID 14124193 .   
  39. ↑ بيياثيلاكا، ل.؛ كوداغودا، س.، " نموذج ماركوف المخفي القائم على مزيج غاوسي للتعرف على الأنشطة اليومية للإنسان باستخدام ميزات الهيكل العظمي ثلاثي الأبعاد "، المؤتمر الثامن لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) حول الإلكترونيات الصناعية والتطبيقات (ICIEA)، المجلد، العدد، الصفحات 567، 572، 19-21 يونيو 2013. الرابط: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6566433&isnumber=6566328
  40. ↑ بيياتيلاكا، ل. وكوداجودا، س.، 2015. التعرف على النشاط البشري للروبوتات المنزلية. في: الروبوتات الميدانية والخدمية (ص 395-408). سبرينغر، تشام. "التعرف على النشاط البشري للروبوتات المنزلية"
  41. 1 2 تشياو، تانكيو؛ مين، تشيانهوي؛ لي، فريدريك دبليو بي؛ كوبوتاني، يوشيكي؛ موريشيما، شيجيو؛ شوم، هوبرت بي إتش (2022). التعرف على تفاعل الإنسان مع الأشياء متعدد الأشخاص في مقاطع الفيديو باستخدام الميزات الهندسية . سلسلة محاضرات في علوم الحاسوب. المجلد 13664. سبرينغر. الصفحات 474-491 . arXiv : 2207.09425 . doi : 10.1007/978-3-031-19772-7_28 . ISBN   978-3-031-19772-7.
  42. ↑ هوانغ، يينغ؛ شوم، هوبرت بي إتش؛ هو، إدموند إس إل؛ أسلم، نعمان (2020). "تقدير وضعية عدة أشخاص بسرعة عالية باستخدام نقل الميزات العميقة" . رؤية الحاسوب وفهم الصور . 197-198 103010. إلسيفير. doi : 10.1016/j.cviu.2020.103010 . ISSN 1077-3142 . S2CID 219905793 .  
  43. ↑ مين، تشيان هوي؛ هو، إدموند إس إل؛ شوم، هوبرت بي إتش؛ ليونغ، هوارد (2023). "التعلم التبايني المركز غير المتأثر بالرؤية للتعرف على الحركة القائم على الهيكل العظمي تحت الإشراف الذاتي". الحوسبة العصبية . 537. إلسيفير: 198-209 . arXiv : 2304.00858 . doi : 10.1016/j.neucom.2023.03.070 . ISSN 0925-2312 . 
  44. ↑ لو، تشنغتشي؛ وانغ، هي؛ تشانغ، زيي؛ يانغ، غوان؛ شوم، هوبرت بي إتش (2023). هجوم معادٍ قوي بدون صندوق على التعرف على حركات الإنسان القائم على الهيكل العظمي باستخدام تدرج مستنير بحركة الهيكل العظمي . IEEE/CVF. arXiv : 2308.05681 .
  45. ↑ بوكس، الله؛ أنجيلوف، بلامين؛ حبيب، ذو الفقار (2017). "مراجعة شاملة لأساليب تمثيل الحركة المصممة يدويًا والقائمة على التعلم للتعرف على النشاط البشري" . العلوم التطبيقية . 7 (1): 110. doi : 10.3390/app7010110 .
  46. ↑ أغاروال، جيه كيه؛ ريو، إم إس (29 أبريل 2011). "تحليل النشاط البشري: مراجعة" . مجلة ACM Computing Surveys . 43 (3): 16:1–16:43. doi : 10.1145/1922649.1922653 . ISSN 0360-0300 . S2CID 5388357 .  
  47. ↑ ألتين، محسون؛ غورسوي، فوركان؛ شو، لينا (2021). "بنية هرمية مُولَّدة آليًا للأنشطة البشرية للكشف عن كيفية تفكير الآلات" . IEEE Access . 9 : 18307-18317 . arXiv : 2101.07855 . Bibcode : 2021IEEEA...918307A . doi : 10.1109/ACCESS.2021.3053084 . ISSN 2169-3536 . 
  48. ↑ وانغ، لي؛ دوان، شوهوان؛ تشانغ، كيلين؛ نيو، تشنشينغ؛ هوا، غانغ؛ تشنغ، ناننينغ (22-05-2018). "Segment-Tube: تحديد موقع الحركة المكاني الزمني في مقاطع الفيديو غير المقصوصة باستخدام تجزئة كل إطار" (ملف PDF) . مجلة Sensors . 18 (5): 1657. Bibcode : 2018Senso..18.1657W . doi : 10.3390/ s18051657 . ISSN 1424-8220 . PMC 5982167. PMID 29789447 .   .
  49. ↑ تشانغ، شياتيان؛ موبايد، نورا آل؛ شوم، هوبرت بي إتش (2022). "نحو توقع سير العمل الجراحي القائم على تعلم تمثيل الرسوم البيانية". المؤتمر الدولي IEEE-EMBS لعام 2022 حول المعلوماتية الطبية الحيوية والصحية (BHI) . IEEE. الصفحات 1-4 . arXiv : 2208.03824 . doi : 10.1109/BHI56158.2022.9926801 . ISBN  978-1-6654-8791-7.
  50. ↑ جي ين، شياويونغ تشاي، وتشيانغ يانغ، " التعرف على الأهداف عالية المستوى في شبكة محلية لاسلكية ". في وقائع المؤتمر الوطني التاسع عشر حول الذكاء الاصطناعي (AAAI-04)، سان خوسيه، كاليفورنيا، الولايات المتحدة الأمريكية، يوليو 2004. الصفحات 578-584
  51. ↑ شياويونغ تشاي وكيانغ يانغ، " التعرف على الأهداف المتعددة من الإشارات منخفضة المستوى ". وقائع المؤتمر الوطني العشرين حول الذكاء الاصطناعي (AAAI 2005)، بيتسبرغ، بنسلفانيا، الولايات المتحدة الأمريكية، يوليو 2005. الصفحات 3-8.
  52. ↑ ديريك هاو هو، تشيانغ يانغ. " CIGAR: التعرف المتزامن والمتداخل على الأهداف والأنشطة "، سيُنشر في مؤتمر AAAI 2008
  53. ↑ جي ين، دو شين، تشيانغ يانغ، وزي-نيان لي " التعرف على الأنشطة من خلال التجزئة القائمة على الأهداف ". وقائع المؤتمر الوطني العشرين حول الذكاء الاصطناعي (AAAI 2005)، بيتسبرغ، بنسلفانيا، الولايات المتحدة الأمريكية، يوليو 2005. الصفحات 28-33.
  54. ↑ د. تشانغ، ج. ما، كيو. تشين، و إل إم ني، " نظام قائم على الترددات اللاسلكية لتتبع الأجسام الخالية من أجهزة الإرسال والاستقبال" ، وقائع مؤتمر الحوسبة والاتصالات المنتشرة. وايت بلينز، الولايات المتحدة الأمريكية، 2007: 135-144.
  55. ↑ كيو. بو، إس. غوبتا، إس. غولاكوتا، وإس. باتيل، " التعرف على الإيماءات في جميع أنحاء المنزل باستخدام الإشارات اللاسلكية ". وقائع المؤتمر الدولي السنوي التاسع عشر للحوسبة المتنقلة والشبكات، نيويورك، الولايات المتحدة الأمريكية، 2013: 27-38.
  56. ↑ D. Wu, D. Zhang, C. Xu, Y. Wang, and H. Wang.” Wider: Walking direction estimation using wireless signals “, Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing, New York, USA, 2016:351–362.
  57. 1 2 H. Wang, D. Zhang, J. Ma, Y. Wang, Y. Wang, D. Wu, T. Gu, and B. Xie, “ Human respiration detection with commercial wifi devices: Do user location and body orientation matter? “, Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquious Computing, New York, USA, 2016:25–36.
  58. ↑ "UCF101 – مجموعة بيانات التعرف على الحركة" . 2021. مؤرشف من الأصل في 2020-01-23.
  59. ↑ "أوراق مع كود - مجموعة بيانات HMDB51" . paperswithcode.com . تم الاطلاع عليه بتاريخ 23 أغسطس 2021 .
  60. ↑ كاي، ويل؛ كاريرا، جواو؛ سيمونيان، كارين؛ تشانغ، برايان؛ هيلير، كلوي؛ فيجاياناراسيمهان، سوديندرا؛ فيولا، فابيو؛ غرين، تيم؛ باك، تريفور؛ ناتسيف، بول؛ سليمان، مصطفى (19-05-2017). "مجموعة بيانات فيديو الحركة البشرية من كينيتكس". arXiv : 1705.06950 [ cs.CV ].
  61. ↑ بولاك، إم إي ، وآخرون، LEB 2003. " أوتومايندر: نظام تقويمي معرفي ذكي للأشخاص الذين يعانون من ضعف الذاكرة. مؤرشف في 10 أغسطس 2017 على موقع Wayback Machine ". الروبوتات والأنظمة المستقلة 44(3-4):273-282.
  62. ↑ غاو، ليانلي، وآخرون. " نظام قائم على الويب للوسم الدلالي والتعرف على النشاط لبيانات قياس التسارع للأنواع." المعلوماتية البيئية 13 (2013): 47–56.
  63. ↑ نغوين، توان آنه، وماركو أييلو. " المباني الذكية في مجال الطاقة بناءً على نشاط المستخدم: دراسة استقصائية ." الطاقة والمباني 56 (2013): 244-257.