التنبؤ بالنشاط البشري باستخدام تقنيات التعلم العميق

Abstract

يعتبر التعرف على الأنشطة البشرية (Human Activity Recognition)  مجالًا في علم الحوسبة الذي يهتم بتطوير نماذج وتقنيات لتحديد وتصنيف الأنشطة البشرية استنادًا إلى بيانات معينة. تأتي هذه البيانات غالبًا من أجهزة استشعار مثل أجهزة التسارع (accelerometers) في الهواتف الذكية أو الأجهزة القابلة للارتداء، والتي تقيس الحركة والتسارع والسرعة للأفراد. تُعتبر هذه البيانات سلاسل زمنية لقياس نشاط الإنسان، حيث تحتوي على معلومات مثل المستخدم، نشاط الإنسان، التسجيل الزمني (timestamp)، وقيم لمحاور مختلفة ( (x-axis، y-axis، z-axis) والتي تمثل قراءات الحساسات الموجودة على الجهاز المستخدم لقياس الحركة. تم جمع مجموعة البيانات المستخدمة في هذا البحث من مختبرWISDM، قسم علوم الحاسوب والمعلومات، جامعة فوردهام، حيث جمعت هذه البيانات من 36 مستخدمًا مختلفًا أثناء أدائهم لبعض الأنشطة البشرية الشائعة مثل المشي، والركض، وصعود السلالم، ونزول السلالم، والجلوس، والوقوف لفترات زمنية محددة. في هذا البحث، تم مقارنة استخدام ثلاثة نماذج مختلفة لتنبؤ بالنشاط البشري باستخدام مجموعة بيانات .WISDM تشمل النماذج المستخدمة نموذج Convolutional Neural Network (CNN) مع طبقة تحويل زمني (Temporal Convolution Layer)، ونموذج LSTM مع نسبة Dropout أعلى، ونموذج LSTM مع نسبة Dropout أقل. يُظهر التحليل الشامل لنتائج دراسة التعرف على الأنشطة البشرية باستخدام مجموعة بيانات WISDM أن النموذج LSTM مع نسبة Dropout أقل حقق أداءً متفوقًا بشكل ملحوظ على النماذج الأخرى المدروسة. بعد التدريب والتقييم، حقق هذا النموذج دقة تصنيف بلغت 0.9644 على بيانات التحقق، مما يشير إلى قدرته على تحديد وتصنيف الأنشطة البشرية بدقة عالية. حيث تتضح جودة أداء النموذج من خلال قيم الدقة والخسارة التي تحسنت بشكل ملحوظ خلال عملية التدريب، مما يدل على فعالية عملية التعلم للنموذج.