التعرف على الحركات الجراحية أمر حاسم لتقييم المهارات الجراحية وتدريب الجراحة بكفاءة. الدراسات السابقة في هذا المجال تعتمد إما على نماذج رسومية متنوعة مثل النماذج المخفية الماركوفية (HMMs) والحقول العشوائية الشرطية (CRFs)، أو على نماذج التعلم العميق مثل الشبكات العصبية المتكررة (Recurrent Neural Networks) والشبكات التجاوزية الزمنية (Temporal Convolutional Networks). ومع ذلك، فإن معظم الأساليب الحالية تعاني عادةً من تقسيم زائد، مما يؤدي إلى درجات تحرير منخفضة على مستوى القطع. بخلاف ذلك، نقدم منهجية مختلفة جوهريًا من خلال نمذجة المهمة كعملية اتخاذ قرارات متسلسلة. يتم تدريب وكيل ذكي باستخدام التعلم التعزيزي مع خصائص هرمية من نموذج عميق. يتم دمج الاستمرارية الزمنية في تصميم أفعالنا وmekanismتنا للثواب لتخفيض أخطاء التقسيم الزائد. تظهر التجارب التي أجريت على مجموعة بيانات JIGSAWS أن الطريقة المقترحة تؤدي بشكل أفضل من أفضل الأساليب الحالية فيما يتعلق بدرجة التحرير، وتكون متساوية تقريبًا في الدقة الإطارية. سيتم إطلاق شفرتنا المصدر لاحقًا.