بفضل إيجازها ومتانتها، أصبحت تقنية التعرف على الحركات باستخدام الهيكل العظمي تجذب الاهتمام بشكل كبير مؤخرًا. تعتمد معظم الأساليب الحالية على الشبكات المحلية (مثل الشبكات المتكررة والشبكات التلافيفية والشبكات التلافيفية الرسومية) لاستخراج الديناميكيات المكانية-الزمانية بطريقة تراتبية. نتيجة لذلك، يتم التقاط الارتباطات المحلية وغير المحلية، التي تحتوي على المزيد من التفاصيل والمعاني على التوالي، بشكل غير متزامن في مستويات مختلفة من الطبقات. بالإضافة إلى ذلك، فإن الأساليب الحالية محدودة بالمنطقة المكانية-الزمانية وتتجاهل المعلومات في المنطقة الترددية. لاستخراج المعلومات التفصيلية والمعنوية المتزامنة بشكل أفضل من المناطق المتعددة، نقترح كتلة انتباه ترددي متبقي (rFA) للتركيز على الأنماط المميزة في المنطقة الترددية، وكتلة محلية وغير محلية متزامنة (SLnL) لتقاط التفاصيل والمعاني بشكل متزامن في المنطقة المكانية-الزمانية. علاوة على ذلك، تم اقتراح خسارة التركيز الهامش الناعم (SMFL) لتحسين عملية التعلم بأكملها، والتي تقوم بإجراء اختيار البيانات تلقائيًا وتشجيع هوامش داخلية في المصنفات. أثبتت طريقتنا الأداء بشكل كبير أفضل من الأساليب الرائدة الأخرى في عدة قواعد بيانات كبيرة الحجم.