التعرف على الحركة بناءً على الهيكل العظمي هو مهمة مهمة تتطلب فهمًا كافيًا لخصائص الحركة المرتبطة بحركة الإنسان من خلال التسلسل الهيكلي المعطى. أظهرت الدراسات الحديثة أن استكشاف الخصائص المكانية والزمانية للتسلسل الهيكلي أمر حاسم لهذه المهمة. ومع ذلك، لا يزال كيفية استخراج الخصائص المكانية والزمانية المميزة بشكل فعال مشكلة صعبة. في هذا البحث، نقترح شبكة LSTM الرسمية للرسوم البيانية المعززة بالانتباه (AGC-LSTM) للاعتراف بحركات الإنسان من بيانات الهيكل العظمي. يمكن للشبكة المقترحة AGC-LSTM ليس فقط التقاط الخصائص المميزة في التكوين المكاني والديناميكية الزمانية ولكن أيضًا استكشاف العلاقة المشتركة بين المجالات المكانية والزمانية. كما نقدم هندسة تراتبية زمنية لزيادة المجالات المستقبلة الزمنية للطبقة العليا من AGC-LSTM، مما يعزز قدرة تعلم التمثيل الدلالي العالي ويقلل بشكل كبير من تكلفة الحسابات. بالإضافة إلى ذلك، لاختيار المعلومات المكانية المميزة، يتم استخدام آلية الانتباه لتعزيز معلومات المفاصل الرئيسية في كل طبقة من طبقات AGC-LSTM. تم تقديم نتائج التجارب على مجموعتي بيانات: مجموعة بيانات NTU RGB+D ومجموعة بيانات Northwestern-UCLA. تبين نتائج المقارنة فعالية نهجنا وأظهرت أن نهجنا يتفوق على أفضل الأساليب الموجودة في كلتا مجموعتي البيانات.