نركز على دمج الأوضاع المتعددة لتمييز الأنشطة من وجهة نظر الشخص الأول، ونقترحهندسة معمارية جديدة للربط الزمني للأوضاع المتعددة، أي الجمع بين الأوضات ضمن نطاق من الاختلافات الزمنية. نقوم بتدريب هذه الهندسة المعمارية باستخدام ثلاثة أوضات -- RGB (الصورة)، التدفق (Flow) والصوت (Audio) -- ونجمعها مع دمج مستويات الوسط إلى جانب عينات زمنية نادرة من التمثيلات المدمجة. على عكس الأعمال السابقة، يتم دمج الأوضات قبل التجميع الزمني، مع وزن مشترك للأوضات والدمج عبر الزمن. الهندسة المعمارية المقترحة تُدرب بشكل شامل من البداية إلى النهاية، وتتفوق على الأوضات الفردية وكذلك الدمج المتأخر للأوضات. نوضح أهمية الصوت في الرؤية من وجهة نظر الشخص الأول، بناءً على كل فئة بشكل منفصل، لتحديد الأنشطة وكذلك الكائنات التفاعلية. يحقق طرحنا نتائجًا رائدة في المجال على كل من مجموعتي الاختبار المعروفة وغير المعروفة في أكبر مجموعة بيانات للرؤية من وجهة نظر الشخص الأول: EPIC-Kitchens، باستخدام جميع المؤشرات الموجودة في لوحة الترتيب العامة.