يُعالج هذا البحث مشكلة تمييز الحركات البشرية، والتي تُعرّف على أنها تصنيف الحركة التي تُعرض في تسلسل مُقطّع من البيانات العظمية. وعلى الرغم من أن جميع الأساليب المتطورة المُصممة لهذا التطبيق تعتمد على التعلم المُشرف، فإن هذا البحث يتبع مسارًا أكثر تحدّيًا: حل المشكلة باستخدام التعلم غير المُشرف. من أجل ذلك، نقترح طريقة جديدة لتصنيف الفراغات الفرعية، تُستخدَم فيها مصفوفة التباين لتعزيز تمييز الحركات، بالإضافة إلى تقنية إزالة التوقيت الزمني (timestamp pruning) التي تُمكّننا من التعامل بشكل أفضل مع البُعد الزمني للبيانات. من خلال تحقق تجريبي واسع النطاق، نُظهر أن نهجنا الحسابي يتفوّق على الأساليب غير المُشرفة الحالية، كما يمكنه تحقيق أداءً مُرضيًا مقارنةً بالأساليب المُشرفة.