أحرزت الأبحاث المتعلقة بتصنيف الحركات البشرية تقدماً ملحوظاً في السنوات القليلة الماضية. وتركز معظم الطرق القائمة على التعلم العميق على تحسين الأداء من خلال إضافة مكونات إضافية للشبكة. ومع ذلك، نقترح استخدام آليات مساعدة بشكل أكثر فعالية، بما في ذلك التصنيف الهرمي، وتقليم الشبكة، والمعالجة المسبقة القائمة على الهيكل العظمي، لتعزيز مرونة النموذج وأدائه. وقد قمنا باختبار فعالية طريقةنا على أربع مجموعات بيانات شائعة الاستخدام: NTU RGB+D 60، وNTU RGB+D 120، وNorthwestern-UCLA Multiview Action 3D، وUTD Multimodal Human Action Dataset. تُظهر تجاربنا أن طريقةنا تحقق أداءً مماثلاً أو أفضل على جميع المجموعات الأربعة. وبشكل خاص، تُحدث طريقةنا قاعدة جديدة (New Baseline) لبيانات NTU 120، التي تمثل أكبر مجموعة بيانات بين المجموعات الأربعة. كما قمنا بتحليل طريقةنا من خلال مقارنات واسعة ودراسات استبعاد (Ablation Studies) متعمقة.