كشف الانحرافات في مقاطع الفيديو المراقبة يُعدّ تحديًا مهمًا لضمان الأمن العام. على عكس الطرق القائمة على البكسل في كشف الانحرافات، تستخدم الطرق القائمة على الوضع (pose-based) بيانات هيكلية متقدمة تمثل الهيكل العظمي، مما يقلل من العبء الحسابي ويتجنب أيضًا التأثير السلبي للضوضاء الخلفية. ومع ذلك، على عكس الطرق القائمة على البكسل التي يمكنها استغلال ميزات الحركة الصريحة مثل التدفق البصري (optical flow) مباشرة، تعاني الطرق القائمة على الوضع من نقص في تمثيل ديناميكي بديل. في هذا البحث، تم اقتراح "مُدمج الحركة" (Motion Embedder - ME) جديد لتقديم تمثيل لحركة الوضع من منظور احتمالي. علاوةً على ذلك، تم توظيف "مُحول فضائي-زمني مخصص للمهمة" (Spatial-Temporal Transformer - STT) جديد لاستعادة تسلسل الوضع بشكل ذاتي (self-supervised). ثم تم دمج هذين الوظيفتين في إطار موحد لتعلم النمطية في الوضع، والذي يُعرف باسم "متعلم النمطية ذات البُعد الحركي" (Motion Prior Regularity Learner - MoPRL). وقد حقق MoPRL أداءً متقدمًا جدًا، بزيادة متوسطة قدرها 4.7% في معامل AUC على عدة مجموعات بيانات صعبة. وتم التحقق من مرونة كل وحدة مقترحة من خلال تجارب واسعة.