نموذج تمايز موجه بالسمات الإحصائية غير المراقب للتمييز عن الأنشطة البشرية القائمة على الحساسات

تمييز النشاط البشري (HAR) من مستشعرات الجسم هو وظيفة أساسية في العديد من التطبيقات الذكية الاصطناعية: بدءًا من الصحة الشخصية، مرورًا بالرياضة والرفاهية، ووصولًا إلى الصناعة 4.0. أحد المشكلات الأساسية التي تعيق التقدم في مجال تمييز النشاط البشري القائم على المستشعرات القابلة للارتداء، مقارنةً بمجالات التعلم الآلي الأخرى مثل الرؤية الحاسوبية، هو ندرة البيانات التدريبية المتنوعة والمحللة. وبشكل خاص، بينما توجد كميات هائلة من الصور المُعلّمة في المخازن الإلكترونية، فإن بيانات المستشعرات المتاحة مجانًا نادرة جدًا، ومعظمها غير مُعلّم. نقترح نموذجًا توزيعيًا غير مراقب موجه بالسمات الإحصائية، تم تخصيصه خصيصًا لتمييز النشاط البشري القائم على المستشعرات القابلة للارتداء، باستخدام أجهزة مثل مستشعرات الوحدة القياسية الحركية (IMU). يُنتج هذا الأسلوب بيانات زمنية مُصطنعة ومُعلّمة دون الاعتماد على بيانات تدريب مُعلّمة. وبذلك، يعالج ندرة البيانات الحقيقية وصعوبات التصنيف المرتبطة بها. من خلال توجيه نموذج التوزيع باستخدام معلومات إحصائية مثل المتوسط الحسابي، والانحراف المعياري، ودرجة Z، والانحراف (الانحناء)، نُنتج بيانات مُصطنعة متنوعة وتمثيلية لمستشعرات الجسم. أجرينا تجارب على مجموعات بيانات عامة لتمييز النشاط البشري، وقارنا الأسلوب مع تقنيات التكبير التقليدية (Oversampling) وأحدث النماذج الشبكية التوليدية المتنافسة (GANs). أظهرت النتائج التجريبية أن هذا الأسلوب يُحسّن أداء تمييز النشاط البشري، ويتفوق على التقنيات الحالية.