يمكن استخدام أنواع مختلفة من المستشعرات في التعرف على النشاط البشري (HAR)، وكل نوع من هذه المستشعرات يتمتع بمزايا وعيوب مختلفة. في بعض الأحيان، لا يمكن للمستشعر الواحد مراقبة حركات المستخدم بشكل كامل من منظوره، مما يؤدي إلى تنبؤات خاطئة. في حين أن دمج المستشعرات يوفر معلومات أكثر لـ HAR، إلا أنه يحمل العديد من العيوب المتأصلة، مثل مشكلات خصوصية المستخدم وقبوله، بالإضافة إلى التكاليف العالية في التثبيت والتشغيل والصيانة. لمعالجة هذه المشكلة، نقترح طريقة جديدة تُسمى "الدمج الافتراضي" (Virtual Fusion)، التي تستفيد من البيانات غير المُعلَّمة من عدة مستشعرات متزامنة زمنيًا أثناء التدريب، ولكنها تحتاج فقط إلى مستشعر واحد أثناء الاستدلال. تم استخدام التعلم التمييزي (Contrastive Learning) لاستغلال الارتباط بين المستشعرات. تُظهر طريقة الدمج الافتراضي دقةً أفضل بشكل ملحوظ مقارنةً بتدريب نموذج باستخدام نفس المستشعر الواحد، وفي بعض الحالات، تفوق حتى النتائج الناتجة عن الدمج الفعلي باستخدام عدة مستشعرات أثناء الاختبار. كما قمنا بتوسيع هذه الطريقة لتصبح نسخة أكثر شمولية تُسمى "الدمج الفعلي ضمن الدمج الافتراضي" (AFVF)، التي تستخدم مجموعة جزئية من المستشعرات المستخدمة في التدريب أثناء الاستدلال. حققت طريقةنا دقةً وأداءً (F1-score) من الطراز الرائد (state-of-the-art) على مجموعتي بيانات معيارية هما UCI-HAR وPAMAP2. يمكن توفير التنفيذ عند الطلب.