تحتوي السحاب النقطية على معلومات فضائية غنية، مما يوفر أدلة مكملة للتعرف على الإيماءات. في هذه الورقة، نُصِفُ التعرف على الإيماءات كمشكلة للتعرف على التسلسلات غير المنتظمة، ونهدف إلى استخلاص الترابطات الفضائية الطويلة الأمد عبر تسلسلات السحاب النقطية. ونُقدِّم طريقة جديدة وفعّالة تُسمى PointLSTM، تُمكّن من نقل المعلومات من الماضي إلى المستقبل مع الحفاظ على البنية الفضائية. تعتمد PointLSTM المُقترحة على دمج معلومات الحالة من النقاط المجاورة في الماضي مع السمات الحالية لتحديث الحالة الحالية من خلال طبقة LSTM مشتركة في الوزن. يمكن دمج هذه الطريقة في العديد من النماذج الأخرى لتعلم التسلسلات. وفي مهمة التعرف على الإيماءات، حققت PointLSTM المُقترحة نتائج متقدمة على مستويات عالمية على مجموعتي بيانات صعبتين (NVGesture وSHREC'17)، وتفوقت على الطرق القائمة على الهيكل العظمي السابقة. ولإظهار مزاياها في التعميم، قمنا بتقييم طريقة العمل لدينا على مجموعة بيانات MSR Action3D، وأسفرت عن نتائج تنافسية مقارنة بالطرق السابقة القائمة على الهيكل العظمي.