خلال العقدين الماضيين، تم تطوير عدد متزايد من الطرق المعقدة لتحديد الأنشطة البشرية باستخدام أنواع مختلفة من المستشعرات، مثل بيانات التقاط الحركة (motion capture) ومستشعرات التسارع (accelerometer) والجيروسكوبات (gyroscopes). حتى الآن، يركّز معظم الأبحاث على تحديد الأنشطة البشرية البسيطة، مثل المشي، والأكل، والجري. ومع ذلك، فإن العديد من الأنشطة اليومية لدينا تكون عادة أكثر تعقيدًا من هذه الأنشطة البسيطة. ولتشجيع الأبحاث في مجال التعرف على الأنشطة المعقدة، تم إطلاق تحدي "تمييز أنشطة التمريض" [1]، حيث يُطلب تحديد ستة أنشطة تمريضية بناءً على بيانات الموقع، وضغط الهواء، وبيانات التقاط الحركة، وبيانات مستشعرات التسارع. يُركّز فريقنا، "IITDU"، على استكشاف استخدام أساليب بسيطة لتحقيق هذا الهدف. قمنا أولاً باستخراج الميزات من بيانات المستشعرات، ثم استخدمنا أحد أبسط الفئّات التصنيفية، وهي خوارزمية أقرب الجيران (K-Nearest Neighbors (KNN)). أظهرت التجارب التي استخدمت مجموعة مجمعة من فئات KNN إمكانية تحقيق دقة تصل إلى حوالي 87٪ باستخدام التحقق المتقاطع بعشرة أجزاء (10-fold cross-validation)، ودقة تبلغ 66٪ باستخدام التحقق المتقاطع باستبعاد أحد المشاركين (leave-one-subject-out cross-validation).