بفضل كفاءة التمثيل، حظيت التعرف على أفعال الإنسان القائمة على الهيكل العظمي باهتمام بحثي كبير، وتم تطبيقها على نطاق واسع في التطبيقات الواقعية. في هذا المجال، تعتمد العديد من الطرق الحالية بشكل تقليدي على هيكل توصيل فيزيائي ثابت للهيكل العظمي في عملية التعرف، وهو ما يعجز عن التقاط العلاقات ذات الرتبة العالية المتأصلة بين مفاصل الهيكل العظمي بشكل فعّال. في هذا البحث، نقترح نموذجًا جديدًا لتحويل الرسم البياني الزماني-المكاني (STGR) للتعرف على الأفعال القائمة على الهيكل العظمي، والذي يتعلم بشكل تكيفي العلاقات التوصيلية ذات الرتبة العالية المتأصلة بين المفاصل البعيدة مكانيًا. بشكل محدد، يتكون هذا النموذج من مكوّنين: مُوجّه الرسم البياني المكاني (SGR) و مُوجّه الرسم البياني الزمني (TGR). يهدف SGR إلى اكتشاف العلاقات التوصيلية بين المفاصل بناءً على تجميع فرعي حسب البعد المكاني، بينما يُحلّل TGR المعلومات البنائية من خلال قياس درجات الارتباط بين مسارات العقد الزمنية للمفاصل. يتم دمج النموذج المقترح بشكل طبيعي وسلس ضمن إطار الشبكات العصبية الرسومية (GCNs) لإنتاج مجموعة من الرسوم البيانية للتوصيل بين مفاصل الهيكل العظمي، والتي تُستخدم بعدها في الشبكات التصنيفية. بالإضافة إلى ذلك، نقدم تحليلًا عميقًا لمنطقة الاستقبال (receptive field) لعقدة الرسم البياني لتوضيح ضرورة استخدام طريقة العمل هذه. وأظهرت النتائج التجريبية على مجموعتي بيانات معياريتين (NTU-RGB+D وKinetics) فعالية الأداء مقارنةً بأفضل الطرق الحالية.