تحسين دقة التعرف على النشاط البشري باستخدام المشفر التلقائي، الذاكرة طويلة المدى والمحول

الملخص

تُعتبر انترنت الأشياء أحد المصادر الرئيسية لتوليد البيانات الضخمة، لأنها تعتمد على ربط عدد كبير من الأجهزة الذكية بالإنترنت للإبلاغ عن حالة بيئاتها التي يتم التقاطها بشكل مستمر. يُعد التعرف على الأنماط ذات المعنى واستخراجها من بيانات المدخلات الخام الهائلة بمثابة الأداة الأساسية لتحليل البيانات الضخمة لأنها تزود بمستويات أعلى من الرؤى لاتخاذ القرارات والتنبؤ بالنزعات والاتجاهات Trends. تُعرَف البيانات الضخمة في بيئة إنترنت الأشياء ببيانات لها ميزات الحجم الكبير Volume، السرعة الكبيرة في التوليد والالتقاط Velocity، والتنوع Variety. بشكل عام، تأتي البيانات الضخمة بأشكال وتنسيقات مختلفة واردة من مصادر متعددة. يلعب دمج البيانات Data Fusion دوراً حاسماً في تطوير بيئات واسعة الانتشار معتمدة على بيانات انترنت الأشياء. يعد هذا الدور أكثر أهمية بالنسبة إلى تطبيقات انترنت الأشياء الحساسة للوقت حيث يلزم دمج البيانات في الوقت المناسب لجلب كل أجزاء البيانات معاً للتحليل وبالتالي توفير رؤى موثوقة ودقيقة وقابلة للتنفيذ. تهدف هذه الدراسة إلى استعراض الأبحاث التي عالجت خاصية التنوع (دمج البيانات) للبيانات الضخمة في تطبيقات التعرف على النشاط البشري كأحد بيئات انترنت الأشياء، بغرض تقييمها والانطلاق نحو بناء نموذج يلحظ تنوع مصادر البياينات واختلاف تنسيقها، حيث تقوم فكرة النموذج المقترح على استخلاص الميزات الغنية من بيانات المصدر الأكبر لناحية حجم الأبعاد عبر بناء نموذج مشفر تلقائي Autoencoder وتدريبه بهدف استخدامه لاحقاً كتقنية لنقل التعلم Tranfer Learning. واستخراج الارتباطات الزمنية من كل مصدر باستخدام شبكة Lstm وأخيراً دمج الميزات المستخرجة بواسطة تقنية Cross Attension. من ثم تحليل النتائج من وجهة نظر مجموعة من معايير الأداء مثل الدقة Accuracy، F1 Score، مصفوفة التشويش Confusion Matrix. تشير النتائج إلى أن أداء النموذج المقترح حقق دقة أعلى بمقدار 2% من الدراسات التي استخدمت نفس مصادر البيانات من نفس مجموعة البيانات UTD-MHAD.