نظام التعرف على الأنشطة البشرية باستخدام CNN و LSTM

يقدم هذا المشروع نموذجًا متقدمًا للتعرف على الأنشطة البشرية (Human Activity Recognition - HAR) باستخدام تقنيات التعلم العميق. يعتمد النظام على دمج شبكات Convolutional Neural Networks (CNN) لاستخراج الخصائص المكانية، مع Long Short-Term Memory (LSTM) لتحليل الأنماط الزمنية للحركة. يهدف المشروع إلى تصنيف الأنشطة البشرية المختلفة (مثل المشي، الجلوس، الوقوف، وغيرها) اعتمادًا على بيانات زمنية مستخرجة من الحساسات أو الفيديو. يعتمد هذا النهج على فكرة أن: CNN تقوم باستخراج features من البيانات LSTM تفهم التسلسل الزمني للحركة وده بيخلي النموذج مناسب جدًا لتحليل السلوك البشري 👌 ⚙️ مميزات المشروع: استخدام نموذج Hybrid (CNN + LSTM) لدمج Spatial + Temporal Features دقة عالية في تصنيف الأنشطة البشرية دعم بيانات Time-Series (Sensors أو Video) إمكانية التوسع لتطبيقات Real-Time Visualization للنتائج (Accuracy / Loss / Confusion Matrix)