الفهرس 
Chapter 1 IntroductionOnly 14 pages are availabe for public view
 |  | from | 107 |  |  |
| | | from | 107 | | |
Abstract
شبكة منطقة الجسم اللاسلكية (WBAN) عبارة عن شبكة من أجهزة الحاسب تُوضَع على الجسم لمراقبة العلامات الحيوية والبيانات الأخرى المتعلقة بالصحة في الوقت الحقيقى. تلعب شبكة الجسم الاسلكية دورًا حاسمًا في مراقبة الرعاية الصحية، مما يتيح المراقبة المستمرة عن بعد للظروف الصحية للمريض وتسهيل الكشف المبكر. لقد تطور التعرف على النشاط البشري (HAR) داخل شبكة الجسم اللاسلكية إلى مجال له آثار واسعة النطاق عبر مختلف المجالات وتتضح أهميته على نحو خاص في التطبيقات الحيوية مثل الطب المختص برعاية المسنين، حيث يعد أداة أساسية لتحسين نتائج الرعاية الصحية وتحسين نوعية الحياة. أحدثت الزيادة الأخيرة في اعتماد تقنيات التعلم عن بعد نقلة نوعية في أبحاث وتطبيقات الموارد البشرية. لقد أحدثت قدرة التعليم العميق على التعامل مع كميات كبيرة من البيانات واستخراج الأنماط المعقدة ثورة في هذا المجال، مما أثر في اختيارات الأفراد وسلوكياتهم اليومية. مع انتشار الهواتف الذكية والأجهزة القابلة للارتداء، توجد فرصة غير مسبوقة للاستفادة من التعليم العميق في بناء نماذج التعرف على النشاط البشري دقيقة للغاية وقابلة للتكيف. من خلال دمج التعليم العميق مع إنترنت الأشياء، من خلالها يمكن لأنظمة التعرف على النشاط البشري (HAR) تحقيق مستويات غير مسبوقة من الأداء وقابلية التوسع والقدرة على التكيف، مما يمهد الطريق لحلول الرعاية الصحية الشخصية والذكية. هذه الدراسة تسعى للمساهمة في تقدم التعرف على النشاط البشري من خلال اقتراح نموذج ذكي ضمن إطار شبكة الجسم اللاسلكية (WBAN) . تقدم الشبكة اللاسلكية منصة فريدة للتعرف على النشاط البشري، تسمح بدمج بيانات الاستشعار بسلاسة من الأجهزة القابلة للارتداء مع أدنى تداخل. تم تطبيق تقنيات متطورة مثل GAF وبنيات DenseNet169 لاستخراج الميزات من بيانات الاستشعار فى النموذج المقترح . بعد الحصول على إشارات الاستشعار، تُسْتَخْدَم خطوات المعالجة المسبقة الدقيقة لضمان سلامة البيانات وموثوقيتها. تشمل هذه الخطوات إزالة العيوب والتصفية المتوسطة للحد من التداخلات وتحسين وضوح الإشارة. بعد ذلك، تُحَوَّل بيانات الاستشعار إلى صور ثنائية الأبعاد باستخدام خوارزمية GAF، مما يسهل استخراج وتمثيل الميزات بفعالية. لتعزيز قدرات التعرف الخاصة بنظام التعرف على النشاط البشري، تستخدم DenseNet169 لمعالجة ودمج البيانات من عدة أجهزة استشعار تلقائي. تتيح هذه الطريقة التعرف الشامل على الأنشطة، باستغلال المعلومات السياقية الغنية التي اُلْتُقِطَت من الاستشعارات. أظهرت النتائج العملية أن النظام المقترح للـتعرف على النشاط البشري خلال شبكة WBAN فعالية النموذج المقترح للـتعرف على النشاط البشري داخل بيئة الشبكة اللاسلكية بدقة وكفاءة، حيث يتحقق معدل دقة يبلغ 97.83%، وقيمة F1 تبلغ 97.83%، MCC تبلغ 97.64% مما يؤكد هذه فعالية هذا النموذج المقترح مما يفتح آفاقاً واعدة للبحث والتطبيقات المستقبلية في الرعاية الصحية الشخصية.