İnsanlar, bir arkadaşlarının yürüyüşünü kalabalık içinde bile anında tanıyabilir ya da siluetten bile hangi sporun oynandığını ayırt edebilir. Bu olağanüstü yetenek, görsel sistemimizin hareketleri işleme biçimiyle doğrudan ilgilidir. Ancak bu süreçte tam olarak hangi bilgilerin kullanıldığı, bilim dünyasında hâlâ tartışmalı bir soru olmaya devam etmektedir.
Yeni yayımlanan bir araştırma, bu soruyu yanıtlamak için farklı hareket temsil yöntemlerini karşılaştırmalı olarak test etti. Araştırmacılar, MoVi veri setinden derlenen 16 günlük aktivite videosunu —oturma, koşma, el sallama gibi— üç farklı matematiksel stratejiyle analiz etti: Zamansal Hareket İlkelleri (TMP), Legendre polinom katsayıları ve Otokodlayıcı gizli temsiller.
Sınıflandırma doğruluğu açısından Legendre katsayıları ve TMP yöntemleri öne çıkarken, derin öğrenme tabanlı otokodlayıcılar bir miktar geride kaldı. Bu sonuç, yapısal ve matematiksel temelli yaklaşımların hareket sınıflandırmada hâlâ güçlü bir alternatif sunduğunu ortaya koyuyor.
Araştırmanın en dikkat çekici bulgusu ise sınıflandırmayı mümkün kılan iki temel özelliğin belirlenmesidir. Birinci ve en belirleyici özellik, bedenin genel duruşu yani eklemlerin ortalama uzamsal düzenlemesidir. Bu statik bilgi, bir aktiviteyi diğerinden ayırt etmek için büyük ölçüde yeterli olmaktadır. İkinci özellik ise hareketin dinamikleri, yani eklem koordinatlarının zaman içindeki değişimidir. Dinamikler, aktiviteyi tam olarak zihinsel düzeyde yeniden kurgulamak için kritik rol oynamaktadır.
Bu ayrım, insan görsel korteksinin farklı bilgi türlerini paralel ve tamamlayıcı yollarla işlediği yönündeki nörobilimsel modellerle uyum içindedir. Araştırma, yalnızca insan algısını anlamak için değil, robotik hareket tanıma ve yapay zeka sistemleri için de önemli ipuçları barındırmaktadır. Duruş ve dinamiklerin birbirinden bağımsız ancak birbirini tamamlar nitelikte kodlandığı fikri, gelecekteki hem hesaplamalı hem de deneysel çalışmalara yön verebilir.