Automatizovaná diagnóza vývojové dysgrafie založená na kvantitativní analýze online písma

Abstract

Prevalence problémů s psaním mezi dětmi školního věku je mezi 10 až 30 %. V současné době neexistuje v České republice objektivní metoda pro diagnózu a hodnocení míry závažnosti vývojové dysgrafie (VD). Cílem této studie je představit novou metodu objektivní diagnózy VD založené na kvantitativní analýze online písma. K tomuto účelu jsme extrahovali ze tří písemných cvičení sadu prostorových, časových, kinematických a dynamických parametrů. Pro identifikaci parametrů s vysokou diskriminační silou jsme následně provedli korelační analýzu mezi těmito parametry a skóry dotazníku HPSQ (Handwriting Proficiency Screening Questionnaire). Použitím klasifikátoru založeného na náhodných lesech v kombinaci s kvantifikací cvičení psaní abecedy jsme dosáhli přesnosti klasifikace téměř 80 % (sensitivita 77 %, specificita 83 %). Přesnost byla zvýšena na 92 % (sensitivita 92 %, specificita 93 %) aplikováním metody sekvenčního dopředného plovoucího výběru parametrů SFFS (Sequential Floating Forward Selection). Tato pilotní studie potvrzuje možnost automatizované diagnózy VD u dětí, které píšou psaným spojovaným písmem.The prevalence of handwriting difficulties among school-aged children is around 10–30 %. Until now, there is no objective method to diagnose and rate developmental dysgraphia (DD) in Czech Republic. The goal of this study is to propose a new method of objective DD diagnosis based on quantitative analysis of online handwriting. For this purpose, we extracted a set of spatial, temporal, kinematic and dynamic features from three handwriting tasks. Consequently, we performed a correlation analysis between these features and score of handwriting proficiency screening questionnaire (HPSQ), in order to identify parameters with a good discrimination power. Using random forests classifier in combination with quantification of alphabet writing task, we reached nearly 80 % classification accuracy (77 % sensitivity, 83 % specificity). The classification accuracy was increased to 92 % (92 % sensitivity, 93 % specificity) by employing SFFS (Sequential Forward Feature Selection) method. This pilot study proves the possibility of automatic DD diagnosis in children cohort writing with cursive letters.