Analýza grafomotorických obtíží pomocí metod strojového učení

Abstract

Cílem práce byl výzkum nových pokročilých kinematických parametrů určených k analýze grafomotorických obtíží. Analyzován byl ručně psaný projev reprezentovaný časovými řa- dami (online písmo), získaný pomocí digitalizačního tabletu u pacientů s Parkinsonovou nemocí. Výzkum se zaměřil na využití derivací neceločíselného řádu pro extrakci kine- matických parametrů. Tyto parametry byly evaluovány pomocí metod strojového učení a statistické analýzy. V teoretické části práce byla nastudována problematika grafomotorických obtíží u paci- entů s Parkinsonovou nemoci a dětí s vývojovou dysgrafií. Dále bylo seznámeno s online písmem, neceločíselným kalkulem, metodami strojového učení a jejich využití za úče- lem diagnostiky grafomotorických potíží. Poslední krok teoretické části byl návrh nových kinematických parametrů založených na neceločíselných derivacích. V praktické části byly tyto parametry extrahovány ze vzorků online písma obsažených v databázi rukopisů pacientů s Parkinsonovou nemocí (PaHaW) a použity k trénování klasifikačního modelu strojového učení metodou XGBoost. Následně byly parametry eva- luovány na základě výsledků Pearsonovy korelační analýzy, podle výkonu modelů, které jimi byly natrénovány a jejich užitečnosti v těchto modelech. Nakonec byly podle těchto metrik porovnány se stávajícími kinematickými parametry. Korelační analýza odhalila silnou souvislost mezi nově navrženými parametry založenými na časové paměti (Temporal Memory Index, TMI) a statusem onemocnění. Nejsilnější parametr vykazoval pozitivní Pearsonovu korelaci 0,45 a -hodnoty po úpravě metodou FDR (False Discovery Rate) v řádu tisícin. Nejlepší klasifikační model dosáhl vyvážené přesnosti 0,79, citlivosti 0,77 a specificity 0,78.

The aim of this thesis was to explore new advanced kinematic features for the analysis of graphomotor difficulties. The analysis focused on handwritten output represented by time series (online handwriting) acquired using a digitizing tablet from patients with Parkinson’s disease. The research concentrated on the use of fractional-order derivatives for the extraction of kinematic parameters. These parameters were evaluated using machine learning methods and statistical analysis. The theoretical part of the thesis introduces the issue of graphomotor difficulties in patients with Parkinson’s disease and in children with developmental dysgraphia. It also presents the concept of online handwriting, fractional calculus, machine learning methods, and their application in the diagnosis of graphomotor impairments. The final section of the theoretical part proposes novel kinematic parameters based on fractional derivatives. In the practical part, these parameters were extracted from samples of online handwriting contained in the PaHaW dataset of Parkinson’s disease patients and used to train a machine learning classification model using the XGBoost algorithm. The parameters were then evaluated based on the results of Pearson correlation analysis, the performance of the models trained on them, and their usefulness within these models. Finally, they were compared to existing kinematic parameters according to these metrics. Correlation analysis revealed a strong relationship between the newly proposed param- eters based on temporal memory (Temporal Memory Index, TMI) and disease status. The strongest parameter exhibited a positive Pearson correlation of 0.45 and -values adjusted using the FDR (False Discovery Rate) method in the order of thousandths. The best classification model achieved a balanced accuracy of 0.79, sensitivity of 0.77, and specificity of 0.78