پژوهشگران دانشگاه پاریس، و دانشگاه دکارت پاریس در پژوهشی بدیع که نتایج آن به تازگی منتشر شده است با تحلیل هوش مصنوعی دستخط به ابداع شیوهای نوین در تحلیل رابطه بین دستخط و آلزایمر نائل شدند.
??? روش پژوهش
در این پژوهش، ۹۰۵ داوطلب از ۱۱ تا ۸۶ سال شرکت نموده و نمونه خطوط آنها بصورت آنلاین توسط تبلت جمع آوری شد. سپس دادهها توسط هوش مصنوعی خوشه بنده شده و ویژگیهای رفتاری چندبعدی آنها دستهبندی شد. در پایان تفاوتهای خوشههای دستخط با نیمرخهای شناختی افراد تطبیق داده شد.
?? ? نتایج نشان دادند:
- بر اساس الگوریتمهای محاسباتی پژوهش، سه سبک دستخط در فرآیند سالمندی شناسایی شدند که یکی اختصاص به سالمندان داشته و دو دستخط دیگر با سایرگروههای سنی مشترکند.
- در گروه افراد دارای آلزایمر، دو خوشه دستخط وجود دارند: یک خوشه مربوط به افراد سالم و دارای مشکلات شناختی خفیف و خوشه دیگر مربوط به افراد دارای مشکلات شناختی خفیف و آلزایمر.
- بنظر می رسد در مراحل مختلف تخریب شناختی و بیماریهای نورودژنراتیو، مهارتهای ظریف حرکتی بویژه دستخط به میزان متفاوتی تحت تاثیر قرار بگیرند که میتوان آنها را با شیوههای رفتاری در ترکیب با هوش مصنوعی و اصلاح روشهای آماری و محاسباتی، شناسایی نمود.
- داده کاوی و تحلیل هوش مصنوعی روابط بین دستخط و آلزایمر، راهی بدیع برای شناسایی و تفکیک طبقات اختلالت عصبروانشناختی در آینده خواهد بود.
From aging to early-stage Alzheimer’s: Uncovering handwriting multimodal behaviors by semi-supervised learning and sequential representation learning
Abstract
We present, in this paper, a novel paradigm for assessing Alzheimer’s disease and aging by analyzing impairment of handwriting (HW) on tablets, a challenging problem that is still in its infancy.
The state of the art is dominated by methods that assume a unique behavioral trend for each cognitive profile or age group, and that extract global kinematic parameters, assessed by standard statistical tests or classification models, for discriminating the neuropathological disorders (Alzheimer’s (AD), Mild Cognitive Impairment (MCI)) from Healthy Controls (HC), or HC age groups from each other.
Our work tackles these two major limitations as follows. First, instead of considering a unique behavioral pattern for each cognitive profile or age group, we relax this heavy constraint by allowing the emergence of multimodal behavioral patterns.
We achieve this by performing semi or unsupervised learning to uncover homogeneous clusters of subjects, and then we analyze how much information these clusters carry on the cognitive profiles (or age groups).
Second, instead of relying on global kinematic parameters, mostly consisting of their average, we refine the encoding either by a semi-global parameterization, or by modeling the full dynamics of each parameter, harnessing thereby the rich temporal information inherently characterizing online HW.
To illustrate the power of our paradigm, we present three studies, one regarding age, and two regarding Alzheimer’s. Thanks to our modeling, we obtain new findings that are the first of their kind on this research field.
On aging, unlike previous works reporting only one pattern of HW change with age, our study, based on a semiglobal parametrization scheme, uncovers three major aging HW styles, one specific to aged subjects and two shared with other age groups.
On Alzheimer’s, a striking finding is revealed: two major clusters are unveiled, one dominated by HC and MCI subjects, and one by MCI and ES-AD, thus revealing that MCI patients have fine motor skills leaning towards either HC’s or ES-AD’s.
Our paper introduces also a new temporal representation learning from HW trajectories that uncovers a rich set of features simultaneously like the full velocity profile, size and slant, fluidity, and shakiness. It reveals, in a naturally explainable way, how these HW features conjointly characterize, with fine and subtle details, the cognitive profiles.
Keywords
Online handwriting, Alzheimer’s, Mild Cognitive Impairment, Aging, Unsupervised & semi-supervised learning, Temporal representation learning.
لینک منبع پیشنهادی برای مطالعه بیشتر (further reading)
(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
کانال تلگرام
https://t.me/DrAmirMohammadShahsavarani