使用深度学习与SensoGrip的手写评估
Mugdim Bublin1, Franz Werner2, Andrea Kerschbaumer2
1Computer Science and Digital Communication, Department Technics, University of Applied Sciences, FH Campus Wien, 1100 Vienna, Austria.
Sensors (Basel, Switzerland)
|June 10, 2023
概括
这项研究引入了一种深度学习方法,用于评估手写困难,如手写障碍. 使用智能笔,它准确地预测了细粒度的得分,改善了儿童的早期检测和干预.
科学领域:
- 儿科神经学 儿科神经学
- 教育心理学教育心理学
- 机器学习在医疗保健中的应用
背景情况:
- 手写学习障碍,如写字障碍,显著阻碍儿童的学业成绩和福祉.
- 早期识别写字障碍对于及时有效的干预至关重要.
- 之前的研究主要使用经典机器学习与手动特征提取和二进制分类来检测失文字症.
研究的目的:
- 通过深度学习研究使用手写能力的细粒度评估.
- 为了预测SEMS得分 (0-12) 来进行更细致的书写障碍评估.
- 为了利用先进的技术来更好地检测手写困难.
主要方法:
- 采用深度学习模型进行手写分析.
- 使用自动功能提取和选择,消除手工流程.
- 实现了一个智能笔 (SensoGrip),配备传感器来捕获动态写入数据.
- 专注于预测连续的SEMS得分,而不是二进制分类.
主要成果:
- 在预测SEMS得分时,实现了小于1的平方根平均误差 (RMSE).
- 证明了深度学习在优化手写能力方面的有效性.
- 展示了装有传感器的智能钢笔对现实的写作评估的实用性.
结论:
- 具有自动特征提取的深度学习为评估手写技能提供了更准确,更有效的方法.
- 智能笔的使用使得在更自然的环境中进行评估,提高了诊断潜力.
- 这种方法有助于更早,更精确地识别写字障碍,支持有针对性的干预措施.
