儿童发展性书写障碍严重程度的分级：多模态数据集与分类器融合方法

《IEEE Transactions on Cognitive and Developmental Systems》：Grading of Developmental Dysgraphia Severity in Children: Multimodal Dataset and Classifier Fusion

发展性书写障碍诊断多模态数据集及严重程度分级研究提出首个包含113名儿童在线手写与离线扫描图像的多模态数据集，涵盖字母、单词、伪词等任务，通过加权投票和元学习融合方法在伪词任务中召回率达85.67%，填补了该领域数据与评估标准空白。

　　

摘要：

发展性书写障碍是一种影响儿童书写能力的神经性疾病，由于其症状多样和常伴有其他疾病，因此在诊断上存在挑战。尽管近年来提出了许多用于书写障碍诊断的机器学习方法，但这些方法主要集中在二元分类上——即区分患有书写障碍的儿童和正常发展的儿童。目前还缺乏用于评估书写障碍严重程度的分级方法及公开数据集。为了解决这一问题，本研究开发了一个新型的多模态数据集，这是首个专门用于书写障碍诊断和严重程度分级的数据集。该数据集包含了来自113名儿童的手写在线数据（使用数字化平板捕获）及其栅格化的离线图像，这些儿童完成了各种书写任务（包括字母、单词、难词、伪词和句子）。评估方法结合了以受试者为中心的汇总分析和实例级分析，其中实例级分析侧重于个体内部的变化，为个性化严重程度监测提供了基础。以受试者为中心的汇总分析遵循传统的临床评估方法，利用在线书写分析结果。在评估的任务中，伪词、难词和多任务特征的识别效果较好，在考虑多类别严重程度分级复杂性和数据集不平衡的情况下仍保持了中等的召回率。实例级分析则结合了在线和离线数据特征，采用了多模态融合技术，包括元学习、软投票和加权平均等方法。使用加权投票和元学习的多模态融合技术在单词和伪词书写任务中的召回率达到了85.67%，而单一模态方法的召回率为82%，并且在交叉验证中的稳定性也有所提高。本研究通过提供新的数据集和可靠的严重程度评估基准，填补了书写障碍研究领域的空白。

引言

近年来，人们研究了神经性疾病与书写能力之间的关系[1]。这促使研究人员开始基于书写特征来诊断各种疾病。许多疾病和障碍都可能导致书写能力下降，因此书写能力可以作为一种潜在的生物标志物。特别是帕金森病[1]、[2]、[3]、[4]、[5]在书写分析领域受到了广泛关注，因为它是常见的神经退行性疾病之一，并且有大量相关数据集可供研究。书写能力在研究轻度认知障碍[6]、阿尔茨海默病[7]以及精神分裂症谱系障碍和双相情感障碍[8]等方面也显示出其应用价值。与书写能力密切相关的另一种疾病是书写障碍，本文对此进行了探讨。书写障碍主要影响个体的书面表达能力，这一挑战不仅涉及书写本身，还包括拼写、语法以及单词和字母的组织结构[9]。研究表明，全球约有10%至30%的儿童存在书写困难。准确诊断书写障碍非常复杂，因为需要综合考虑多种线索。书写障碍的症状多种多样，会随着儿童的年龄和发展阶段而变化。此外，这些症状必须持续至少六个月，并且需要同时采取干预措施[10]。书写障碍是一种复杂的状况，它可以单独出现，也可能与其他疾病（如自闭症谱系障碍（ASD）、发育协调障碍（DCD）和注意力缺陷多动障碍（ADHD）同时存在，这使得评估变得更加困难[11]。因此，早期诊断和干预对于治疗书写障碍至关重要，可以显著减少治疗所需的时间和精力。