基于轨迹渲染手写数据的书写障碍筛查端到端深度学习框架

《IEEE Access》：End-to-End Deep Learning Framework for Dysgraphia Screening from Trajectory-Rendered Handwriting

　　摘要：手写作为一种非侵入性行为指标，在神经和学习障碍检测方面受到越来越多的关注。然而，书写障碍筛查仍面临挑战，因为现有评估方法主要依赖专家判断，缺乏客观、可扩展且可重复的评价标准。本研究提出了一种基于平板电脑采集的手写数据的书写障碍筛查端到端深度学习框架。该框架通过整合笔压和速度等动态线索，将在线笔迹轨迹信号转换为离线手写图像，从而生成既能保留手行动态信息又可被教育者和临床医生理解的可视化表示。在此框架内，采用轻量级自增强残差注意力卷积神经网络（SERA-CNN）进行端到端分类。为评估各架构组件的贡献，将所提出的模型与多种CNN变体进行了比较。在公开可用的书写障碍基准数据集上进行的实验表明，SERA-CNN的分类准确率达到88.9%，超越了同一基准上此前报告的所有结果，同时保持了约0.29 M参数的紧凑模型规模。可视化技术被用于提供关于所学特征表示和预测机制的补充见解。这些可视化结果有助于模型理解，并可能协助教育和临床筛查领域的从业者。通过端到端深度学习流程连接在线手写信号与可视化的手写表示，所提出的框架为书写障碍筛查提供了一种客观、可扩展且可实际部署的方法。