論文の概要: Towards Accessible Learning: Deep Learning-Based Potential Dysgraphia Detection and OCR for Potentially Dysgraphic Handwriting
- arxiv url: http://arxiv.org/abs/2411.13595v1
- Date: Mon, 18 Nov 2024 13:28:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-22 15:20:08.304550
- Title: Towards Accessible Learning: Deep Learning-Based Potential Dysgraphia Detection and OCR for Potentially Dysgraphic Handwriting
- Title(参考訳): アクセシブル・ラーニングに向けて: ディープ・ラーニングに基づく潜在的図形検出と潜在的図形手書きのためのOCR
- Authors: Vydeki D, Divyansh Bhandari, Pranav Pratap Patil, Aarush Anand Kulkarni,
- Abstract要約: 図形障害(Dysgraphia)は、手書き能力に影響を与える学習障害である。
早期検出とモニタリングは、タイムリーなサポートと介入を提供するために不可欠である。
本研究では、ディープラーニング技術を用いて、ディジグラフィ検出と光学的文字認識の2つの課題に対処する。
- 参考スコア(独自算出の注目度): 1.9575346216959502
- License:
- Abstract: Dysgraphia is a learning disorder that affects handwriting abilities, making it challenging for children to write legibly and consistently. Early detection and monitoring are crucial for providing timely support and interventions. This study applies deep learning techniques to address the dual tasks of dysgraphia detection and optical character recognition (OCR) on handwriting samples from children with potential dysgraphic symptoms. Using a dataset of handwritten samples from Malaysian schoolchildren, we developed a custom Convolutional Neural Network (CNN) model, alongside VGG16 and ResNet50, to classify handwriting as dysgraphic or non-dysgraphic. The custom CNN model outperformed the pre-trained models, achieving a test accuracy of 91.8% with high precision, recall, and AUC, demonstrating its robustness in identifying dysgraphic handwriting features. Additionally, an OCR pipeline was created to segment and recognize individual characters in dysgraphic handwriting, achieving a character recognition accuracy of approximately 43.5%. This research highlights the potential of deep learning in supporting dysgraphia assessment, laying a foundation for tools that could assist educators and clinicians in identifying dysgraphia and tracking handwriting progress over time. The findings contribute to advancements in assistive technologies for learning disabilities, offering hope for more accessible and accurate diagnostic tools in educational and clinical settings.
- Abstract(参考訳): ディストグラフア(Dysgraphia)は、手書き能力に影響を与える学習障害である。
早期検出とモニタリングは、タイムリーなサポートと介入を提供するために不可欠である。
本研究は, 小児の筆跡検体における画像診断と光学的文字認識の2つの課題に, 深層学習技術を適用した。
マレーシアの学童の手書きサンプルのデータセットを用いて,VGG16やResNet50とともに独自の畳み込みニューラルネットワーク(CNN)モデルを開発し,手書き文字を図形や非図形に分類した。
カスタムCNNモデルは事前訓練されたモデルよりも優れており、高い精度、リコール、AUCで91.8%の精度を達成し、ディジグラフィーの筆跡の特徴を識別する堅牢性を示した。
さらにOCRパイプラインが作成され、ディストグラムの筆跡で個々の文字を識別し、約43.5%の文字認識精度を達成した。
本研究は、ディストグラフアセスメントを支援するための深層学習の可能性を強調し、ディストグラフアセスメントを識別し、時間の経過とともに手書きの進捗を追跡するための教育者や臨床医を支援するツールの基盤を構築した。
この知見は、学習障害に対する支援技術の進歩に寄与し、教育や臨床の現場でよりアクセスしやすく正確な診断ツールが期待できる。
関連論文リスト
- Assessment of Developmental Dysgraphia Utilising a Display Tablet [0.3064887031776843]
本研究の目的は,ディスプレイ・スクリーン・タブレットで記録されたオンライン筆跡の定量的分析が発達障害評価(DD)を十分に支援できるかどうかを検討することである。
勾配アルゴリズムに基づく機械学習モデルを用いて、最大83.6%の精度でDD診断をサポートすることができた。
DDの小児は, 空気中の時間が多く, ペン高, 脳卒中高, 空気中のテンポの低下, 角速度の変動が認められた。
論文 参考訳(メタデータ) (2024-10-23T19:24:58Z) - Handwriting Anomalies and Learning Disabilities through Recurrent Neural Networks and Geometric Pattern Analysis [0.0]
本研究では、高度な幾何学的パターンとリカレントニューラルネットワーク(RNN)を用いて、失読と失読を示す手書き異常を同定する。
書き起こしはまず標準化され、次にベースラインのずれ、文字の接続性、ストロークの厚さ、その他の異常に焦点を当てた特徴抽出が続く。
最初の結果は、このRNNモデルが、ジストレキシーとジストニアを併用して、最先端の性能を達成する能力を示した。
論文 参考訳(メタデータ) (2024-05-12T10:10:13Z) - Neural Sign Actors: A diffusion model for 3D sign language production from text [51.81647203840081]
手話 (SL) は難聴者および難聴者コミュニティの主要なコミュニケーション手段である。
この研究は、現実的なニューラルサインアバターに向けて重要な一歩を踏み出し、聴覚と聴覚のコミュニティ間のコミュニケーションギャップを埋める。
論文 参考訳(メタデータ) (2023-12-05T12:04:34Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳(メタデータ) (2023-09-13T15:42:06Z) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳(メタデータ) (2023-07-10T15:35:31Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳(メタデータ) (2022-10-23T11:52:57Z) - Automated dysgraphia detection by deep learning with SensoGrip [0.0]
画像診断の早期発見は、標的とした介入の早期開始を可能にする。
本研究は,SEMSスコア(0と12)をディープラーニングで予測し,手書き能力の微粒化について検討した。
提案手法は,手動による特徴抽出と選択を代えて,99%以上の精度とルート平均平方誤差を1より低くする。
論文 参考訳(メタデータ) (2022-10-14T09:21:27Z) - Automated Systems For Diagnosis of Dysgraphia in Children: A Survey and
Novel Framework [2.326866956890798]
学習障害は主に読書、文章、数学などの基本的な学習スキルに干渉し、世界の子供の約10%に影響することが知られている。
神経発達障害としての運動能力の低下と運動調整は、書字の難しさの因果となりうる(図)
失読症の徴候や症状は、不規則な筆跡、筆記媒体の不適切な扱い、遅やかに書き直し、異常な手の位置などに限定されない。
論文 参考訳(メタデータ) (2022-06-27T04:44:34Z) - Dyslexia and Dysgraphia prediction: A new machine learning approach [7.754230120409288]
失読症、失読症、失読症などの学習障害は、学術的な成果に干渉するが、学術的な時間を超える長い結果をもたらす。
このような障害を幼児期に評価するためには、子どもたちはテストのバッテリーを解く必要がある。
人間の専門家はこれらのテストにスコアを付け、子どもが特定の教育戦略を必要とするかどうかをスコアに基づいて決定する。
本稿では,人工知能がこの評価の自動化にどう役立つかを検討する。
論文 参考訳(メタデータ) (2020-04-15T09:31:51Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳(メタデータ) (2020-03-23T14:55:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。