Αξιολόγηση λεπτής κινητικότητας με χρήση τεχνικών βαθιάς μηχανικής μάθησης σε παιδιά προσχολικής ηλικίας

Abstract

Τhis study focused on exploring methods and developing techniques for the automated assessment of fine motor skills and cognitive development in preschool-aged children using deep learning techniques. The research involved 757 children aged 49 to 76 months (4-6 years) from cities and villages within the Regional Unit o fSerres. The children's fine motor development was evaluated using the Griffiths Developmental Scale II, while their cognitive age was assessed with the Goodenough-Harris Draw-A-Person test. The study trained deep learning models such asResNetV2, InceptionV3, MobileNetV2, VGG16, and EfficientNet B0 and B1, and also developed a new model called MotorSkills CNN. The results showed that the reliability of the Griffiths II fine motor scale in categorizing children into the same developmental group as the Goodenough-HarrisDraw-A-Person test was high (93.92%). Although the true positive rate across the six classes was lower compared to other models (31%), the EfficientNet B0 model recorded higher accuracy in categorizing children based on fine motor skills. Eventhough EfficientNet B0 exhibited one of the lowest accuracy rates (35.87%) among the pre-trained networks used, it was considered more effective in categorizing children according to their cognitive development. The new MotorSkills CNN mode lcategorized a total of 124 images (30.46%) in the same category as Griffiths II and127 images (29.48%) in the same category as the Goodenough-Harris Draw-A-Person test. In conclusion, the assessment of the developmental level of the drawings and the measurement of the number of depicted details provide reliable indicators for both the level of fine motor skills and cognitive development in children. In categories with a large volume of images, the models demonstrated acceptable performance, while in categories with a limited number of images, the training and performance of the models were deemed insufficient. This finding serves as a starting point for enriching the dataset and further research using other methods.

Η παρούσα μελέτη επικεντρώθηκε στη διερεύνηση τρόπων και στην ανάπτυξη μεθόδων για την αυτοματοποιημένη αξιολόγηση της λεπτής κινητικότητας και της νοητικής ανάπτυξης σε παιδιά προσχολικής ηλικίας, αξιοποιώντας τεχνικές βαθιάς μηχανικής μάθησης. Στην έρευνα συμμετείχαν 757 παιδιά ηλικίας 49 έως 76 μηνών(4-6 ετών) από πόλεις και χωριά της Περιφερειακής Ενότητας Σερρών. Η λεπτή κινητική ανάπτυξη των παιδιών αξιολογήθηκε μέσω της αναπτυξιακής δοκιμασίας Griffiths ΝοII, ενώ η νοητική ηλικία αξιολογήθηκε με τη δοκιμασία Goodenough-Harris Draw-A-Person. Στη μελέτη εκπαιδεύτηκαν μοντέλα βαθιάς μηχανικής μάθησης όπως τα ResNetV2, InceptionV3, MobileNetV2, VGG16, και EfficientNetB0 και B1, ενώ δημιουργήθηκε επίσης ένα νέο μοντέλο με την ονομασία MotorSkillsCNN. Από τα αποτελέσματα φάνηκε ότι η αξιοπιστία της κλίμακας λεπτής κινητικότητας του Griffiths II στην κατηγοριοποίηση των παιδιών στην ίδια αναπτυξιακή ομάδα με τη δοκιμασία Goodenough-Harris Draw-A-Person είναι υψηλή (93,92%). Παρόλο που το ποσοστό των αληθινά θετικών περιπτώσεων στις έξι τάξεις ήταν χαμηλότερο σε σύγκριση με άλλα μοντέλα (31%), το μοντέλο EfficientNet B0 κατέγραψε υψηλότερη ακρίβεια στην κατηγοριοποίηση των παιδιώνμε βάση τις δεξιότητες λεπτής κινητικότητας. Αν και το EfficientNet B0 παρουσίασε από τα χαμηλότερα ποσοστά ακρίβειας (35,87%) μεταξύ των προ-εκπαιδευμένων δικτύων που χρησιμοποιήθηκαν, θεωρήθηκε πιο αποτελεσματικό στην κατηγοριοποίηση των παιδιών όσον αφορά στη νοητική τους ανάπτυξη. Το νέο μοντέλο MotorSkills CNN κατέταξε συνολικά στην ίδια κατηγορία με το Griffiths II,124 εικόνες (30,46%) και με το Goodenough-Harris Draw-A-Person 127 εικόνες(29,48%). Συμπερασματικά, η αξιολόγηση του αναπτυξιακού επιπέδου των σχεδίων και η καταμέτρηση του αριθμού των απεικονιζόμενων λεπτομερειών παρέχουν αξιόπιστους δείκτες τόσο για το επίπεδο των δεξιοτήτων λεπτής κινητικότητας των παιδιών όσο και για τη νοητική τους ανάπτυξη. Σε κατηγορίες με μεγάλο όγκο εικόνων παρατηρήθηκε αποδεκτή απόδοση των μοντέλων, ενώ σε κατηγορίες με περιορισμένο αριθμό εικόνων η εκπαίδευση και η απόδοση των μοντέλων ήταν ανεπαρκής. Αυτό το γεγονός αποτελεί αφετηρία για τον εμπλουτισμό του συνόλου δεδομένων και τη μελλοντική μελέτη με άλλες μεθόδους.