Разработка автоматизированного подхода к объективной оценке нарушений тонких движений кисти

Авторы

  • Вера Михайловна Ежова Томский государственный университет систем управления и радиоэлектроники (Томск, Россия) https://orcid.org/0009-0000-2009-9042
  • Софья Алексеевна Фоминых Томский государственный университет систем управления и радиоэлектроники (Томск, Россия) https://orcid.org/0009-0007-9168-5808
  • Дарья Евгеньевна Кошечко Томский государственный университет систем управления и радиоэлектроники (Томск, Россия) https://orcid.org/0009-0003-3417-1932
  • Иван Андреевич Рахманенко Томский государственный университет систем управления и радиоэлектроники (Томск, Россия) https://orcid.org/0000-0002-8799-601X
  • Евгений Юрьевич Костюченко Томский государственный университет систем управления и радиоэлектроники (Томск, Россия) https://orcid.org/0000-0001-8000-2716
  • Анна Александровна Жарова Томский государственный университет систем управления и радиоэлектроники (Томск, Россия); Центр реабилитации Социального фонда России «Ключи» (Томск, Россия) https://orcid.org/0000-0003-2597-3573
  • Александра Юрьевна Диш Томский государственный университет систем управления и радиоэлектроники (Томск, Россия); Центр реабилитации Социального фонда России «Ключи» (Томск, Россия) https://orcid.org/0000-0003-1574-5243

DOI:

https://doi.org/10.37482/2687-1491-Z275

Ключевые слова:

последствия инсульта, тонкие движения кисти, компьютерные технологии в медицине, машинное обучение, диагностика нарушений мелкой моторики, графомоторная диагностика на планшете

Аннотация

Проблема восстановления моторной функции кисти актуальна в связи со значительным вкладом верхних конечностей в самообслуживание, осуществление повседневных и профессиональных действий. В настоящее время возникла острая необходимость разработки компьютерных технологий, позволяющих объективно оценивать и эффективно восстанавливать тонкую моторику кисти, в т. ч. в домашних условиях. Цель работы – разработка и оценка эффективности подхода на основе методов машинного обучения и работы с пером графического планшета к диагностике и, в перспективе, восстановлению графомоторных навыков у пациентов, перенесших острое нарушение мозгового кровообращения (ОНМК) и имеющих вследствие этого нарушение функции тонких движений кисти. Материалы и методы. Оценивалась статистическая различимость признаков, позволяющих разграничить здоровых людей и пациентов, перенесших ОНМК, на базе параметров, связанных с положением пера на графическом планшете, а также давления на пластину, угла наклона пера к планшету. Для этого обследуемые на планшете обводили пером предложенные стандартные образы. Контрольную группу составили 15 здоровых добровольцев (возраст 21–45 лет), группу исследования – 15 чел. с последствиями ОНМК (возраст 43–76 лет). Результаты. Выделены признаки, статистически значимо различающиеся у здоровых людей и пациентов после ОНМК; оценена применимость для двухклассовой классификации как полного набора данных, так и сокращенного, содержащего только признаки со статистическими различиями; проведено сравнение 5 различных классификаторов в решении задачи определения классов «здоровый/пациент» по экземпляру записи из собранного набора данных. Обучение стандартных классификаторов показало, что при использовании сокращенного набора признаков качество классификации остается высоким (например, для деревьев решений с ансамблированием точность классификации составляет 95,8 %), что подтверждает перспективность предложенного набора для дальнейшей клинической валидации и применения в скрининговых исследованиях.

Финансирование. Данная работа выполнялась в рамках Программы развития Томского государственного университета систем управления и радиоэлектроники на 2025–2036 годы Программы стратегического академического лидерства «Приоритет 2030».

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

Физическая и реабилитационная медицина: нац. рук. / под общ. ред. Г.Н. Пономаренко. М.: ГЭОТАР-Медиа, 2016. 685 с.

Инсульт // Всемир. организация здравоохранения: [офиц. сайт]. URL: https://www.who.int/ru/news-room/fact-sheets/detail/stroke (дата обращения: 20.02.2026).

Khellaf A., Khan D.Z., Helmy A. Recent Advances in Traumatic Brain Injury // J. Neurol. 2019. Vol. 266, № 11. P. 2878–2889. https://doi.org/10.1007/s00415-019-09541-4

Восстановительная неврология: инновационные технологии в нейрореабилитации / под ред. Л.А. Черниковой. М.: Мед. информ. агентство, 2016. 344 с.

Purk M., Fujarski M., Becker M., Warnecke T., Varghese J. Utilizing a Tablet-Based Artificial Intelligence System to Assess Movement Disorders in a Prospective Study // Sci. Rep. 2023. Vol. 13, № 1. Art. № 10362. https://doi.org/10.1038/s41598-023-37388-3

Willemse I.H.J., Schootemeijer S., van den Bergh R., Dawes H., Nonnekes J.H., van de Warrenburg B.P.C. Smartphone Applications for Movement Disorders: Towards Collaboration and Re-Use // Parkinsonism Relat. Disord. 2024. Vol. 120. Art. № 105988. https://doi.org/10.1016/j.parkreldis.2023.105988

Klymenko G., Liu K.P.Y., Bissett M., Fong K.N.K., Welage N., Wong R.S.M. Development and Initial Validity of the In-Hand Manipulation Assessment // Aust. Occup. Ther. J. 2018. Vol. 65, № 2. P. 135–145. https://doi.org/10.1111/1440-1630.12447

Li Q., Gong R., Hase K. A Comprehensive Objective Evaluation Method for Handwriting Assistive Devices Using a Tablet and Digital Pen for Individuals with Upper Limb Dysfunction // Appl. Sci. 2024. Vol. 14, № 23. Art. № 11190. https://doi.org/10.3390/app142311190

Drotár P., Mekyska J., Rektorová I., Masarová L., Smékal Z., Faundez-Zanuy M. Evaluation of Handwriting Kinematics and Pressure for Differential Diagnosis of Parkinson’s Disease // Artif. Intell. Med. 2016. Vol. 67. P. 39–46. https://doi.org/10.1016/j.artmed.2016.01.004

Гржибовский А.М., Иванов С.В., Горбатова М.А. Описательная статистика с использованием пакетов статистических программ Statistica и SPSS // Наука и здравоохранение. 2016. № 1. С. 7–23. https://doi.org/10.24412/cl-16507658

Фадейкина О.В., Волкова Р.А., Карпова Е.В. Статистическая обработка результатов аттестации биологических стандартных образцов: применение критерия Манна–Уитни // Хим.-фармацевт. журн. 2019. Т. 53, № 7. С. 54–58. https://doi.org/10.30906/0023-1134-2019-53-7-54-58

Nelli F. Machine Learning with Scikit-Learn // Nelli F. Python Data Analytics: With Pandas, Numpy, and Matplotlib. Berkeley: Apress, 2023. Р. 259–287.

Altman N., Krzywinski M. Ensemble Methods: Bagging and Random Forests // Nat. Methods. 2017. Vol. 14, № 10. P. 933–935. https://doi.org/10.1038/nmeth.4438

Ежова В.М., Кошечко Д.Е., Фоминых С.А. Определение статистически значимых динамических параметров подписи при отслеживании динамики реабилитации после инсульта // Электрон. средства и системы управления. Материалы докл. Междунар. науч.-практ. конф. 2024. № 1-2. С. 44–46.

Alalayah K.M., Senan E.M., Atlam H.F., Ahmed I.A., Shatnawi H.S.A. Automatic and Early Detection of Parkinson’s Disease by Analyzing Acoustic Signals Using Classification Algorithms Based on Recursive Feature Elimination Method // Diagnostics (Basel). 2023. Vol. 13, № 11. Art. № 1924. https://doi.org/10.3390/diagnostics13111924

Загрузки

Опубликован

2026-05-18

Как цитировать

Ежова, В. М., Фоминых, С. А., Кошечко, Д. Е., Рахманенко, И. А., Костюченко, Е. Ю., Жарова, А. А., & Диш, А. Ю. (2026). Разработка автоматизированного подхода к объективной оценке нарушений тонких движений кисти. Журнал медико-биологических исследований, 14(2), 56–66. https://doi.org/10.37482/2687-1491-Z275

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.