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.
The problem of recovering fine hand motor function remains highly relevant due to the crucial role of the upper limbs in self-care, daily life and professional activities. There is an urgent need for computer technologies for objective assessment and home-based recovery of fine motor skills. The purpose of this study was to develop and evaluate an approach based on machine learning and the use of a digital pen on a graphics tablet to diagnose and, in the future, help post-stroke patients regain fine motor skills. Materials and methods. We evaluated the statistical distinguishability of features differentiating healthy individuals from post-stroke patients based on pen position, pressure and tilt angle on the tablet. The participants traced predefined standard patterns using a digital pen. The control group included 15 healthy volunteers (aged 21–45 years) and the experimental group was comprised of 15 individuals (aged 43–76 years) with post-stroke fine motor impairment. Results. A set of features showing statistically significant differences between healthy participants and post-stroke patients was identified. Both the full dataset and a reduced dataset containing only significant features were used for binary classification. Five machine learning classifiers were compared for distinguishing between the “healthy” and “patient” classes. The reduced feature set maintained high classification accuracy (e.g. decision trees with bagging achieved 95.8 % accuracy), making the proposed feature set promising for further clinical validation and screening applications.