PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.29384v2cs.CV

알츠하이머병 탐지를 위한 온라인 필기에서의 세그먼트 수준 위험 발견

Segment-Level Risk Discovery in Online Handwriting for Alzheimer's Disease Detection

온라인 필기는 인지 계획과 미세 운동 제어를 모두 반영하므로 알츠하이머병(AD) 탐지를 위한 비침습적이며 저비용의 행동 바이오마커를 제공합니다. 기존의 필기 기반 AD 탐지 방법들은 대체로 전역 궤적 특징이나 전체 샘플 표현에 의존하는데, 이는 개인의 필체 스타일, 과제별 변동성, 획득 잡음에 크게 영향을 받을 수 있습니다. 본 논문에서는 온라인 필기로부터 해석 가능한 AD 탐지를 수행하기 위해 건강 대조군 규범 기반 Paper-Air 선택적 궤적 상태공간 위험 네트워크인 NormPaST-Risk를 제안합니다. 전체 궤적을 단일한 총체적 표현으로 다루는 대신, 제안 방법은 AD 필기 탐지를 국소적인 질환 관련 세그먼트 발견 문제로 재구성합니다. 구체적으로, 다중 스케일 시간 인코더가 서로 다른 시간 해상도에서 획 역학을 포착하는 한편, 선택적 Paper-Air 상태공간 인코더는 장기 필기 진행 과정을 모델링하고 지면 위(on-paper) 운동 실행과 공중(in-air) 계획 및 전환 행동을 구분합니다. 비정상적 편차를 명시적으로 특성화하기 위해 건강 규범 브랜치가 건강 대조군으로부터 정상적인 필기 역학을 학습하며, 과제 인식 다중 전문가 세그먼트 위험 모듈이 은닉 상태 변화와 규범 편차로 보정된 세그먼트 수준 AD 위험을 추정합니다. 또한 약지도 세그먼트 수준 목적 함수를 통해 수동 세그먼트 주석 없이도 고위험 세그먼트를 발견할 수 있도록 합니다. DARWIN 벤치마크에 대한 실험은 제안된 프레임워크가 기존 방법들에 비해 우수한 AD/HC 분류(classification) 성능을 달성함을 입증합니다. 아울러 발견된 고위험 세그먼트는 원래 필기 궤적으로 역투영될 수 있어, AD 관련 필기 변동과 연관된 해석 가능한 근거를 제공합니다.

arXiv:2607.09826v1cs.CV

객관적 난서증 탐지를 향하여: 온라인 필기 분석을 위한 다중 분기 심층 학습 접근법

Towards Objective Dysgraphia Detection: A Multi-Branch Deep Learning Approach for Online Handwriting Analysis

난서증(Dysgraphia)은 학령기 아동에게 널리 나타나는 특정 학습 장애로, 필기의 일관성·품질·유창성·가독성에 영향을 미쳐 학업 성취와 초기 학습 발달을 저해하는 경우가 많습니다. 이 운동 협응 장애는 일반적으로 임상의 관찰에 기반한 주관적 평가를 통해 진단되는데, 이는 시간이 많이 소요되고 가변성이 발생하기 쉽습니다. 본 논문에서는 디지타이징 태블릿으로 수집된 온라인 필기 데이터를 활용한 객관적 난서증 탐지를 위한 심층 학습 기반 프레임워크를 소개합니다. 제안 프레임워크는 두 개의 상호 보완적 분기로 구성됩니다. 첫 번째 파이프라인은 원시 시계열 신호로부터 수작업 설계 및 임베딩 기반 운동학적 특징을 직접 추출하고, 두 번째 파이프라인은 연속 웨이블릿 변환(CWT)과 그라미안 각도 필드(GAF)를 사용하여 생성된 시계열 신호의 이미지 기반 표현을 활용합니다. 추출된 특징들은 두 표현의 상호 보완적 강점을 활용하기 위해 융합됩니다. 네 가지 표현은 공개 데이터셋인 DiaGraMo를 사용하여 개별 및 결합 방식으로 평가되었으며, GAF·MOMENT·수작업 설계 운동학적 특징의 융합이 각 개별 표현 및 다른 융합 방식보다 우수한 성능을 보임을 확인하였습니다. 이러한 결과는 보다 객관적인 난서증 탐지를 위한 이미지 및 신호 기반 표현의 상호 보완성이 지닌 잠재력을 보여줍니다.