Hybrid models for handwriting-based diagnosis of Parkinson's disease

Asma Ouabd; Achraf Benba; Abdelilah Jilbab; Ahmed Hammouch

doi:10.35784/iapgos.7008

PDF (angielski)

Opublikowane: 2025-12-20

DOI: https://doi.org/10.35784/iapgos.7008

Numer Tom 15 Nr 4 (2025)

Sterowanie lewitacją magnetyczną za pomocą regulatora PID z adaptacją opartą na liniowej interpolacji i algorytmie genetycznym
Dominik Fila, Andrzej Neumann, Bartosz Olesik, Jakub Pawelec, Kamil Przybylak, Mateusz Ungier, Dawid Wajnert

5-9
Opracowanie systemu prognozowania awarii maszyn pakujących
Nataliia Huliieva, Nataliia Lishchyna, Viktoriya Pasternak, Zemfira Huliieva

10-13
Opracowanie i weryfikacja modułowej, obiektowo zorientowanej architektury kontrolera logiki rozmytej dla konfigurowalnych i wbudowanych aplikacji
Rahim Mammadzada

14-24
Energia pękania mechanicznego i właściwości strukturalno-mechaniczne przekąsek mięsnych z dodatkiem produktów pszczelich
Artem Antoniv, Igor Palamarchuk, Leonora Adamchuk, Marija Zheplinska

25-31
Modelowanie procesów dynamicznych w układzie nieholonomicznym w postaci równania Gibbsa-Appella na przykładzie młyna kulowego
Volodymyr Shatokhin, Yaroslav Ivanchuk, Vitaly Liman, Sergii Komar, Oleksii Kozlovskyi

32-38
Diagnostyka Covid-19 w czasie rzeczywistym na wbudowanych platformach IoT
Elmehdi Benmalek, Wajih Rhalem, Atman Jbari, Abdelilah Jilbab, Jamal Elmhamdi

39-45
Hybrydowe modele do diagnozy choroby Parkinsona na podstawie pisma ręcznego
Asma Ouabd, Achraf Benba, Abdelilah Jilbab, Ahmed Hammouch

46-50
System komputerowy do diagnostyki i terapii pomijania stronnego
Krzysztof Strzecha, Agata Bukalska-Strzecha, Krzysztof Kurzdym, Dominik Sankowski

51-55
Informatyka i pomiary w opiece zdrowotnej: głębokie uczenie się w celu przewidywania ponownych hospitalizacji pacjentów z cukrzycą
Shiva Saffari, Mahdi Bahaghighat

56-64
Optymalizacja dokładności nieinwazyjnego monitorowania poziomu glukozy za pomocą czujnika optycznego
Nurzhigit Smailov, Aliya Zilgarayeva, Sergii Pavlov, Balzhan Turusbekova, Akezhan Sabibolda

65-70
Stochastyczna wielocelowa optymalizacja minimaksowa połączonego ekranu elektromagnetycznego w oparciu o trójwymiarowe modelowanie pola magnetycznego napowietrznych linii elektroenergetycznych
Borys Kuznetsov, Tatyana Nikitina, Alexander Kutsenko, Ihor Bovdui, Kostiantyn Czunikhin, Olena Voloshko, Roman Voliansky, Viktoriia Ivannikova

71-75
Zaawansowane strategie zarządzania energią dla mikrosieci AC/DC
Zouhir Boumous, Samira Boumous, Tawfik Thelaidjia

76-82
Eksperymentalne badanie układu przekształtnika wielostopniowego
Kyrmyzy Taissariyeva, Kuanysh Muslimov, Yerlan Tashtay, Gulim Jobalayeva, Lyazzat Ilipbayeva, Ingkar Issakozhayeva, Akezhan Sabibolda

83-86
Prognozowanie parametrów strukturalnych w nanostrukturach plazmonicznych symulowanych metodą FDTD z wykorzystaniem uczenia głębokiego
Shahed Jahidul Haque, Arman Mohammad Nakib

87-94
Opracowanie algorytmu obliczania procesów wymiany jonowej z użyciem ekosystemu Python
Iryna Chub, Oleksii Proskurnia, Kateryna Demchenko, Oleksandr Miroshnyk, Taras Shchur, Serhii Halko

95-99
Inteligentny model sterowania niezawodnością i bezpieczeństwem w systemach transportu miejskiego
Anastasiia Kashkanova, Alexander Rotshtein, Andrii Kashkanov, Denis Katelnikov

100-107
Analiza interakcji elementów modułowego systemu przechowywania paczek z wykorzystaniem diagramów UML
Lyudmila Samchuk, Yuliia Povstiana, Anastasia Hryshchuk

108-116
Ocena zmodyfikowanych heurystyk wstawiania par w celu wystarczającego rozwiązania problemu transportu na żądanie w logistyce opieki zdrowotnej
Rodolfo Eleazar Pérez Loaiza, Aaron Guerrero-Campanur, Edmundo Bonilla Huerta

117-123
Analiza nowoczesnych narzędzi, metod audytu i monitorowania bezpieczeństwa baz danych
Kateryna Mykhailyshyn, Oleh Harasymchuk, Oleh Deineka, Yurii Dreis, Volodymyr Shulha, Yuriy Pepa

124-129
Poprawa jakości obrazów podwodnych poprzez połączenie metody Deep‑Retinex i sieci GAN
Anuradha Chinta, Bharath Kumar Surla, Chaitanya Kodali

130-136
Matematyczna metoda oceny stanu cyberbezpieczeństwa usług chmurowych
Yevheniia Ivanchenko, Volodymyr Shulha, Ihor Ivanchenko, Yevhenii Pedchenko, Mari Petrovska

137-141
Ocena wydajności wdrożeń LLM w wybranych usługach kontenerowych opartych na chmurze
Mateusz Stęgierski, Piotr Szpak, Sławomir Przyłucki

142-150
Implementacja cech w języku C# przy użyciu Roslyn Source Generators
Mykhailo Pozur, Viktoria Voitko, Svitlana Bevz, Serhii Burbelo, Olena Kosaruk

151-157
Wpływ dostosowywalnego harmonogramowania orkiestratora na wydajność uczenia maszynowego w urządzeniach brzegowych
Konrad Cłapa, Krzysztof Grudzień, Artur Sierszeń

158-163
Rekonfigurowana architektura CoARX do implementacji funkcji haszującej ARX w mikrokontrolerach systemów IoT o ograniczonych zasobach
Serhii Zabolotnii, Inna Rozlomii, Andrii Yarmilko, Serhii Naumenko

164-169
Integralna ocena jakości wody źródlanej z wykorzystaniem zestawu narzędzi logiki rozmytej
Vyacheslav Repeta, Oleksandra Krykhovets, Yurii Kukura

170-176
Wybrane zagadnienia dotyczące światłowodowych czujników zgięcia
Les Hotra, Jacek Klimek, Ihor Helzhynskyy, Oksana Boyko, Svitlana Kovtun

177-181

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Asma Ouabd

asma_ouabd@um5.ac.ma

Mohammed V University in Rabat

https://orcid.org/0009-0009-8623-3350

Achraf Benba

a.benba@um5r.ac.ma

Mohammed V University in Rabat

Abdelilah Jilbab

abdelilah.jilbab@ensam.um5.ac.ma

Mohammed V University in Rabat

Ahmed Hammouch

a.hammouch@um5r.ac.ma

Mohammed V University in Rabat

Abstrakt

Choroba Parkinsona (PD) jest postępującym zaburzeniem neurodegeneracyjnym, które w głównej mierze upośledza funkcje motoryczne, prowadząc do objawów takich jak drżenie i mikrogracja. Wczesna identyfikacja PD jest kluczowa dla skutecznej interwencji, jednak istniejące metody diagnostyczne są wysoce inwazyjne i mało czułe na wczesne stadia choroby. Celem niniejszych badań było ustalenie, czy analiza pisma ręcznego może stanowić nieinwazyjny sposób diagnozowania PD na wczesnym etapie. Wykorzystaliśmy zbiór danych obejmujący 3 264 odręcznie rysowanych fal i spiral do oceny wydajności hybrydowych modeli uczenia maszynowego i głębokiego, w tym Maszyny Wektorów Nośnych (SVM), Lasu Losowego (RF), Visual Geometry Group-16 (VGG-16) oraz MobileNetV2. Połączenie SVM z VGG-16 osiągnęło imponującą dokładność na poziomie 99,00% w identyfikacji PD, przewyższając wszystkie testowane modele i wykazując doskonałą skuteczność we wczesnym rozpoznawaniu PD. Zaproponowane podejście nie tylko przewyższa istniejące metody diagnostyczne, lecz także podkreśla transformacyjny potencjał narzędzi do analizy pisma ręcznego w diagnozie PD, wspierając automatyczne wykrywanie choroby i poprawiając wyniki leczenia pacjentów.

Słowa kluczowe:

choroba Parkinsona, analiza pisma ręcznego, głębokie uczenie, uczenie maszynowe, wczesna diagnoza

Bibliografia

[1] Alissa M. et al.: Parkinson’s Disease Diagnosis Using Convolutional Neural Networks and Figure-Copying Tasks. Neural Computing and Applications 34(2), 2022, 1433–1453 [https://doi.org/10.1007/s00521-021-06469-7].

[2] Benba A., Jilbab A., Hammouch A.: Using Human Factor Cepstral Coefficient on Multiple Types of Voice Recordings for Detecting Patients with Parkinson’s Disease. IRBM 38(6), 2017, 346–351 [https://doi.org/10.1016/j.irbm.2017.10.002].

[3] Cascarano G. D. et al.: Biometric Handwriting Analysis to Support Parkinson’s Disease Assessment and Grading. BMC Medical Informatics and Decision Making 19(9), 2019, 252 [https://doi.org/10.1186/s12911-019-0989-3].

[4] Diaz M. et al.: Dynamically Enhanced Static Handwriting Representation for Parkinson’s Disease Detection. Pattern Recognition Letters 128, 2019, 204–210 [https://doi.org/10.1016/j.patrec.2019.08.018].

[5] Drotár P. et al.: Analysis of In-Air Movement in Handwriting: A Novel Marker for Parkinson’s Disease. Computer Methods and Programs in Biomedicine 117(3), 2014, 405–411 [https://doi.org/10.1016/j.cmpb.2014.08.007].

[6] Drotár P. et al.: Evaluation of Handwriting Kinematics and Pressure for Differential Diagnosis of Parkinson’s Disease. Artificial Intelligence in Medicine 67, 2016, 39–46 [https://doi.org/10.1016/j.artmed.2016.01.004].

[7] Ferdib-Al-Islam, Akter L.: Early identification of Parkinson's disease from hand-drawn images using histogram of oriented gradients and machine learning techniques. Emerging Technology in Computing, Communication and Electronics (ETCCE). Bangladesh, 2020, 1–6 [https://doi.org/10.1109/ETCCE51779.2020.9350870]

[8] https://www.kaggle.com/datasets/banilkumar20phd7071/handwritten-parkinsons-disease-augmented-data (available: 28.12.2024)

[9] Impedovo D., Pirlo G., Vessio G.: Dynamic Handwriting Analysis for Supporting Earlier Parkinson’s Disease Diagnosis. Information (Switzerland) 9(10), 2018 [https://doi.org/10.3390/info9100247].

[10] Kamran I. et al.: Handwriting Dynamics Assessment Using Deep Neural Network for Early Identification of Parkinson’s Disease. Future Generation Computer Systems 117, 2021, 234–244 [https://doi.org/10.1016/j.future.2020.11.020].

[11] Karapinar Senturk Z.: Early Diagnosis of Parkinson’s Disease Using Machine Learning Algorithms. Medical Hypotheses 138, 2020 [https://doi.org/10.1016/j.mehy.2020.109603].

[12] Kumar B. A., Bansal M.: A Transfer Learning Approach with MobileNetV2 for Parkinson’s Disease Detection Using Hand-Drawings. 14th International Conference on Computing Communication and Networking Technologies (ICCCNT), IEEE, 2023 [https://doi.org/10.1109/ICCCNT56998.2023.10307641].

[13] Li Z. et al.: Early Diagnosis of Parkinson’s Disease Using Continuous Convolution Network: Handwriting Recognition Based on Off-Line Hand Drawing Without Template. Journal of Biomedical Informatics 130, 2022, 104085 [https://doi.org/10.1016/j.jbi.2022.104085].

[14] Moetesum M. et al.: Assessing Visual Attributes of Handwriting for Prediction of Neurological Disorders – A Case Study on Parkinson’s Disease. Pattern Recognition Letters 121, 2019, 19–27 [https://doi.org/10.1016/j.patrec.2018.04.008].

[15] Pereira C. R. et al.: A Step Towards the Automated Diagnosis of Parkinson’s Disease: Analyzing Handwriting Movements. Proceedings – IEEE Symposium on Computer-Based Medical Systems (CBMS), IEEE, 2015, 171–176 [https://doi.org/10.1109/CBMS.2015.34].

[16] Pereira C. R. et al.: Deep Learning-Aided Parkinson’s Disease Diagnosis from Handwritten Dynamics. SIBGRAPI Conference on Graphics, Patterns and Images, IEEE, 2016, 340-346 [https://doi.org/10.1109/SIBGRAPI.2016.054].

[17] Pereira C. R. et al.: A New Computer Vision-Based Approach to Aid the Diagnosis of Parkinson’s Disease. Computer Methods and Programs in Biomedicine 136, 2016, 79–88 [https://doi.org/10.1016/j.cmpb.2016.08.005].

[18] Pereira C. R. et al.: Handwritten Dynamics Assessment through Convolutional Neural Networks: An Application to Parkinson’s Disease Identification. Artificial Intelligence in Medicine 87, 2018, 67–77 [https://doi.org/10.1016/j.artmed.2018.04.001].

[19] Rosenblum S. et al.: Handwriting as an Objective Tool for Parkinson’s Disease Diagnosis. Journal of Neurology 260(9), 2013, 2357–2361 [https://doi.org/10.1007/s00415-013-6996-x].

[20] Sivaranjini S., Sujatha C. M.: Deep Learning-Based Diagnosis of Parkinson’s Disease Using Convolutional Neural Network. Multimedia Tools and Applications 79(21–22), 2020, 15467–15479 [https://doi.org/10.1007/s11042-019-7469-8].

[21] Thomas M., Lenka A., Pumar Pal K.: Handwriting Analysis in Parkinson’s Disease: Current Status and Future Directions. Movement Disorders Clinical Practice 4(6), 2017, 806–818 [https://doi.org/10.1002/mdc3.12552].

[22] Varalakshmi P. et al.: Diagnosis of Parkinson’s Disease from Hand Drawing Utilizing Hybrid Models. Parkinsonism and Related Disorders 105, 2022, 24–31 [https://doi.org/10.1016/j.parkreldis.2022.10.020].

Hybrydowe modele do diagnozy choroby Parkinsona na podstawie pisma ręcznego. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(4), 46-50. https://doi.org/10.35784/iapgos.7008

Biogram autora

Achraf Benba - Mohammed V University in Rabat

Electronic Systems Sensors and Nanobiotechnology, National School of Arts and Crafts, Mohammed V University in Rabat.

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 15 Nr 4 (2025)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja

Achraf Benba - Mohammed V University in Rabat