Enhancing early Parkinson’s disease diagnosis through handwriting analysis

• Autorzy: Ouabd Asma , Jilbab Abdelilah , Benba Achraf , Hammouch Ahmed

Identyfikatory

DOI

10.35784/iapgos.7002

Warianty tytułu

PL

Poprawa wczesnej diagnostyki choroby Parkinsonapoprzez analizę pisma ręcznego

• Języki publikacji: EN

Abstrakty

EN

Parkinson's disease (PD) is a progressive neurological disorder that affects millions worldwide, leading to motor dysfunction and significant reductions in quality of life. Early diagnosis is pivotal for initiating timely treatment and improving long-term patient outcomes, yet existing diagnostic methods, which often rely on clinical evaluations andimaging, are prone to delays and varying accuracy. This study presents an innovative, non-invasive approach to early PD detection through the analysis of handwriting patterns, offering a potential alternative to traditional diagnostic techniques. Leveraging a publicly available and meticulously normalized handwriting dataset, our approach applies advanced data processing methods to identify subtle neuromotor impairments associated with PD. Through the integration of robust feature selection processes and cutting-edge machine learning models, we achieved a high accuracy rate of 83.02%, highlighting the method’s reliability. The findings suggest that this approach could significantly enhance early PD detection, leading to more personalized therapeutic strategies that align with the stages of disease progression and potentially delaying the onset of severe symptoms.

PL

Choroba Parkinsona (PD) jest postępującą chorobą neurologiczną, która dotyka miliony ludzi na całym świecie, prowadząc do zaburzeń motorycznych i znacznego obniżenia jakości życia. Wczesna diagnoza ma kluczowe znaczenie dla rozpoczęcia leczenia w odpowiednim czasie i poprawy długoterminowych wyników leczenia pacjentów, jednak istniejące metody diagnostyczne, które często opierają się na ocenach klinicznych i obrazowaniu, są podatne na opóźnienia i różną dokładność. W niniejszym badaniu przedstawiono innowacyjne, nieinwazyjne podejście do wczesnego wykrywania PD poprzez analizę wzorców pisma ręcznego, które stanowi potencjalną alternatywę dla tradycyjnych technik diagnostycznych. Wykorzystując publicznie dostępny i skrupulatnie znormalizowany zbiór danych dotyczących pisma ręcznego, w naszym podejściu zastosowano zaawansowane metody przetwarzania danych w celu identyfikacji subtelnych zaburzeń neuromotorycznych związanych z PD. Dzięki integracji solidnych procesów selekcji cechi najnowocześniejszych modeli uczenia maszynowego osiągnęliśmy wysoką dokładność wynoszącą 83,02%, co podkreśla niezawodność tej metody. Wyniki sugerują, że podejście to może znacznie poprawić wczesne wykrywanie PD, prowadząc do bardziej spersonalizowanych strategii terapeutycznych dostosowanych do etapów postępu choroby i potencjalnie opóźniających wystąpienie poważnych objawów.

Słowa kluczowe

EN

Parkinson's disease; handwriting analysis; feature selection; machine learning; early diagnosis

PL

choroba Parkinsona; analiza pisma ręcznego; selekcja cech; uczenie maszynowe; wczesna diagnoza

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 3
• Strony: 45--49
• Opis fizyczny: Bibliogr. 31 poz., tab., wykr.

Twórcy

autor

Ouabd Asma

• Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

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

autor

Jilbab Abdelilah

• Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0002-1577-9040

autor

Benba Achraf

• Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0001-7939-0790

autor

Hammouch Ahmed

• Mohammed V University in Rabat, National School of Arts and Crafts, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0005-8691-6662

Bibliografia

• [1] Akoglu H.: User's Guide to Correlation Coefficients. Turkish Journalof Emergency Medicine 18(3), 2018, 91–93.
• [2] Braak H., et al.:Stages in the Development of Parkinson's Disease-Related Pathology. Cell and Tissue Research 318(1), 2004, 121–134.
• [3] Brown E. F., et al.:Machine Learning Models for Parkinson's Disease Diagnosis Based on Handwriting Features. IEEE Transactions on Biomedical Engineering 35(1), 2017, 45–54.
• [4] Chen H., et al.:Larger Datasets for Machine Learning Models in Parkinson's Disease Diagnosis. Journal of Neurological Engineering 30(2), 2021, 210–225.
• [5] Connolly B. S., et al.:Pharmacological Treatment of Parkinson Disease:A Review. JAMA 311(16), 2014, 1670–1683.
• [6] Dorsey E. R., et al.:Global, Regional, and National Burden of Parkinson's Disease, 1990–2016: A Systematic Analysis for the Global Burden of Disease Study 2016. The Lancet Neurology 17(11), 2018, 939–953.
• [7] Fahn S., et al.:Description of Parkinson's Disease as a Clinical Syndrome. Annals of the New York Academy of Sciences 991(1), 2003,1–14.
• [8] Hauser R. A., et al.:Advances in the Pharmacological Management of Early Parkinson Disease. Neurologist 15(1), 2009, 12–18.
• [9] Hughes A. J., et al.:Accuracy of Clinical Diagnosis of Idiopathic Parkinson's Disease: A Clinico-Pathological Study of 100 Cases. Journal of Neurology, Neurosurgery & Psychiatry 55(3), 1992, 181–184.
• [10] Jilbab A., et al.:Quantification System of Parkinson’s Disease. International Journal of Speech Technology 20(1), 2017, 143–150.
• [11] Jones A. B., et al.:Handwriting Analysis for Parkinson's Disease: Detecting Subtle Motor Impairments. Movement Disorders 40(2), 2018, 75–82.
• [12] Klein C., et al.:Parkinson Disease, 10 Years After Its Genetic Revolution: Multiple Clues to a Complex Disorder. Neurology 66(6), 2006, 1943–1954.
• [13] Kumar M., et al.:Longitudinal Studies of Handwriting Abnormalitiesin Parkinson's Disease. Neurology 17(3), 2018, 180–195.
• [14] Lamba R., et al.:A Hybrid System for Parkinson’s Disease Diagnosis Using Machine Learning Techniques. International Journal of Speech Technology25(3), 2022, 583–593.
• [15] Lee S., et al.:Standardized Protocols for Handwriting Analysis in Parkinson's Disease. Movement Disorders 22(1), 2016, 33–40.
• [16] Majdoubi O., et al.:Comprehensive Machine Learning and Deep Learning Approaches for Parkinson’s Disease Classification and Severity Assessment. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska –IAPGOS 13(4), 2023, 15–20.
• [17] McDonald J. H.: Handbook of Biological Statistics (3rd ed.). Sparky House Publishing, Baltimore, Maryland, 2014.
• [18] Miller C. D., et al.:Integration of Handwriting Analysis into Clinical Assessments for Parkinson's Disease Diagnosis. Neurology 18(4), 2020,221–230.
• [19] Parkinson's Foundation. Understanding Parkinson's. Retrieved from [https://www.parkinson.org/understanding-parkinsons].
• [20] Patel R., et al.:Variability in Handwriting Patterns: Implications for Parkinson's Disease Diagnosis. Neurological Sciences 28(3), 2018, 134–142.
• [21] Pereira C. R.,et al.: ANew Computer Vision-Based Approach to Aidthe Diagnosis of Parkinson’s Disease. Computer Methods and Programsin Biomedicine 136, 2016, 79–88.
• [22] PereiraC. R., et al.: Deep Learning-Aided Parkinson’s DiseaseDiagnosis from Handwritten Dynamics. Proceedings of the SIBGRAPI Conferenceon Graphics, Patterns and Images, 2016[https://doi.org/10.1109/SIBGRAPI.2016.51.
• [23] 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.
• [24] Poewe W.,et al.: Parkinson Disease. Nature Reviews Disease Primers 3, 2017, 17013.
• [25] Schapira A. H., et al.:Etiology and Pathogenesis of Parkinson's Disease. Movement Disorders 26(6), 2011, 1049–1055.
• [26] Smith J., et al.:Comprehensive Review of Handwriting Analysisfor Parkinson's Disease Diagnosis. Journal of Neurology 25(3), 2019, 112–125.
• [27] https://wwwp.fc.unesp.br/~papa/pub/datasets/Handpd/
• [28] Taylor S., et al.:Novel Technologies for Handwriting Analysis in Parkinson's Disease. IEEE Transactions on Rehabilitation Engineering 28(4), 2019, 330–345.
• [29] Tibshirani R.: Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological) 58(1), 1996, 267–288.
• [30] Tougui I., et al.:Machine Learning Smart System for Parkinson Disease Classification Using the Voice as a Biomarker. Healthc Inform Res 28(3), 2022, 210–221.
• [31] Wang L., et al.:Gender and Age Influences on Handwriting Characteristics in Parkinson's Disease Diagnosis. Journal of Neurological Sciences 15(2), 2019, 88–95.