ارائه کننده: محمد صادق نوری
استاد راهنما: دکتر احسان الله کبیر
استاد ناظر داخلی: دکتر مریم ایمانی آرانی
استاد ناظر خارجی: دکتر هدیه ساجدی
تاریخ: 10/11/1402
ساعت: 8 تا 9:30
مکان: دانشکده شیمی اتاق 351

چکیده:
دیسگرافی یک اختلال یادگیری است که بر توانایی فرد برای تولید زبان نوشتاری با مهارت تأثیر می­گذارد. تشخیص دقیق و زودهنگام دیسگرافی برای مداخله موثر و حمایت از افراد مبتلا بسیار مهم است. روش‌های تشخیصی کنونی برای دیسگرافی شامل ارزیابی‌های سنتی دست‌نویس با قلم و کاغذ است که می‌تواند زمان‌بر و در معرض سوگیری معاینه‌کننده باشد. با افزایش دسترسی به فناوری­های دیجیتال، فرصتی برای کشف روش­های جایگزین برای تشخیص دیسگرافی وجود دارد. مشخص شده است که ویژگی‌های دستخط برخط، مانند فشار، ضربه، سرعت، و یکنواختی، شاخص‌های مفیدی برای دیسگرافی هستند. با این حال، نیاز به توسعه الگوریتم‌های قابل اعتماد و معتبری وجود دارد که بتواند به‌طور دقیق اختلال نگارشی را بر اساس داده‌های دست‌نویس برخط تشخیص دهد. از دیدگاه تکنیکی، در این پژوهش از تکنیک‌های یادگیری ماشین به دلیل کمبود داده و عدم پیشرفت چشمگیر در شبکه‌های یادگیری عمیق استفاده شده است. همچنین، از ویژگی‌های قابل تفسیر به عنوان یک عامل موثر در دقت و قابل فهم بودن مدل‌های یادگیری استفاده شده است. اینجاست که مفهوم 'فضای فاز داینامیک' به عنوان یک ابزار قدرتمند در استخراج ویژگی‌های معنی‌دار از داده‌ها به کار گرفته شده و با ادغام با سایر ویژگی‌های سینماتیک، دینامیک، زمانی و مکانی، دقت و صحت مدل به بهبود چشم‌گیری دست‌یافته است. نتایج این تحقیق نشان‌دهنده موفقیت در تشخیص بیماری دیسگرافی با دقت 0.92 درصد و صحت 0.89 درصد است. همچنین، حساسیت 0.88 درصد و دقت در مقدار ویژگی 0.91 درصد نشان‌دهنده کارآیی بالای این مدل در تشخیص این بیماری می‌باشد