Comparaison d'algorithmes symboliques et connexionnistes pour corréler l'âge d'enfants en santé avec des paramètres neuromoteurs Sigma-Lognormaux

L'évaluation de la maturité du contrôle moteur est importante pour aider les médecins à diagnostiquer un retard ou une instabilité du développement moteur chez les enfants. Mais il est toujours difficile de concevoir des méthodes d'évaluation qui soient pratiques à mettre en œuvre et qui fournissent en même temps des évaluations précises. L'objectif de cette étude est de développer un algorithme efficace pour prédire la maturité du contrôle moteur basé sur la Théorie Cinématique des mouvements humains rapides. Pour cette étude, nous avons utilisé les enregistrements de 513 enfants (âgés de 5,5 à 13 ans) qui ont effectué des traits écrits sur une tablette électronique. Deux types de tests ont été investigués : le test du trait simple et le test du triangle. Dans un premier temps, les paramètres Sigma-Lognormaux ont été extraits des traces enregistrées et ont été utilisés comme entrée de notre modèle prédictif. Plusieurs modèles différents ont été comparés (régression linéaire, réseau de neurones, méthode des k plus proches voisins, forêt d'arbres décisionnels, amplification du gradient, machine à vecteurs de support). Ces différents modèles ont donné de bons résultats compte tenu de la variabilité intra-enfant des traits manuscrits et de la variabilité inter-enfant de la maturité du contrôle moteur. Le meilleur résultat a été obtenu avec les modèles basés sur les réseaux neuronaux : coefficient de détermination (R2) : 0,548 ; erreur absolue moyenne (MAE) : 0,937. Les mo-dèles de régression linéaire donnent également de bons résultats (R2 : 0,476 MAE : 1,032). Plus de 90% des prédictions ont une erreur relative inférieure à 20%. Nous avons constaté que l'utilisation des paramètres du test de trait simple n'est pas optimale ; les résultats sont meilleurs lorsqu'on utilise les paramètres du test de tracé triangulaire. En conclusion, notre étude montre que le modèle Sigma-Lognormal propose une nouvelle possibilité pour esti-mer la maturité du contrôle moteur. Cela nous donne une approche totalement nouvelle en complément des méthodes traditionnelles utilisées actuellement. Cette méthode est rapide et confortable pour l'utilisateur. Puisqu'il suffit aux enfants de faire des traits d'écriture sur une tablette électronique avec un stylo, il devrait être plus pratique pour les médecins d'utiliser ce test dans un contexte clinique pour les pré-pistages avec moins d'intervention professionnelle par rapport aux méthodes traditionnelles avec les questionnaires, c'est un moyen rapide et bon marché.

Abstract

The evaluation of motor control maturity is important to help physicians diagnose delayed or unstable motor development in children. But it has traditionally been difficult to design assessment methods that are practical to implement and provide accurate evaluations at the same time. The aim of this study is to develop an effective algorithm to predict motor control maturity based on Kinematic Theory of rapid human movements. For this study, we used recordings from 513 children (5.5 to 13 years old) who made written strokes on an electronic tablet. Two types of tests were used : a single stroke and a triangle drawing test. First, Sigma-Lognormal parameters were extracted from recorded movements and used as the input to our predictive model. Multiple different models were compared (linear regression, neural networks, K-nearest neighbors regression, random forest, gradient boosting regression, support vector regression). These different models performed well considering the within children variability in handwritten strokes and the between-children variability in motor control maturity. The top score is obtained with the neural network based models : coefficient of determination (R2) : 0.548 ; mean absolute error (MAE) : 0.937. Linear regression models also performed well (R2 : 0.476 MAE : 1.032). More than 90% of the predictions have a relative error of less than 20%. We found that using simple stroke parameters alone is not optimal ; the results were better when using parameters from the triangle test or a mix of features from both tests. In conclusion, our study shows that the Sigma-Lognormal model proposes a new possibility to estimate the motor control maturity. This gives us a completely new approach to complement the traditional methods currently used. This method is fast and comfortable for the user. Since it only requires for children to make handwriting strokes on an electronic tablet with a pen, it is expected to be more convenient for doctors to use this test in a clinical context for pre-screening with less professional intervention compared to traditional methods with questionnaires, it is a quick and cheap way.