Classificação de dislexia a partir de movimentos oculares durante a leitura usando aprendizado de máquina e wavelets

  • Isabella Ceravolo IFES Serra
  • Antonio Brasil Instituto Federal do Espírito Santo
  • Karin Komati Ifes Campus Serra

Resumo


Dislexia é um transtorno que dificulta a leitura e compreensão de textos. O diagnóstico é feito por um especialista através de testes orais e escritos. Isso o torna propenso a erros, por ser uma avaliação indireta do processo de leitura. A leitura pode ser avaliada diretamente através do rastreamento dos movimentos oculares durante o processo de leitura, e pessoas com dislexia possuem movimentos diferentes de pessoas sem dislexia. Esse trabalho propõe a análise destes movimentos utilizando wavelets e algoritmos de aprendizado de máquina, a fim de identificar leitores propensos a dislexia. A base de dados é pública e foi coletada de crianças entre 9 e 10 anos. Como resultado, obteve-se um modelo com acurácia de 97,30% com o algoritmo Floresta Aleatória.

Palavras-chave: Aprendizado de máquina, Wavelets, Dislexia

Referências

Altman, N. S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, 46(3):175–185.

Alvarenga, W. J. and Lemos, A. P. (2017). Metodos de otimização hiperparamétrica: uma análise comparativa na abordagem de problemas de classificacão binaria utilizando floresta aleatória. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 367–378.

Andersson, R., Larsson, L., Holmqvist, K., Stridh, M., and Nyström, M. (2017). One algorithm to rule them all? an evaluation and discussion of ten eye movement eventdetection algorithms. Behavior research methods, 49(2):616–637.

Asvestopoulou, T., Manousaki, V., Psistakis, A., Smyrnakis, I., Andreadakis, V., Aslanides, I. M., and Papadopouli, M. (2019). Dyslexml: Screening tool for dyslexia using machine learning. arXiv preprint arXiv:1903.06274.

Baudat, G. and Anouar, F. (2000). Generalized discriminant analysis using a kernel approach. Neural computation, 12(10):2385–2404.

Benfatto, M. N. et al. (2016a). Screening for dyslexia using eye tracking during reading. PLoS ONE, 11(12).

Benfatto, M. N., Seimyr, G. O., Ygge, J., Pansell, T., Rydberg, A., and Jacobson, C. (2016b). Screening for dyslexia using eye tracking during reading.

Bianchi, M. F. (2006). Extração de caracterı́sticas de imagens de faces humanas através de wavelets, PCA e IMPCA. PhD thesis, Universidade de São Paulo.

Brandão, J. O. S., Silva, A. J., Gouveia, R. M. M., and Soares, R. G. F. (2017). Aprendzagem de máquina para predição de desempenho de estudantes de graduação na ufpe. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 204–216.

Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.

Cardoso, E. F., Almeida, T. A., and Silva, R. M. (2017). Detecção automática de opiniões falsas com base no conteúdo das mensagens. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 1–12.

Carmo, M. P. (2014). Leitura e movimentos oculares. http://www.pucsp.br/ linguagemesubjetividade/coluna_fonoaudiologia_em_questao/ 2014/dezembro.html. Acesso em: 20-06-2018.

Cortes, C. and Vapnik, V. (1995). Support vector machine. Machine learning, 20(3):273– 297.

Freund, Y., Schapire, R., and Abe, N. (1999). A short introduction to boosting. JournalJapanese Society For Artificial Intelligence, 14(771-780):1612.

Graps, A. (1995). An introduction to wavelets. IEEE computational science and engineering, 2(2):50–61.

IDA, International Dyslexia Association. (2017). Dyslexia basics. https:// dyslexiaida.org/dyslexia-basics/. Acesso em: 20-06-2018.

Jothi Prabha, A. and Bhargavi, R. (2019). Prediction of dyslexia from eye movements using machine learning. IETE Journal of Research, pages 1–10.

Leal, I. d. H., Aires, K. R. T., and Veras, R. d. M. S. (2017). Diagnóstico de benignidade e malignidade em imagens mamográficas utilizando aprendizado profundo para extração das regiões de interesse e Índices de diversidade filogenéticas para classificação. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 1–12.

Lima, A. A., Pinto, C. R., Moreira, L. H., Ralha, G. C., and Ishikawa, E. (2017). Applying machine learning to develop an automatic incident classifier: A massive event case. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 60–72.

Lorena, A. C., Gama, J., and Faceli, K. (2000). Inteligência Artificial. LTC, Rio de Janeiro.

Lyon, G. R., Shaywitz, S. E., and Shaywitz, B. A. (2003). A definition of dyslexia. Annals of dyslexia, 53(1):1–14.

Nascimento, Costa, R., et al. (2016). Um estudo comparativo de caracterı́sticas da fala baseadas em wavelets para reconhecimento de emoção. In XXI Congresso Brasileiro de Automática (CBA 2016).

Neto, W. B. d. R., Jr., J. M. P. d. M., and Souza, R. V. L. (2017). Análise de dados obtidos através de um sistema de telemetria automotivo utilizando k-nn. XIV Encontro Nacional de Inteligência Artificial e Computacional, pages 960–971.

Polikar, R. (1996). The wavelet tutorial. http://web.iitd.ac.in/˜sumeet/ WaveletTutorial.pdf. Acesso em: 24-07-2019.

Rasmussen, C. E. (2003). Gaussian processes in machine learning. In Summer School on Machine Learning, pages 63–71. Springer.

Rello, L. and Ballesteros, M. (2015a). Detecting readers with dyslexia using machine learning with eye tracking measures. In Proceedings of the 12th Web for All Conference, W4A ’15, pages 16:1–16:8, New York, NY, USA. ACM.

Rello, L. and Ballesteros, M. (2015b). Detecting readers with dyslexia using machine learning with eye tracking measures. In Proceedings of the 12th Web for All Conference, page 16. ACM.

Rello, L., Ballesteros, M., Ali, A., Serra, M., Sánchez, D. A., and Bigham, J. P. (2016). Dytective: Diagnosing risk of dyslexia with a game. In Proceedings of the 10th EAI International Conference on Pervasive Computing Technologies for Healthcare, pages 89–96. ICST (Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering.

Rigas, I., Friedman, L., and Komogortsev, O. (2018). Study of an extensive set of eye movement features: Extraction methods and statistical analysis. Journal of Eye Movement Research, 11(1):3.

Rodrigues, D. S. et al. (2018). A comparative analysis of loan requests classification algorithms in a peer-to-peer lending platform. In Proceedings of the XIV Brazilian Symposium on Information Systems, page 42. ACM.

Salvucci, D. D. and Goldberg, J. H. (2000). Identifying fixations and saccades in eyetracking protocols. In Proceedings of the 2000 symposium on Eye tracking research & applications, pages 71–78. ACM.

Smyrnakis, I., Andreadakis, V., Selimis, V., Kalaitzakis, M., Bachourou, T., Kaloutsakis, G., Kymionis, G. D., Smirnakis, S., and Aslanides, I. M. (2017). Radar: A novel fast-screening method for reading difficulties with special focus on dyslexia. PloS one, 12(8):e0182597.

Srivastava, S., Gupta, M. R., and Frigyik, B. A. (2007). Bayesian quadratic discriminant analysis. Journal of Machine Learning Research, 8(Jun):1277–1305.

Vellutino, F. R. et al. (2004). Specific reading disability (dyslexia): What have we learned in the past four decades? Journal of child psychology and psychiatry, 45(1):2–40.

Zemblys, R., Niehorster, D. C., Komogortsev, O., and Holmqvist, K. (2018). Using machine learning to detect events in eye-tracking data. Behavior research methods, 50(1):160–181.

Zhang, H. (2004). The optimality of Naive Bayes. AA, 1(2):3.
Publicado
15/10/2019
Como Citar

Selecione um Formato
CERAVOLO, Isabella; BRASIL, Antonio; KOMATI, Karin. Classificação de dislexia a partir de movimentos oculares durante a leitura usando aprendizado de máquina e wavelets. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 880-891. DOI: https://doi.org/10.5753/eniac.2019.9342.