Towards Parkinson’s disease detection through analysis of everyday handwriting
Gallo-Aristizabal, J. D., Escobar-Grisales, D., Ríos-Urrego, C. D., Vargas-Bonilla, J. F., García, A. M. & Orozco-Arroyave, J. R. (2025). Towards Parkinson’s disease detection through analysis of everyday handwriting. Diagnostics 15(3), 381.
Antecedentes: La enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más prevalente en todo el mundo. Las personas que padecen EP presentan síntomas motores que afectan al control del movimiento de las extremidades superiores e inferiores. Entre las actividades cotidianas que dependen de un adecuado control de los miembros superiores se encuentra el proceso de escritura a mano, el cual ha sido estudiado en investigaciones de vanguardia, principalmente considerando dibujos no semánticos como espirales, figuras geométricas, líneas cursivas y otros. Objetivos: En este trabajo se analiza la idoneidad de modelar el proceso de escritura de los dígitos del 0 al 9 para discriminar automáticamente entre pacientes con EP y sujetos control sanos. La hipótesis principal es que el modelado de estos números permite una evaluación más natural del control del miembro superior. Métodos: Se consideran dos enfoques: modelado de las imágenes resultantes de los trazos recogidas por la tableta digital y modelado de las series temporales cedidas por la tableta digital mientras se realizan los trazos, es decir, señales dependientes del tiempo. El primer enfoque se aplica mediante la puesta a punto de una arquitectura basada en CNN, mientras que el segundo se basa en características artesanales medidas a partir de las series temporales, a saber, mediciones de presión y cinemáticas. Las características extraídas de las señales dependientes del tiempo se representan siguiendo dos estrategias, una basada en funcionales estadísticos y otra en la creación de modelos de mezclas gaussianas (GMM). Resultados: Los experimentos indican que las características basadas en la presión modeladas con funcionales son las que arrojan una mayor precisión, lo que indica que los síntomas relacionados con la EP se modelan mejor con enfoques dinámicos que los basados en imágenes. Conclusiones: El enfoque dinámico superó al modelo basado en imágenes, lo que indica que el proceso de escritura, modelado con señales recogidas a lo largo del tiempo, revela los síntomas motores más claramente que las imágenes resultantes de la escritura. Este hallazgo está en línea con resultados previos en el estado del arte de la investigación y constituye un paso adelante para crear métodos más precisos e informativos para detectar y monitorizar los síntomas de la EP.
Para acceder al artículo, hacé click aquí.
Towards Parkinson’s disease detection through analysis of everyday handwriting
Gallo-Aristizabal, J. D., Escobar-Grisales, D., Ríos-Urrego, C. D., Vargas-Bonilla, J. F., García, A. M. & Orozco-Arroyave, J. R. (2025). Towards Parkinson’s disease detection through analysis of everyday handwriting. Diagnostics 15(3), 381.
Background: Parkinson’s disease (PD) is the second most prevalent neurodegenerative disorder worldwide. People suffering from PD exhibit motor symptoms that affect the control of upper and lower limb movement. Among daily activities that depend on proper upper limb control is the handwriting process, which has been studied in state-of-the-art research, mainly considering non-semantic drawings like spirals, geometric figures, cursive lines, and others. Objectives: This paper analyzes the suitability of modeling the handwriting process of digits from 0 to 9 to automatically discriminate between PD patients and healthy control subjects. The main hypothesis is that modeling these numbers allows a more natural evaluation of upper limb control. Methods: Two approaches are considered: modeling of the images resulting from the strokes collected by the digital tablet and modeling of the time series yielded by the digital tablet while performing the strokes, i.e., time-dependent signals. The first approach is implemented by fine-tuning a CNN-based architecture, while the second approach is based on hand-crafted features measured upon the time series, namely pressure and kinematic measurements. Features extracted from time-dependent signals are represented following two strategies, one based on statistical functionals and the other one based on creating Gaussian Mixture Models (GMMs). Results: The experiments indicate that pressure-based features modeled with functionals are the ones that yield the highest accuracy, indicating that PD-related symptoms are better modeled with dynamic approaches than those based on images. Conclusions: The dynamic approach outperformed the image-based model, indicating that the writing process, modeled with signals collected over time, reveals motor symptoms more clearly than images resulting from handwriting. This finding is in line with previous results in the state-of-the-art research and constitutes a step forward to create more accurate and informative methods to detect and monitor PD symptoms.
To access the full paper, please click here.
