Geri Dön

Dikkat eksikliği ve hiperaktivite bozukluğu olan çocukların el yazılarının görüntü işleme teknikleri ile analizi

Analysis of handwriting of children with attention deficit hyperactivity disorder using image processing techniques

PDF İndir

  1. Tez No: 956406
  2. Yazar: ÖZLEM YILDIZ BUDAK
  3. Danışmanlar: DOÇ. DR. MUHAMMED FATİH ADAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 123

Özet

Görüntü işleme gerçek yaşamdaki görüntülerin işlenerek özelliklerinin değiştirilmesiyle yeni bir resim oluşturulması sürecidir görüntü işleme teknikleri ile istenilen görüntüyü alıp satır ve sütundan oluşacak şekilde örnek eklenmesiyle sayısal görüntü oluşur böylelikle görsel karakterler sayısallaştırılması olarak veriler saklanır. Teze örnek konu olarak yapılan çalışmalarda ilkokul düzeyindeki çocukların el yazısı verileri görüntü işleme teknikleri yöntemleri ve algoritmaları ile incelenerek doğru olarak kabul edilen örnek çalışmayla karşılaştırılarak dikkat eksikliği, hiperaktivite ve benzeri bozukluklarının erken dönem tespit edilmesiyle müdahale edilmesidir. Teze konu olan çalışmaların Görüntü işleme adımları ile ilk olarak verilerin sayısallaştırılarak,gerekli algoritmalar ile yeni görüntü elde edilmesi ile resmin üzerindeki en küçük resim elemanı olan pikseller üzerine gerçekleştirilmesidir. Dikkat Eksikliği ve Hiperaktivite Bozukluğu (DEHB), temel olarak dikkatsizlik, aşırı hareketlilik ve dürtüsel davranışlarla karakterize edilen nörogelişimsel bir bozukluktur. Bu rahatsızlığa sahip bireylerde semptomların dağılımı ve yoğunluğu farklılık gösterebilir; bu da her bireyin kendine özgü klinik özellikler sergilemesine neden olmaktadır. Örneğin, dikkat sorunlarının ön planda olduğu çocuklar çoğunlukla düşük enerji seviyelerine sahip, içe dönük, sınıf ortamında iletişimi sınırlı, tepki süreleri yavaş, hayal kurmaya eğilimli ve sosyal etkileşimden uzak bireyler olarak tanımlanabilir. Dikkatlerini uzun süre sürdürememe, görev tamamlama güçlükleri ve çevresel uyaranlara karşı yüksek hassasiyet gibi özellikler bu grupta sıkça gözlenmektedir. İlginçtir ki, bu bireyler akademik görevlerde dikkatlerini toparlayamazken, yüksek uyarıcı içeren dijital oyunlara uzun süre odaklanabilirler. Ayrıca, öğrenilen bilgileri hatırlamada zorluk yaşamaları ve görsel-motor destekli etkinliklerden daha fazla verim almaları da dikkat çeken bulgular arasındadır (V. Berninger et al., 2017). Bu bağlamda, el yazısı becerileri; bireyin dikkat kapasitesi, motor koordinasyonu ve bilişsel süreçleri hakkında doğrudan bilgi sunan önemli bir göstergedir. Literatürde, DEHB tanısı almış bireylerin el yazısında görülen düzensizliklerin ve motor kontrol sorunlarının, bozukluğun tanı sürecinde belirleyici olabileceği vurgulanmaktadır (Çak et al., 2018). Bu çalışmada, çocuklara ait el yazısı örnekleri görüntü işleme teknikleriyle sayısal ortama aktarıldı ve ilgili algoritmalar kullanılarak analiz edildi. Böylece, geleneksel yöntemlerin ötesinde, daha objektif, sistematik ve tekrarlanabilir bir değerlendirme süreci elde edildi. Görüntü işleme teknikleri yöntemleri ve algoritmaları ile ilkokul düzeyindeki çocukların el yazısı incelenerek dikkat eksikliği, hiperaktivite bozukluğu tespitinde kullanılmasıdır. Görüntü işlemede temel yöntemler kullanılarak el yazısının doğru kabul edilen örnek çalışmalar ile kıyaslanarak anlamlı bir ilişki kurulmasıdır. Görüntü dönüşümleri, iyileştirme, onarma, bölümleme, sıkıştırma, algılama ve bazı teknikler ile görüntü işleme algoritmaları doğrusal dönüştürmeler vb. teknikler kullanılarak el yazısı verilerinin analiz sonuçlarının incelenmesidir. Araştırmaların bulgularının eğitim ve klinik pratikteki yansımaları ve erken müdahale olanaklarının vurgulanmasıdır. DEHB tanısıyla ilgili makine öğrenimi çalışmaları genellikle nörogörüntüleme ve elektroensefalografi (EEG) üzerine odaklanmaktadır. EEG, beyin nöronları tarafından üretilen elektriksel aktivitenin beyin dalgaları olarak kağıt üzerine kaydedilmesi işlemidir. Bu tür yaklaşımlar ve benzer yöntemler literatürde giderek daha fazla kullanılmaktadır. El yazısı ve yazma becerisi eksiklikleri, çeşitli çalışmalarda görüldüğü üzere DEHB ve benzeri bozuklukların bir göstergesi olabilmektedir. Örneğin, bir yazma güçlüğü bozukluğu olan disgrafinin tespitinde makine öğrenmesi yöntemleri kullanılmış ve yaş, cinsiyet gibi kişisel özelliklerle birlikte el yazısı örnekleriyle sınıflandırma performansı ortalama %70 civarında gerçekleşmiştir. Tek karakter yazmaya odaklanan bir çalışmada ise yapay sinir ağları kullanılarak %50 ile %75 arasında bir doğruluk oranı elde edilmiştir (Barry, Clarke, et al., 2003). Bu yöntemler ve müdahaleler hem zaman alıcı hem de çocuk için oldukça zorlayıcıdır. Bu testler uzun zaman alır ve çocukların hareketsiz kalması gerekir. Oysa daha kolay yöntemler DEHB tanısı koymada yardımcı olabilir. Bu motivasyonla, bu çalışma DEHB teşhisi için el yazısını kullanarak çok kısa ve basit bir süreçle önemli sonuçlar elde etmiştir. Önerilen model ile okullardaki öğretmenler ve hatta bir mobil uygulama aracılığıyla ebeveynler risk altındaki çocukları tespit edebilir ve gerekli yönlendirmeleri yapabilir. Bu çalışmada el yazısı nesne algılama algoritmaları yardımıyla analiz edilmiş ve DEHB ön tanısı koymada başarılı sonuçlar elde edilmiştir.

Özet (Çeviri)

Image processing refers to the systematic transformation of real-world visual input into a format suitable for computational analysis by altering, enhancing, or extracting specific features from the original image. This transformation involves sampling the visual content into a grid of rows and columns, assigning numerical values to each discrete unit, or pixel, thereby digitizing the image. Once in a numerical format, the image can be subjected to a variety of algorithms for further analysis. These processes enable detailed investigations of visual characteristics that are not easily perceivable through manual inspection. In recent years, image processing has been increasingly applied in behavioral and neurodevelopmental research, where subtle visual indicators—such as handwriting irregularities—can provide valuable insights into cognitive and motor functioning. The field of image processing includes various techniques, each serving a unique purpose. For example, image enhancement methods improve visual clarity (e.g., histogram equalization, contrast stretching), while image segmentation isolates meaningful regions (e.g., lines of text, individual letters). Edge detection algorithms (such as Sobel or Canny filters) highlight the structural boundaries of objects, whereas morphological operations refine character shapes by eliminating noise or filling in gaps. Geometric transformations, including rotation and scaling, are employed to normalize handwriting data before analysis. These foundational techniques, when used in combination, enable high-precision assessments of dynamic patterns within handwriting samples. Within the scope of this study, image processing techniques were applied to the analysis of handwriting samples obtained from elementary school-aged children. These samples were digitized and evaluated using advanced computational methods with the aim of detecting early indicators of Attention Deficit Hyperactivity Disorder (ADHD) and other related neurodevelopmental conditions. By comparing the children's handwriting against predefined normative reference samples that reflect developmentally appropriate standards, deviations in motor control and visual consistency could be objectively identified. These deviations were then interpreted as potential markers of attentional and executive function impairments. The methodology followed in this study includes steps such as image digitization, preprocessing (e.g., grayscale conversion, noise filtering, binarization), feature extraction (e.g., stroke uniformity, spacing, line alignment), and high-level pattern analysis using object detection algorithms. ADHD is a widely studied neurodevelopmental disorder characterized primarily by persistent symptoms of inattention, hyperactivity, and impulsivity, which can manifest in varying combinations and intensities. The heterogeneity of the disorder results in diverse clinical presentations, often complicating the diagnostic process. Children presenting predominantly inattentive symptoms frequently exhibit behaviors such as reduced physical energy, internalized focus, delayed responsiveness, limited verbal participation, and difficulty sustaining attention in structured academic contexts. These symptoms can significantly hinder academic performance and social integration. Intriguingly, many such children are able to maintain prolonged attention on highly stimulating tasks—such as digital games—highlighting the influence of environmental and motivational factors on attentional regulation. The connection between ADHD and handwriting performance lies in the cognitive and motor demands of writing tasks. Handwriting requires the integration of multiple domains: sustained attention, working memory, fine motor control, visual-motor integration, and executive planning. In this regard, handwriting is not simply a mechanical skill but a window into underlying neurocognitive functioning. Inconsistent letter sizing, erratic spacing, irregular stroke formation, and poor line alignment are among the most commonly observed features in the handwriting of individuals with ADHD. These motor expression patterns can be captured digitally, enabling objective quantification of features that may otherwise be evaluated subjectively by educators or clinicians. This study builds upon existing literature that suggests handwriting analysis can serve as a viable adjunct to traditional diagnostic tools. Previous research has demonstrated that children with ADHD often display significant deviations in handwriting consistency when compared to their neurotypical peers. Furthermore, advancements in machine learning have allowed for the development of predictive models capable of identifying such deviations with increasing accuracy. For example, in studies focused on dysgraphia—a handwriting disorder that may co-occur with ADHD—classification models using machine learning algorithms have achieved accuracies of approximately 70%. These models typically incorporate both visual handwriting features and demographic variables such as age and gender to enhance predictive power. Similarly, in studies analyzing individual characters using artificial neural networks, classification accuracy has ranged between 50% and 75%, depending on the complexity and quality of the input data. The current study utilized a supervised learning approach, where labeled handwriting samples were used to train classifiers such as Support Vector Machines (SVM), Random Forests, and Convolutional Neural Networks (CNNs). Feature sets included both static features (e.g., letter size, slant, baseline drift) and dynamic features (when available, such as pen pressure or stroke speed). The inclusion of cross-validation techniques ensured robustness and minimized overfitting. Furthermore, data augmentation methods—such as synthetic image generation and geometric transformation—were employed to increase the diversity and generalizability of the training dataset. Despite their diagnostic utility, traditional methods such as neuroimaging, electroencephalography (EEG), and psychometric assessments are often resource-intensive, requiring specialized equipment and trained personnel. Moreover, they demand prolonged periods of stillness and concentration, which can be particularly challenging for young children, especially those already exhibiting symptoms of hyperactivity or inattention. These constraints underscore the need for accessible, efficient, and child-friendly alternatives. Handwriting-based analysis, as proposed in this study, addresses this gap by offering a rapid, low-cost, and minimally intrusive screening approach that can be easily implemented in educational environments. The model developed in this research incorporates object detection algorithms capable of identifying and quantifying handwriting features such as spacing, alignment, stroke uniformity, and pressure intensity. These parameters are processed to detect statistically significant deviations from expected developmental norms. The system has been designed with scalability and usability in mind, enabling its potential deployment as a mobile application. Such a tool could empower teachers and parents to perform preliminary screenings outside of clinical settings and make informed decisions regarding further evaluation or intervention. Importantly, this approach facilitates early identification of risk, which is critical in optimizing long-term academic and behavioral outcomes for children with ADHD. From an ethical and practical perspective, early identification must be balanced with caution to avoid overdiagnosis or stigmatization. Therefore, it is essential that tools developed for educational use be positioned as preliminary screening instruments, not as substitutes for formal clinical diagnosis. Additionally, data privacy, informed consent, and transparency in algorithmic decision-making are key principles that must be maintained, especially when involving sensitive developmental information of minors. The findings of the study support the broader shift in contemporary diagnostics toward integrating computational tools with traditional assessment frameworks. By transforming subjective behavioral observations into quantifiable data points, image processing and machine learning open new avenues for early detection and personalized intervention. The model presented in this study serves as a step toward more inclusive and technologically informed practices in child psychology and special education. It also offers a promising direction for future research into the intersection of digital phenotyping, cognitive neuroscience, and educational assessment. Looking ahead, future research may benefit from integrating multimodal data sources—including handwriting dynamics (via digital pen tablets), speech patterns, and behavioral video recordings—to develop more comprehensive predictive models. Longitudinal studies tracking the developmental trajectory of at-risk children could further validate the prognostic power of handwriting-based screening tools. In addition, cross-cultural validations and language-specific handwriting analyses will be essential in ensuring the global applicability of such models. In conclusion, the application of image processing techniques to handwriting analysis provides a robust and innovative method for identifying early signs of ADHD. The objective and replicable nature of this approach enhances diagnostic reliability, while its simplicity and accessibility support broad adoption in educational and clinical contexts. As digital tools continue to advance, such methodologies may play a central role in the development of proactive, data-driven mental health screening systems for children, ultimately contributing to more inclusive, equitable, and effective educational support systems.

Benzer Tezler

  1. Tez No

    533879

    Dikkat eksikliği ve hiperaktivite bozukluğu olan çocuklarda duyu profilleri ve fiziksel aktivite kapasitesinin katılım üzerine olan etkisinin incelenmesi

    The influence of the sensory profile and the capacity of physical activity on the participation of the children with attention deficit and hyperactivity disorder

    GÖZDE BALCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Fizyoterapi ve RehabilitasyonHacettepe Üniversitesi

    Fiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı

    DOÇ. DR. SONGÜL ATASAVUN UYSAL

  2. Tez No

    319277

    Dikkat eksikliği hiperaktivite bozukluğu olan çocukların ebeveynlerinde dikkat eksikliği hiperaktivite bozukluğu, diğer ruhsal tanıların sıklığı ve bu tanıların farklı işlevsellik alanlarına etkileri

    The frequencies of attention deficit hyperactivity disorder and the other mental disorders diagnoses in the parents of the children with attention deficit hyperactivity disorder and the effects of these diagnoses on the different functionality areas

    GÜLHAN ERDİNÇLER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    PsikiyatriTrakya Üniversitesi

    Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. CENGİZ TUĞLU

  3. Tez No

    297235

    Dikkat eksikliği hiperaktivite bozukluğu olan çocukların beslenme durumunun değerlendirilmesi

    Determination of the nutritional status of children with attention deficit hyperactivity disorder

    ESMA ENERGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Beslenme ve DiyetetikHacettepe Üniversitesi

    Diyetetik Ana Bilim Dalı

    PROF. DR. NESLİŞAH RAKICIOĞLU

  4. Tez No

    229653

    Dikkat eksikliği ve hiperaktiv çocuklarda metilfenidat kullanımına bağlı kardiyovasklüler değişiklikler.

    Cardiovascular alterations in the patients with attention deficit hyperactivity disorder due to the use of methylphenidate.

    BİLAL ÖZELCE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2008

    Çocuk Sağlığı ve HastalıklarıOndokuz Mayıs Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. KEMAL BAYSAL

  5. Tez No

    567480

    Dikkat eksikliği hiperaktivite bozukluğu olan 6-13 yaş arası çocuklarda emosyonel labilite ve duygu tanıma becerileri

    Evaluation of emotional lability and emotion recognition skills of children between 6-13 years of age with attention deficit hyperactivity disorder

    GÜNER MELİKE GÜVELİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    PsikiyatriGazi Üniversitesi

    Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ELVAN İŞERİ

Geri Dön