Sistema para la Evaluación Automatizada del Test del Dibujo de la Figura Humana a través de un Modelo de Visión Computacional
Palabras clave:
Dibujos de la figura humana, Machine learning, Psicología infantil, Tecnología,, Visión computacional.Resumen
Los trastornos cognitivos en la infancia, especialmente la discapacidad intelectual en México y otros países, representan un grave desafío de salud pública. A menudo no se detectan adecuadamente en etapas tempranas, lo que limita las intervenciones oportunas cruciales para el desarrollo y bienestar de los infantes. La técnica proyectiva del Dibujo de la Figura Humana (DFH), usada por psicólogos para la detección temprana de problemas cognitivos en niños y niñas, se ve limitada por un proceso tardado y un subjetivo análisis manual. En respuesta a estos desafíos, este trabajo detalla el desarrollo de un sistema automatizado para la evaluación de DFH en niños y niñas de entre 5 y 12 años de la Zona Metropolitana de Nuevo León, México, con el objetivo de mejorar la detección temprana de trastornos cognitivos. La hipótesis planteada es que la herramienta desarrollada permitirá identificar los indicadores gráficos del DFH con una precisión de más de 90%, reduciendo el tiempo de evaluación de 10 minutos a menos de 30 segundos. La metodología parte de la recolección de más de 1,000 dibujos a partir de la aplicación del DFH en la población objetivo, siguiendo con su tratamiento y etiquetado para convertirlos en datos de entrenamiento de un modelo de aprendizaje automático. Como parte de los resultados, se desarrolló un modelo de visión computacional, capaz de detectar hasta 24 indicadores gráficos en un dibujo de la figura humana en menos de 1 segundo. Los hallazgos principales del estudio revelan una reducción del tiempo de la tarea de evaluación de un DFH en un 99.83% y un mean Average Precision (mAP50) de 92.8, una precisión (P) de 0.912 y una sensibilidad (R) de 0.902, destacando la efectividad del modelo en la identificación correcta de los elementos clave en los dibujos. El sistema completo ofrece una aplicación web dedicada a la evaluación de los dibujos, facilitando así la interacción del usuario con el modelo propuesto. El sistema integra tecnologías como Python, PyTorch y YOLO para el procesamiento y análisis de los dibujos, y Vue.js, C# y SQL Server para el desarrollo de la aplicación web. Este avance tecnológico ofrece aplicaciones potenciales significativas en hospitales, clínicas, centros de salud mental y entornos educativos. Representa una herramienta valiosa para el diagnóstico y tratamiento de trastornos cognitivos en niños, mejorando no solo la eficiencia y la objetividad en la evaluación de DFH, sino también abriendo nuevas posibilidades para abordar desafíos en la salud mental infantil.
Referencias
[1] Gaytán, E., Rosales, M, Reyes, H., Díaz-Barriga, F., & Calderón, J. (2015). Prevalencia de dificultades emocionales, conductuales y cognitivas en niños de escenarios urbanos con diferente grado de marginación. Revista de psicología y ciencias del comportamiento de la Unidad Académica de Ciencias Jurídicas y Sociales, 6(1), 57-74. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-18332015000100004&lng=es&tlng=es.
[2] Delahunty, L., O’Hare, A., Marryat, L., Stewart, T. M., McKenzie, K., Murray, G., & Kaza, N. (2022). Short Report: Exploring the extent to which Intellectual Disability is undiagnosed within children attending developmental pediatric clinics. Research in Developmental Disabilities, 131, 104359. https://doi.org/10.1016/j.ridd.2022.104359
[3] Chollat, C., Joly, A., Houivet, E., Bénichou, J., & Marret, S. (2019). School-age human figure drawings by very preterm infants: Validity of the Draw-a-Man test to detect behavioral and cognitive disorders. Archives de Pédiatrie, 26(4), 220-225. https://doi.org/10.1016/j.arcped.2019.02.015.
[4] Dağlioğlu, H. E., Deniz, Ü., & Kan, A. (2010). A study on the emotional indicators in 5-6 year-old girls’ and boys’ human figure drawings. Procedia - Social and Behavioral Sciences, 2(2), 1503-1510. https://doi.org/10.1016/j.sbspro.2010.03.226
[5] Quiroga, A., Fuentes, M., Saucedo, E., Briones, E. N., Lozano, A. P., Montegudo, D., & González, N. (2022). Sistematización de la Evaluación Psicológica de Recursos Personales a través del Dibujo de la Persona. Universidad de Monterrey, Vicerrectoría de Ciencias de la Salud, Escuela de Psicología. Programa de Evaluación Final del Programa Académico de Licenciatura en Psicología/Licenciatura en Psicología Clínica. San Pedro Garza García, Nuevo León.
[6] Raschka, S., & Mirjalili, V. (2017). Python Machine Learning (2nd ed.). Packt Publishing.
[7] Taye, M. M. (2023). Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation, 11(3), 52. https://doi.org/10.3390/computation11030052
[8] Luxton, D. D. (2014). Artificial intelligence in psychological practice: Current and future applications and implications. Professional Psychology: Research and Practice, 45(5), 332–339. https://doi.org/10.1037/a0034559
[9] Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69(Supplement), 36-40. https://doi.org/10.1016/j.metabol.2017.01.011
[10] Faust, O., Hagiwara, Y., Hong, T. J., Lih, O. S., & Acharya, U. R. (2018). Deep learning for healthcare applications based on physiological signals: A review. Computer Methods and Programs in Biomedicine, 161, 1-13. https://doi.org/10.1016/j.cmpb.2018.04.005
[11] Kissos, L., Goldner, L., Butman, M., Eliyahu, N., & Lev-Wiesel, R. (2020). Can artificial intelligence achieve human-level performance? A pilot study of childhood sexual abuse detection in self-figure drawings. Child Abuse & Neglect, 109, 104755. https://doi.org/10.1016/j.chiabu.2020.104755
[12] Zeeshan, M.O., Siddiqi, I., & Moetesum, M. (2021). Two-Step Fine-Tuned Convolutional Neural Networks for Multi-label Classification of Children’s Drawings. In J. Lladós, D. Lopresti, & S. Uchida (Eds.), Document Analysis and Recognition – ICDAR 2021, 12822, 321-334. Springer, Cham. https://doi.org/10.1007/978-3-030-86331-9_21
[13] Romero, V. (2019). How Artificial Intelligence can detect emotions in children’s drawings. https://medium.datadriveninvestor.com/how-artificial-intelligence-can-detect-emotions-in-childrens-drawings-4359cf51ab3d
[14] Taeuck, L. (2022). Understanding Children's Psychology with Drawings Drawn by Children Using AI. https://www.24-7pressrelease.com/press-release/497168/korea-contact-free-insighter-understanding-childrens-psychology-with-drawings-drawn-by-children-using-ai
[15] Moetesum, M., Aslam, T., Saeed, H., Siddiqi, I., & Masroor, U. (2017). Sketch-based Facial Expression Recognition for Human Figure Drawing Psychological Test. In 2017 International Conference on Frontiers of Information Technology (FIT), 258-263. Islamabad, Pakistan. https://doi.org/10.1109/FIT.2017.00053
[16] Widiyanto, S., & Abuhasan, J. W. (2020). Implementation The Convolutional Neural Network Method For Classification The Draw-A-Person Test. In 2020 Fifth International Conference on Informatics and Computing (ICIC), 1-6. Gorontalo, Indonesia. https://doi.org/10.1109/ICIC50835.2020.9288651
[17] Schwaber, K. & Sutherland, J. (2020). The 2020 Scrum Guide. https://scrumguides.org/scrum-guide.html
[18] Beck, K., & Andres, C. (2004). Extreme Programming Explained: Embrace Change (2nd ed.). Addison-Wesley Professional.
[19] Terra, J. (2023). Keras vs Tensorflow vs Pytorch: Key Differences Among Deep Learning. https://www.simplilearn.com/keras-vs-tensorflow-vs-pytorch-article
[20] Boesch, G. (2023). Object Detection in 2023: The Definitive Guide. https://viso.ai/deep-learning/object-detection/
[21] Elyan, E., Jamieson, L. and Ali-Gombe, A. (2020). Deep learning for symbols detection and classification in engineering drawings. Neural networks, 129, 91-102. https://doi.org/10.1016/j.neunet.2020.05.025
[22] Zhao, Y., Deng, X., & Huahui, L. (2020). A YOLO-Based Method to Recognize Structural Components from 2D Drawings. In Construction Research Congress 2020: Computer Application, 753-762. https://doi.org/10.1061/9780784482865.080
[23] Schcolnik-Elias, A., Martinez, S., Luna-Taylor, J., & Castro, I. (2023). Detección de armas tipo pistola mediante el uso de redes convolucionales con una arquitectura tipo YOLO y estereoscopía. Pädi Boletín Científico de Ciencias Básicas e Ingenierías del ICBI, 11(2), 196-204. https://doi.org/10.29057/icbi.v11iEspecial2.10727
[24] King, R. (2023). Brief summary of YOLOv8 model structure. https://github.com/ultralytics/ultralytics/issues/189
[25] Casas, E., Ramos, L., Bendek, E., & Rivas-Echeverría, F. (2023). Assessing the Effectiveness of YOLO Architectures for Smoke and Wildfire Detection. IEEE Access, 11, 96554-96583. https://doi.org/10.1109/ACCESS.2023.3312217
[26] Shorten, C. & Khoshgoftaar, T. M. (2019). A survey on Image Data Augmentation for Deep Learning. Journal of Big Data, 6(60). https://doi.org/10.1186/s40537-019-0197-0
[27] Kearns, M. & Nenkova, A. (2019). Training, Validation and Test sets. University of Pennsylvania. https://www.cis.upenn.edu/~mkearns/teaching/ScienceDataEthics/files/lecture /l5.pdf
