该研究回顾了现有的针对儿童的自动化书写障碍诊断系统，重点关注基于人工智能的诊断系统，分析涉及的数据收集方法、手写特征和使用的机器学习算法，并探讨了一些非人工智能的自动化系统以及现有系统的不足之处，提出了一种新的诊断系统。

Jun, 2022

手写是儿童认知和学术发展的基本技能，但近几十年的技术和教育变革对手写的教学和评估产生了影响。本文通过对儿童手写分析的文献综述，包括发表的文章、研究参与者和评估儿童书写状态的方法的文献计量分析，旨在综合国际研究趋势。综述认为手写仍然是早期评估认知问题和进行早期干预的基本工具，分析了书写状态评估工具并强调了确定评估方法和整合数据库的重要性。

Jun, 2024

通过深度学习模型，我们提出了一种适用于装饰手写文本生成（Styled HTG）评估的手写距离（HWD）方法，它能够从可变长度的输入图像中提取手写风格特征，并利用感知距离来比较手写的微妙几何特征，经过大量实验对手写文本图像的不同数据集进行评估，表明我们提出的 HWD 方法适用于 Styled HTG 的评分，对于评估 HTG 模型提供了有价值的工具，从而推动了这一重要研究领域的发展。

Oct, 2023

使用带有传感器的墨水笔对书写进行生态评估，以年龄组分类的创新方法展示了卓越的分类器性能，可以在非受控环境（如远程居家监测）中早期检测衰老的异常迹象，从而解决衰弱检测的关键问题，为老年人改善护理做出贡献。

Sep, 2023

本研究使用在线手写和绘画分析工具区分健康个体和抑郁症患者的差异，结果表明时间特征对于区分亚临床抑郁症和健康组更具有效性，而导线和压力特征对于区分临床抑郁症和健康组更为有效。

Feb, 2023

提出了一种基于计算机视觉的模型，该模型可以观察个体的非侵入性视频记录，提取他们的 3D 身体骨架，跟踪它们的运动，并根据 MDS-UPDRS 步态评分对这些运动进行分类。这是一个基于 MDS-UPDRS 步态严重度分类 PD 患者的第一个基准，并可能成为一种客观的生物标志物。

Jul, 2020

这篇论文研究了使用动态增强的静态手写图像来诊断帕金森病，通过同时利用手写的静态和动态属性，提出了一种嵌入动态信息的静态表示方法，通过在同一数据集上与现有方法进行了公平比较，证明了动态增强的静态手写图像能够胜过独立使用静态和动态手写的结果，从而实现了非侵入性、低成本的计算机辅助诊断系统来支持临床医生的诊断和监测神经退行性疾病，特别是帕金森病的评估。

May, 2024

介绍了 Decoupled Style Descriptor (DSD) 模型，该模型通过因式分解字和笔画风格来提高手写生成的质量和灵活性。在实验中，该模型生成的结果相较于基线方法更受欢迎，并能够很好地完成单样本的作者识别任务。

Aug, 2020

验证 Google MediaPipe Hand (GMH) 及其改进版本 GMH-D 对 3D 手部运动的准确跟踪的有效性，并证明 GMH-D 在临床应用中评估 3D 手部运动方面的优越性。

Aug, 2023

使用改进的 DCGAN 架构和强化学习技术，本文提出一种智能系统，旨在学习实体的手写字体，可以用于鉴别伪造文件、签名验证、计算机生成艺术和文件数字化等领域。初步实现结果表明，该算法在 MNIST 数据集上表现优异。

Nov, 2016