ИННОВАЦИОННЫЙ МЕТОД ОЦЕНКИ МЕЛКОЙ МОТОРИКИ «FINGERFIT» НА ОСНОВЕ КОНТРОЛЯ ДВИГАТЕЛЬНЫХ ОШИБОК С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ
компьютерная программа (1, 2, 3, 4 класс)

ИННОВАЦИОННЫЙ МЕТОД ОЦЕНКИ МЕЛКОЙ МОТОРИКИ «FINGERFIT» НА ОСНОВЕ КОНТРОЛЯ ДВИГАТЕЛЬНЫХ ОШИБОК С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ

А.А. Померанцев

Липецкий государственный педагогический университет имени П.П. Семенова-Тян-Шанского, г.Липецк, Россия

Аннотация. В статье описывается инновационный метод оценки и развития мелкой моторики FingerFit: приводится история возникновения и развития метода, предлагаются различные направления его использования. Тестирование мелкой моторики включает следующую процедуру: 1) на монитор выводится серия изображений жестов рук, которая определяет синергии; 2) человек старается как можно быстрее построить обратные жесты; 3) на основе компьютерного зрения фиксируются все двигательные ошибки и время построения синергий; 4) рассчитывается: количество выполненных синергий, общее количество обработанной информации, количество ошибочных жестов, количество двигательных ошибок по каждому пальцу, показатели энтропии, показатели латеральной асимметрии, скорость обработки информации.

Ключевые слова: мелкая моторика, FingerFit, двигательная энтропия, мышечные синергии, двигательные ошибки, тестирование, количество информации, пальчиковая гимнастика, компьютерное зрение.

AN INNOVATIVE METHOD «FINGERFIT»FOR ASSESSING FINE MOTOR SKILLS BASED ON THE CONTROL OF MOTOR ERRORS USING COMPUTER VISION

Pomerantsev

Lipetsk State Pedagogical P. Semenov-Tyan-Shansky University, Lipetsk, Russia

Abstract. The article describes an innovative method «FingerFit» for the assessment and development of fine motor skills. The paper contains the history of the origin and development of the method. The author proposes various directions of method using. Fine motor skills testing includes the following procedure: 1) a set of gestures images is displayed on the monitor; these gestures determine the synergies; 2) a person tries to build reverse gestures as quickly as possible; 3) motor errors and the time of building synergies are recorded using computer vision; 4) computer application calculate the number of completed synergies, the total quantities of information, the number of wrong gestures, the number of motor errors for each finger, indicators of entropy, indicators of lateral asymmetry, information processing speed.

Keywords: fine motor skills, FingerFit, motor entropy, muscle synergies, motor errors, testing, quantities of information, finger gymnastics, computer vision.

Введение. В научной литературе можно найти большое количество исследований, рассматривающих взаимосвязь мелкой моторики с различными способностями человека, такими как речь, внимание, память, когнитивные способности, общая координация, логическое мышление, воображение. Все перечисленные способности являются значимыми для успешного обучения, бытовой и профессиональной деятельности [3].

Типичная моторика для современного человека предполагает в основном вовлечение в работу рук и пальцев: удержание ручки, перелистывание книжных страниц, печатание на клавиатуре – все эти движения относятся к мелкой моторике.

Мастерство во многих профессиях определяется уровнем владения мелкой моторикой. Пианисты, дирижеры, киберспортсмены, хирурги, музыканты, стоматологи, ювелиры имеют специфические двигательные задачи, которые решаются с помощью кисти. Пять пальцев действуют согласованно, формируют профессиональные мышечные синергии.

В 2017 году нами были изучены более сотни методов оценки и развития мелкой моторики. Мы пришли к выводу, что не существует единого универсального метода, пригодного для медицинских и педагогических целей, а также развития профессиональных навыков.

В 2018 году была подана заявка, а в 2020 году был получен патент на изобретение «Способ оценки мелкой моторики рук», авторы А.А. Померанцев, А.Н. Старкин [1]. В заявке предлагалось определять уровень мелкой моторики по времени сложной реакции, затрачиваемой на построение обратных жестов рук. Метод не предполагал компьютерного контроля правильность построения жестов, а всю работу выполнял оператор тестирования. Предлагаемый метод было предложено называть ФингерФит (FingerFit).

В 2023 году метод получил развитие за счет включения в него алгоритма компьютерного зрения, позволяющего быстро и точно оценивать жесты человека. В данном методе акцент тестирования был смещен с тестирования скорости построения жестов на тестирование скорости и правильности синергий мелкой моторики. На данном этапе был получен патент «Способ оценки мелкой моторики рук на основе анализа синергий с помощью компьютерного зрения», автор А.А.Померанцев [2]. Данный метод не учитывал различную сложность построения синергий, а также не принимал во внимание двигательные ошибки.

Представленный в данной статье подход представляет собой логическое развитие семейства методов FingerFit. Главная особенность нового метода заключается в оценке и развитии мелкой моторики с учётом:

1) сложности построения и перестроения жестов (синергий);

2) возникших двигательных ошибок;

3) мануальной асимметрии [4];

3) количества обработанной и потерянной информации (энтропии).

Практические рекомендации. Способ оценки мелкой моторики рук включает проведение компьютерного тестирования, основанного на регистрации жестов и синергий сгибания-разгибания пальцев рук. Для этих целей было написано компьютерное приложение с рабочим названием FingerFit α

Принцип тестирования представлен на рисунке 1.

Рисунок 1. Схема, показывающая принцип проведения тестирования FingerFit

Суть тестирования заключается в проведении следующих операций:

1 – визуализация необходимого жеста-команды на мониторе компьютера;

2 – зрительное восприятие жеста (афферентация);

3 – решение логической задачи построения комплементарного жеста с противоположной комбинацией согнутых и выпрямленных пальцев («отзеркаливание»);

4 – восприятия исходного жеста на основе памяти и информации с проприорецепторов (обратная афферентация);

5 – сопоставление исходного жеста и жеста-ответа (формирование двигательного действия на основе эфферентного синтеза);

6 – показ жеста-ответа (эфферентация);

7 – считывание жеста компьютером;

8 – генерация компьютером ожидаемого комплементарного жеста;

9 – сопоставление ожидаемого жеста и показанного жеста-ответа;

10 – переключение на следующий жест теста.

Пункты схемы 2, 3, 4, 5, 6 могут допускать потерю информации (энтропию), которая ведет к двигательным ошибкам.

В случае если представленный жест-ответ не совпадает с ожидаемым жестом (9), фиксируется двигательная ошибка выполнения синергии. Для построения синергии тестируемый вновь строит исходный жест и итерация повторяется. Если при построении исходного жеста также фиксируется ошибка, она относится к ошибке восприятия.

Для того, чтобы оценить количество информации (Inf) жестов и синергий используется формула Шеннона:

,

где – вероятность отдельного события;

n – количество возможных событий.

Общее количество информации для решения двигательной задачи (построение комплементарного жеста) складывается из восприятия исходного жеста, восприятия жеста-команды, формирования жеста-ответа и построения синергии.

В тестировании учитываются комбинации жестов и синергий с различным количеством информации. Расчёты показывают, что синергии мелкой моторики могут содержать от 8,58 бит до 69,3 бит информации, имея 25 градаций сложности.

Любая двигательная ошибка связана с потерей информации (информационная энтропия) при восприятии, либо при выполнении синергии. Суммарная информационная энтропия может быть больше количества информации жеста и/или количества информации синергии, в виду того, что на каждую синергию или построение жеста может приходиться несколько ошибок выполнения.

Величина информационной энтропии определяется на основе степени отклонения ошибочного жеста-ответа от требуемого жеста-ответа. Чем больше пальцев имеют ошибочное положение, тем выше энтропия.

В таблице 1 представлена одна итерация контроля выполнения синергии мелкой моторики с результатами анализа двигательных ошибок.

Таблица 1

Пример определения двигательной энтропии мелкой моторики на основе оценки двигательных ошибок

Примечание: T – большой палец, I – указательный палец, M – средний палец, R – безымянный палец, L – мизинец; 0 – палец согнут, 1 – палец выпрямлен.

На основе анализа всех итераций рассчитывается общая статистика тестирования и генерируется протокол. Протокол включает персональные рекомендации по организации пальчиковой гимнастики на основе иерархии синергий, представляющих наибольшую сложность для протестированного человека, а также сводные результаты тестирования.

Рисунок 2. Протокол с результатами тестирования мелкой моторики по методу FingerFit

Выводы. Предлагаемый метод представляет собой универсальный подход к оценке мелкой моторики в педагогических и медицинских целях. Метод позволяет настраивать сложность тестирования за счёт включения разного набора синергий по их количеству и информационной стоимости. Например, для оценки и развития мелкой моторики у детей с особенностями развития (синдром Дауна, аутизм) подойдут синергии от 1 до 5 уровня сложности, а для тестирования мелкой моторики гитаристов или операторов беспилотных летательных аппаратов подойдет набор синергий от 20 до 25 уровней сложности.

Литература

1. Патент № 2717365 C1 Российская Федерация, МПК A61B 5/00, A61B 5/11, G09B 9/00. Способ оценки мелкой моторики рук : № 2018147383 : заявл. : опубл. / А. А. Померанцев, А. Н. Старкин ; заявитель ФГБОУ ВО "ЛГПУ имени П.П. Семенова-Тян-Шанского".
2. Патент № 2809430 C1 Российская Федерация, МПК A61B 5/103, G06N 3/02, G06T 3/00. Способ оценки мелкой моторики рук на основе анализа синергий с помощью компьютерного зрения : № 2023109884 : заявл. : опубл. / А. А. Померанцев.
3. Васильева, Т. В. Методика применения гибридных инновационно-нетрадиционных методов развития мелкой моторики у детей дошкольного возраста / Т. В. Васильева // Современная наука: актуальные проблемы теории и практики. Серия: Гуманитарные науки. – 2023. – № 1-2. – С. 29-32. – DOI
4. Сычев, В. С. Некоторые особенности динамики мануальной асимметрии / В. С. Сычев, С. С. Давыдова // Вестник психофизиологии. – 2023. – № 4. – С. 123-125. – DOI