I AE S In t er na t io na l J o urna l o f   Art if icia l In t ellig ence   ( I J - AI )   Vo l.   15 ,   No .   2 ,  A p r il   2 0 2 6 ,   p p .   1 4 1 8 ~ 1 4 2 7   I SS N:  2 2 5 2 - 8 9 3 8 ,   DOI : 1 0 . 1 1 5 9 1 /ijai.v 15 .i 2 . p p 1 4 1 8 - 1 4 2 7          1418     J o ur na l ho m ep a g e :  h ttp : //ij a i . ia esco r e. co m   No v el conv o lution neura l n etwork   mo del f o r dys g ra phia - a ff ecte d han dw rit ing  clas sifica tion       Nis ha   Va nja ri 1 ,2 ,   P ra s a nn a   J .   Sh et e 1   1 D e p a r t me n t   o f   C o m p u t e r   En g i n e e r i n g ,   K .   J.   S o m a i y a   S c h o o l   o f   En g i n e e r i n g ,   M u mb a i ,   I n d i a   2 D e p a r t me n t   o f   C o m p u t e r   En g i n e e r i n g ,   K .   J.   S o m a i y a   I n st i t u t e   o f   T e c h n o l o g y ,   M u mb a i ,   I n d i a       Art icle  I nfo     AB S T RAC T   A r ticle  his to r y:   R ec eiv ed   May   16 ,  2 0 2 5   R ev is ed   J an   8 ,  2 0 2 6   Acc ep ted   J an   25 ,  2 0 2 6       It  is  e stim a ted   th a t  1 0 %   o f  th e   p o p u lati o n   i n   th e   wo rl d   su ffe rs  fro m   lea rn in g   d isa b il it ies   li k e   d y sle x ia,  d y sg ra p h ia,  a n d   d y sc a lcu li a .   Lea rn i n g   d isa b il it ie s   a re   n e u ro lo g ica l  d iso r d e rs  in   wh ich   c h il d re n   stru g g le  wit h   re a d in g ,   writi n g   a n d   m a th e m a ti c a l  sk i ll s.  D y sg ra p h ia  d iso rd e r   imp a c ts  o n   writi n g   a b il it ies   o f   stu d e n ts  a n d   th u s  m a y   b e   a   h u rd l e   in   th e ir  lea rn in g   a n d   e v a l u a ti o n   o f  su b jec t   m a tt e r.   He n c e   e a rly   d e tec ti o n /p re d ictio n   o f   lea rn in g   d isa b il it y   (LD)   in   sc h o o l   g o i n g   c h il d re n   wi ll   g re a tl y   h e lp   i n   p ro v id i n g   n e c e ss a ry   a c c o m m o d a ti o n s  s o   a s  to   e a se   th e ir  fu tu re   lea rn i n g   c u rv e .   I n   re c e n t  y e a rs  re se a rc h e rs  h a v e   u se d   se v e ra l  d e e p   lea rn in g   a lg o rit h m s  th a t  p r o d u c e   a u to m a ted   a n d   trai n e d   m o d e ls   wh ich   c a n   b e   u se fu l  in   t h e   h a n d writi n g   c las sifica ti o n .   T o   p r o p e rl y   c a p tu re   th e   d isti n c t   h a n d writi n g   i n c o n si ste n c ies   li n k e d   to   d y sg ra p h ia,  t h is  st u d y   c o n tain s  e x p e rime n ts  th a t  d e term in e   h o w  v a ri o u s  c o n v o lu ti o n   n e u ra l   n e two rk   (CNN )  m o d e l  lay e rs  c o n tri b u te  t o   p e rfo rm a n c e .   T o   a d d r e ss   it ,   th is   re se a rc h   fo c u se d   o n   t h e   imp r o v e d   n o v e l   m o d e l  b a se d   o n   CNN   a n d   targ e ted   d y sg ra p h ia  E n g li s h   h a n d writi n g   c las sifica ti o n   with   9 8 %   a c c u r a c y   with   1 0 2 , 6 9 1   trai n a b le  p a ra m e ters .   Th e   m o d e l  is  train e d   o n   b o t h   n o rm a l  a n d   d y sg ra p h ia - a ffe c ted   h a n d writi n g ,   in c re a sin g   it s  a c c u ra c y   in   i d e n ti f y in g   in d i v id u a l  d iffere n c e s.   K ey w o r d s :   C o n v o lu tio n   n eu r al  n etwo r k   Dee p   lear n in g     Dy s g r ap h ia   Han d wr itin g   class if icatio n   L ea r n in g   d is ab ilit y   T h is i s  a n   o p e n   a c c e ss   a rticle   u n d e r th e   CC B Y - SA   li c e n se .     C o r r e s p o nd ing   A uth o r :   Nis h a  Van jar i   Dep ar tm en t o f   C o m p u ter   E n g i n ee r in g ,   K.   J .   So m aiy a  I n s titu te  o f   T ec h n o lo g y   3 3 /A,   Nan d ad ee p   C HS,  C h em b u r ,   Mu m b ai,   I n d ia   E m ail: n v an jar i@ s o m aiy a. ed u       1.   I NT RO D UCT I O N   I t  is   esti m ated   th at  1 0 %  o f   th e  p o p u latio n   in   th e  wo r ld   s u f f er s   f r o m   lear n i n g   d is ab ilit ies  lik e  d y s lex ia,   d y s g r ap h ia,   a n d   d y s ca lcu lia   [ 1 ] – [ 4 ] .   Prim a r y   i m p a ct  o f   d y s g r ap h ia,   a   lear n in g   d i s ab ilit y   ( L D) ,   is   o n   an   in d iv id u al' s   ca p ac ity   f o r   wr itten   ex p r ess io n .   Dy s g r a p h ia  an d   p ar ticu lar   lear n in g   d ef icit  in   wr itten   ex p r ess io n   r ef er   to   p e o p le  wh o ,   d esp ite  p r o p er   e d u ca ti o n ,   wr ite  b elo w  t h eir   co g n i tiv e  lev el  an d   ag e.   Dy s g r ap h ia  is   a  s p ec ialized   LD   th at  m ak es  it  d if f icu lt  to   d u p licate  b o th   letter s   an d   n u m b er s .   Dep en d in g   o n   th e  ch ild ' s   ag e  an d   d ev elo p m en tal  s tag e,   d y s g r ap h ia  ca n   p r esen t  a  v ar iety   o f   s y m p to m s .   Mu ltip le  cu es  m u s t   b e  tak en   in to   ac c o u n t  f o r   an   ac cu r ate  d iag n o s is   o f   d y s g r ap h ia,   wh ic h   p r esen ts   m ajo r   o b s tacle s .   As  h an d wr itin g   is   a  way   to   co n v ey   th o u g h ts   an d   em o tio n s ,   m an y   r esear ch er s   h av e  wo r k ed   o n   h an d wr itin g   ch ar ac ter   r ec o g n itio n   s y s tem s   to   an aly ze   im ag es  o f   wr itten   m ater ial  an d   tr y   to   f in d   t h e  p atter n   f r o m   it.   R esear ch er s   h av e  u s ed   s ev er al   d ee p   lear n in g   al g o r ith m s   lik e   co n v o l u tio n   n eu r al   n etwo r k   ( C NN) ,   L eNe t5 ,   an d   cu s to m ized   C NN  th at  ca n   b e  u s ef u l  in   p r ed ictin g   th e  s y m p to m s   o f   lear n in g   d is ab ilit ies  an d   p r o d u ce   au to m ated   an d   tr ain e d   m o d els th at  s ig n if ican tly   m in im ize  th e   n ee d   o f   h u m an   in ter v en tio n   [ 5 ] – [ 9 ] .   C NNs  ar e  b u ilt  f r o m   a  m u lti - lay er ed   f ee d - f o r war d   n eu r al   n etwo r k ,   wh ich   co n s is ts   o f   s tack in g   s ev er al  h id d en   lay e r s   in   a  s p e cif ic  o r d er .   W ith   its   s eq u en tial  ar ch itectu r e,   C NN  is   ab le  to   ac q u ir e  k n o wled g e   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J Ar tif   I n tell     I SS N:   2252 - 8 9 3 8       N o ve l c o n vo lu tio n   n eu r a l n et w o r k  mo d el  fo r   d ysg r a p h ia - a ff ec ted   h a n d w r itin g   cla s s ifica ti o n   ( N is h a   V a n j a r i )   1419   ab o u t  h ier ar ch ical   ch ar ac te r is tics .   C NN  m o d els  ar e   b ased   o n   m ath em atica l   o p e r atio n s   o n   ev er y   lay er   an d   th e   m o d el  p e r f o r m an ce   ca n   b e  i m p r o v e d   b y   tu n i n g   th e   p ar a m eter s .   Fo r   d ev el o p in g   th e  c u s to m   m o d el,   s o m e   r esear ch er s   p r o p o s ed   a r ch itec tu r al  ch an g es  to   im p r o v e  t h e  p er f o r m an ce   o f   m o d el.   W ith   th is   ex p er ien ce ,   i n   o r d er   t o   class if y   d y s g r a p h ia  s y m p to m s   u s in g   h an d wr itten   alp h ab et  im a g es,  th is   s tu d y   will  co m p ar e  b asic   C NN  m o d els  with   o u r   p r o p o s ed   m o d el   th at  c o m p r is es  h y p er   p ar am eter   tu n in g   a n d   a r c h itectu r al  ch a n g es.  Ad d itio n ally ,   th e  ac cu r ac y   an d   lo s s   an aly s is   o f   th e  C N N  n etwo r k   will  b e  u s ed   to   v alid a te  th e  co m p ar is o n s .   T h is   p ap er   p r o p o s es,  d esig n   a n d   d ev el o p   a  n o v el  n ested   co n v o lu tio n   C NN  m o d el  n am e d   Nested _ C o n v _ C NN  f o r   d y s g r a p h ia  s y m p to m s   clas s if icatio n   an d   ev alu ate   its   p er f o r m an ce   o n   Dy s Data   h a n d wr i tin g   d ataset  ( b ased   o n   NI ST   s p ec ial  d ata b ase1 9   a n d   a v ailab le  at   Kag g le)   [ 5 ] – [ 1 0 ] .   I n v esti g atio n   was  c o n d u c ted   to   co m p ar e  t h e   n o v el  m o d el  with   th e  b asic CNN m o d el.     T h e  r est  o f   th is   p ap er   is   o r g a n ized   as  f o llo ws.  Sectio n   2   p r esen ts   th e  r elate d   wo r k ,   wh i ch   r ev iews  r ec en t  s tu d ies.  Sectio n s   3   an d   4   d escr ib e  th e  d ataset  an d   th e  p r o p o s ed   m eth o d s .   Sectio n   5   p r esen ts   th e  r esu lts   an d   an aly s is .   Sectio n   6   p r o v id es th e  ab latio n   s tu d y .   Fin ally ,   s ec tio n   7   co n clu d es th e  p a p er .       2.   RE L AT E D  WO RK   A  g o v er n m e n t  s tu d y   n ews  r elea s e  f r o m   2 0 1 5   s tates  th at  7 0 – 8 0 %  o f   ch ild r en   with   lear n in g   im p air m en ts   h av e  r ea d in g   d if f icu lties .   T h e  m o s t  p r ev al en t  ty p e   o f   L D  ar e   d y s lex i a  an d   d y s g r a p h ia.   W o r ld wid e,   th e  esti m ated   af f ec ted   p o p u latio n   r a n g es  f r o m   5 – 2 0 %.  I n   I n d ia,   1 5 %  o f   th e  p o p u latio n   is   esti m ated   to   b e  s u f f er in g   f r o m   LD .   R esear ch er s   h av e   u s ed   s e v er al  d ee p   lear n i n g   alg o r ith m s   th at  ca n   b e  u s ef u l  in   p r ed ictin g   th e  s y m p to m s   o f   lear n in g   d is ab ilit ies  lik e  d y s l ex ia  an d   d y s g r ap h ia.   T h e  m ai n   o b jectiv e  o f   d ee p   lear n in g   is   to   p r o d u ce   au to m ated   an d   tr ai n ed   m o d els  t h at  s ig n if ican tly   m in im ize   t h e  n ee d   f o r   h u m an   in ter ac tio n .   Sp o o n   et   al .   [ 4 ]   a ttem p ted   o p tical  ch ar ac ter   r ec o g n itio n   ( OC R )   to o ls   lik e  T ess er ac t  ( Go o g le)   to   tr an s cr ib e  th e  wr itin g   in   t h e  p h o to g r ap h s   b e f o r e  tu r n in g   to   m ac h in e  lear n in g   to   d etec t   d y s lex ia  b ased   o n   s p ellin g   er r o r s   an d   o th er   te x tu al  ch ar ac ter is tics   an d   also   cr ea ted   L eNe t - 5   to   class if y   d y s lex ia  h an d wr itin g .   T h e  1 3 8 , 5 0 0   im ag es  in   th e  d ataset  wer e  p r e - p r o ce s s ed   an d   en h an ce d   with   d ata  b ef o r e   b ein g   f ed   in t o   th e  n etwo r k .   I s a  et   al .   [ 8 ]   c o m p ar ed   v a r io u s   C NN  m o d els  an d   e x p er im en ted   C NN1 ,   C NN2 ,   C NN3 ,   an d   L eNe t - 5  an d   g o t  8 7 %  ac cu r ac y   in   C N N1   m o d el  to   d etec t  th e  LD   s y m p to m .   R ec en t  s tu d ies  o n   d y s g r ap h ia  in cr ea s in g ly   s u p p o r t th e  u s e  o f   C NN - b ased   p ip elin es a n d   f ea tu r e/cla s s if ier   f u s io n   [ 1 1 ] – [ 1 6 ] ; h o wev e r ,   th ey   f r eq u en tly   lack   co m p r eh e n s iv e  ab latio n s   an d   clea r   ju s tific atio n s   f o r   a r ch i tectu r al  an d   tr ain in g   d ec is io n s .   R ec en t  s tu d ies  co m p ar in g   ar ch itectu r es a n d   r elea s in g   p ed iatr ic   d atasets   h ig h lig h t th at  ac cu r ac y   d ep e n d s   o n   m u lti - s ca le  s tr o k e   m o d ellin g   a n d   ef f ec tiv e  tr ain i n g   co n f ig u r atio n s ,   r ath er   th an   s o lely   o n   d ee p er   b ac k b o n es.   T ab le  1   will  g iv e  s u m m ar y   o f   r elev an t  p ap e r s   th at  u s ed   C NN  tech n iq u e  to   class if y   th e  h a n d wr itin g   to   ac h iev e  d y s g r ap h ia  h an d w r itin g   class if icatio n .   Ma in ly   h an d wr itin g   class if icatio n   is   p er f o r m ed   o n   d ata   co llected   in   th e  f o r m   o f   o n li n e  h an d wr itin g   ( d ata  co llected   u s in g   d ig ital  tab let  with   d ig it al  p en   o r   s ty lu s )   o r   o f f lin e  h an d wr itin g   ( s ca n n e d   i m ag es).   I n   th e  T ab le  1 ,   f o cu s   is   o n ly   th o s e  p ap er s   w h ich   u s ed   h an d wr itten   d ata   in   o f f lin e  m o d e  o r   tak e n   v ia  tab let  an d   d ig ital  p en .   R esear ch er   u s ed   Dy s Data   d ataset  h as  7 8 , 2 7 5   s am p les  f o r   th e  n o r m al  class ,   5 2 , 1 9 6   s am p les  f o r   th e  r ev er s al,   an d   8 , 0 2 9   s am p les  f o r   th e  co r r ec ted   class .   I n   o r d er   to   d is tin g u is h   p eo p le  with   m ild   co g n itiv e  im p air m e n t  ( MCI)   f r o m   h ea lth y   co n tr o ls ,   Kaw a  et  a l.   [ 1 0 ]   f o cu s ed   o n   s p atial  an d   d y n am ic   h an d wr i tin g   an aly s is .   I t   em p h asizes  h o w  well - r eliab le  h an d w r itin g   m ea s u r es  a r e  as   m ar k er s   o f   c o g n itiv e   im p air m en t.  R ib eir o   et  a l.   [ 1 7 ]   p u b lis h ed   a   s tu d y   th at  p r esen ted   th e   " b ag   o f   s am p lin g s "  m eth o d ,   wh ic h   u s es r ec u r r e n t n eu r al  n etwo r k s   to   h elp   d ia g n o s e  Par k in s o n ' s   d is ea s e  b y   an a ly zin g   h an d wr itin g .   T h e  tech n i q u e  ca p tu r ed   m in u t e  m o to r   ab n o r m alities ,   h ig h lig h tin g   th e   p r o m is e  o f   c u ttin g - e d g e  n e u r al  n etwo r k   tech n iq u es f o r   m ed ical  d ia g n o s is .   Z an u y   et   a l.   [ 1 8 ]   g r o u p   u s es  o f   b io m etr ics  o f   h an d wr itin g   f o r   h ea lth   m o n ito r in g   ar e  c o v er ed   in   t h is   s tu d y ,   alo n g   with   p o ten tial  f u t u r e  d ev elo p m en ts .   I t   h ig h lig h t s   th e  g r o win g   ap p licatio n   o f   h an d wr itin g   an aly s is   o u ts id e  o f   m ed ical  d iag n o s is .   Usi n g   q u an titativ e  elec tr o en ce p h alo g r ap h y   ( q E E G)   d ata   an d   h an d wr itin g   d y n am ics,  C h ai  et  a l.   [ 1 9 ]   d e s cr ib e  a  n o v el  m eth o d   f o r   id e n tify in g   MCI.   C o m b in i n g   v a r io u s   p h y s io lo g ical   d ata  ty p es  a p p ea r s   to   h av e   a d v an tag es,  as  t h is   m u ltimo d a l  ap p r o ac h   g r ea tly   im p r o v es  d etec tio n   ac cu r ac y .   Acc o r d in g   to   Dev i  a n d   Kav y a   [ 2 0 ] ,   d y s g r a p h ia   d is o r d er   ca n   b e   p r ed icted   an d   class if ied   u s in g   an   in tellig en t   d ee p   lear n in g   ap p r o ac h .   Dee p   lear n in g   a p p r o ac h es  h av e  b ee n   s h o wn   to   b e  e f f ec tiv e  in   m an ag in g   lear n in g   p r o b lem s ,   an d   th e  m eth o d   h a s   s h o wn   p o ten tial  in   e ar ly   i d e n tific atio n   an d   in ter v en tio n .   Ku n h o th   et  a l.   [ 2 1 ]   wo r k ed   to   d ia g n o s e  d y s g r a p h ia  in   ch ild r en   b y   u tili zin g   a  n o v el  m o d if ie d   im ag e  d ataset  in   co n ju n ctio n   with   C NN  f ea tu r e  ex tr ac tio n   an d   class if ier   f u s io n .   T h e  p o ten tial  o f   AI - d r iv en   d ia g n o s tic  to o ls   to   in cr ea s e  th e  ac cu r ac y   o f   d e v elo p m e n tal  p r o b lem   d iag n o s is   is   h ig h lig h ted   b y   th is   m eth o d   [ 2 1 ] ,   [ 2 2 ] .    H a n d wr i t i n g   h a s   l o n g   b e e n   s t u d i ed   t o   d e t e c t   co n d i t i o n s   s u c h   a s   M C I ,   P a r k in s o n ’ s   d i s e a s e ,   a n d   d y s g r a p h i a ,   w i th   e a r ly   a p p r o a ch e s   r e ly i n g   o n   h a n d cr a f t e d   o r   s h a l lo w   f e a tu r e s   t h a t   o f te n - l i m i t ed   g e n er a l i z a t io n   a n d   l a c k e d   c li n i c a l   v a l i d a t io n .   M o r e   r ec en t   C N N - b a s ed   m o d e l s   d em o n s t r a te d   s t r o n g e r   p e r f o r m a n c e ,   b u t   m an y   s t i l l   r e l i e d   o n   a d u l t   d a ta   r a th e r   th an   p ed i a t r i c   s am p l e s ,   r e d u c i n g   d a t a s e t   d iv e r s i t y ,   a n d   th ey   w e r e   r ar e l y   t e s t e d   i n   r e al   s c r e en i n g   co n t ex t s .   T o   a d d r e s s   th e s e   l i m i ta t i o n s ,   r e s e a r ch e r s   b e g a n   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 9 3 8   I n t J Ar tif   I n tell ,   Vo l.  15 ,   No .   2 ,  Ap r il   20 26 :  1 4 1 8 - 1 4 2 7   1420   e x p lo r in g   e n s e m b l e  a n d   m u l t i m o d a l  a p p r o a c h e s .   F o r   i n s t a n c e ,   o n e   s t u d y   co m b i n ed   b o th   o n l in e   h a n d w r i t in g   s i g n al s   a n d   o f f l in e   im a g e s   t h r o u g h   co n d i t i o n al   f e a tu r e  f u s i o n ,   a c h i ev i n g   8 8 . 8 %   a cc u r a c y   [ 2 3 ] ,   w h i l e   an o th e r   u s ed   C N N - b a s e d   f e a t u r e   a n d   c l a s s i f ie r   f u s io n   to   p u s h   p e r f o r m an c e   a s   h i g h   a s   9 7 . 3 %   [ 2 4 ] .    A   r e c en t   r e v i e w   f u r t h er   h i g h li g h t ed   t h e   v a l u e  o f   m u l t i m o d a l   i n t eg r a t io n   f o r   d e v e lo p in g   m o r e  g en e r a l i z ab l e   s y s t e m s ,   th o u g h   e x p l i c i t  e th i c a l  c o n c er n s   s u ch   a s   p r iv a c y   an d   in f o r m ed   c o n s e n t  r em a i n e d   l a r g e ly   u n ad d r e s s e d .   B u i ld i n g   o n   th is   t r en d ,   r e s e a r ch er s   h a v e  in c r e a s i n g ly   tu r n e d   to   t r an s f o r m er - b a s ed   m o d e l s   f o r   d y s g r a p h i a   d e t e c t io n .   A   v i s i o n   t r an s f o r m er   ( V i T )   o u t p er f o r m e d   tr ad i t i o n a l   C N N s   s u c h   a s   v i s u a l   g eo m e t r y   g r o u p   ( V G G 1 6 ) ,   R e s N e t 5 0 ,   an d   I n c ep t i o n V 3 ,   r e a ch i n g   a   m a c r o   F 1 - s c o r e   o f   0 . 9 2   in   e ar l y   d y s g r a p h i a   t a s k s .   T h e s e   s t u d i e s   c l e ar l y   d e m o n s t r a t e   t h e  p o w e r   o f   d e ep e r   an d   m o r e   c o m p l ex   ar c h i te c t u r e s ,   b u t   t h e y   a l s o   h i g h l i g h t   r ec u r r i n g   ch a l l en g e s :   t r a n s f o r m e r s   ty p i ca l l y   r e q u ir e   l ar g e  a n n o t a te d   d a t as e t s ,   w h i c h   r a i s e s   q u e s t i o n s   o f   d a t a s e t   d i v er s i t y   a n d   r ep r e s en t a t i v en e s s ,   a s   wel l   a s   e t h i ca l   co n c er n s   a r o u n d   d a t a   co l l e c t io n   a n d   r e s o u r c e   a c c e s s i b i l i ty .       T ab le  1 .   R ev iew  o n   m o d ality   u s ed   with   u s ed   class if ier   an d   r esear ch   o p p o r tu n ities   R e f e r e n c e   M o d a l i t y   D a t a s e t   C l a s si f i e r   G r o u p   A c c u r a c y   ( %)   R e se a r c h   o p p o r t u n i t i e s   [ 6 ]   O f f l i n e   N I S T+ sp e c i a l   d a t a se t 1 9   C N N   C h i l d r e n   84   N o   f e a t u r e   f u si o n ,   m i n i ma l   a b l a t i o n s   [ 7 ]   O f f l i n e   N I S T+ sp e c i a l   d a t a se t 1 9   C N N   C h i l d r e n   87   S h a l l o w   f e a t u r e s,  l i mi t e d   g e n e r a l i z a t i o n   [ 8 ]   O f f l i n e   P r i v a t e   C N N   C h i l d r e n   > 8 0   A d u l t   d a t a ,   n o t   p e d i a t r i c   [ 9 ]   O f f l i n e   N I S T+ sp e c i a l   d a t a se t 1 9   C N N   C h i l d r e n   87   A d u l t   d a t a ,   n o t   p e d i a t r i c   [ 1 1 ]   O n l i n e   P r i v a t e   S V M   A d u l t   9 6 . 3   C a l l s f o r   r i c h e r ,   c l i n i c a l   d a t a se t s   [ 1 2 ]   O n l i n e   P r i v a t e   U sed   w e b   a p p   A d u l t   -   N o n - p e d i a t r i c ,   n o   g l y p h   f o c u s   [ 1 3 ]   O n l i n e   P r i v a t e   R C N N   El d e r   -   D a t a s e t   t r a n sp a r e n c y   i ssu e s   [ 1 4 ]   O f f l i n e   P r i v a t e   A p p   A d u l t   -   H i g h   a c c u r a c y ,   l i t t l e   a b l a t i o n   [ 1 5 ]   O f f l i n e   P r i v a t e   K - D C T - D T L   6   t o   1 2   > 8 0   S u p p o r t s s t r o k e - t e x t u r e   a n a l o g y   [ 1 6 ]   O f f l i n e   P r i v a t e   C N N   6   t o   1 2   > 8 4   En t r o p y   f e a t u r e   i d e a   t r a n sf e r a b l e   [ 2 0 ]   O f f l i n e   i m a g e s   D y sg r a p h i a   d a t a se t   V i T   Tr a n sf o r mer   F1   = 0 . 9 2   H i g h   c o m p u t e ,   n e e d s   l a r g e   d a t a   [ 2 1 ]   O n l i n e + o f f l i n e   H a n d w r i t i n g   si g n a l s   C N N + R N N   ( f u si o n )   M u l t i m o d a l   8 8 . 8 0   Li mi t e d   g e n e r a l i z a t i o n   [ 2 5 ]   O f f l i n e   P r i v a t e   S V M ,   R F   6   t o   1 2   ~ 9 0   C a n   a p p l y   m u l t i mo d a l   f o r   sev e r i t y   l e v e l s       I n   co n tr ast,  o u r   p r o p o s ed   Nested _ C o n v _ C NN  m o d el  is   d esig n ed   with   p r ac ticality   in   m in d .   B y   s tack in g   s m all  k er n els  ac r o s s   co n v o lu tio n al  b lo ck s ,   th e  m o d el  is   ab le  to   ca p tu r e  s u b tle  h an d wr itin g   d etails  s u ch   as  s tr o k e  th ick n ess ,   s lan t,  an d   r ev er s als  wh ile  d r asti ca lly   cu ttin g   d o wn   o n   tr ain a b le  p ar am eter s   an d   co m p u tatio n .   T h is   lig h tweig h t  d esig n   en ab les  ac cu r ac y   lev els  co m p ar ab le  to   lar g er   m o d els ,   b u t  in   a  f o r m   th at   is   b o th   ef f icien t  an d   ac ce s s ib le,   d ir ec tly   a d d r ess in g   r ea l - wo r ld   c h allen g es  s u ch   as  lim ited   p ed iatr ic   d ataset   av ailab ilit y ,   m o d est  h ar d war e   in   ed u ca tio n al  en v ir o n m en ts ,   an d   th e  n ee d   f o r   clin ically   p r ac tical  s o lu tio n s .   Sh o wca s in g   th e  b r o ad   ap p licab ilit y   o f   d ee p   lear n in g   in   b o th   o cc u p atio n al  s af ety   an d   ed u ca tio n al  h ea lth   co n tex ts ,   o u r   m o d el   o f f e r s   a  s tr o n g   b alan ce   b etwe en   a cc u r ac y ,   s p ee d ,   an d   p r ac tica lity   f o r   lar g e - s ca le  d y s g r ap h ia  d etec tio n .       3.   DATAS E T   Fo r   r esear ch   p u r p o s e,   E n g li s h   h an d wr itten   d ataset  is   c o n s id er ed .   T h e  d ataset  u s ed   f o r   th e   ex p er im en tatio n   was  co llected   b y   I s a  et  a l.   [ 8 ] ,   th is   d ataset  h as  to tal  1 3 8 , 5 0 0   im ag es  ( 7 8 , 2 7 5   im a g es  f o r   th e   n o r m al  class ,   5 2 , 1 9 6   f o r   th e  r ev er s al,   an d   8 , 0 2 9   f o r   t h e  co r r ec ted   class ) .   Fo llo win g   im ag es  will  g iv e  m o r e   d etails  ab o u t  it.  I n   Fig u r es  1   to   3 ,   d ataset  co n tain s   b lack   an d   wh ite  alp h ab ets  im ag es.  No r m al  h an d wr itten   ch ar ac ter   m ea n s   n o   s y m p to m   o f   d y s g r ap h ia  b u t  co r r ec ted   h an d wr itten   ch ar ac ter   m ea n s   it’ s   a  b eg in n in g   s tag e  o f   d y s g r a p h ia  as  s tr o k es  ar e  n o t  f ir m   an d   tr y i n g   to   r ewr ite  o r   s o m e  tim e  h eig h t  an d   wid t h   is   n o t  ap p r o p r iate   lik e  n o r m al  h a n d wr itten   ch a r ac ter s .   R ev er s al/d y s g r ap h ic  h an d wr itten   ch ar ac ter   m ea n s   s tr o n g   s y m p to m   o f   d y s g r ap h ia   as  ch ild   u s ed   to   wr ite  m ir r o r   im ag e   ch ar ac te r s   an d   s tr o k e   p atter n   is   alwa y s   d if f er e n t  f o r   s am e   ch ar ac ter .   W e  h av e   ap p lied   au g m en tatio n   to   tr y   to   b alan ce   th e  d ataset  an d   also   p r ep r o ce s s ed   to   o b tain   n o is eless   clea n   im ag es.  Fo r   p r o ce s s in g   th e  im ag e  f r o m   d at aset,  th e  s ize  o f   im ag e  i s   m ad e  2 9 ×2 9   p ix els  an d   in p u t to   th e   p r o p o s ed   m o d el.   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J Ar tif   I n tell     I SS N:   2252 - 8 9 3 8       N o ve l c o n vo lu tio n   n eu r a l n et w o r k  mo d el  fo r   d ysg r a p h ia - a ff ec ted   h a n d w r itin g   cla s s ifica ti o n   ( N is h a   V a n j a r i )   1421       Fig u r e  1 .   No r m al  h an d wr itten   ch ar ac ter s   im ag e           Fig u r e  2 .   C o r r ec te d   h a n d wr itten   ch ar ac ter s   im ag e           Fig u r e  3 .   R ev er s al/d y s g r a p h ic  h an d wr itten   ch a r ac ter s   im ag e       T o   h a n d le  t h e  im b alan ce   i n   o u r   h a n d wr itin g   d ataset,   we   u p s am p led   th e   m in o r ity   class es  an d   a p p lie d   d ata  au g m e n tatio n   to   in c r ea s e  d iv er s ity   an d   v ar iab ilit y .   Sp e cif ically ,   im ag es  wer e  au g m e n ted   with   r o tatio n s   u p   to   2 0 °,  h o r izo n tal  an d   v er ti ca l  s h if ts   u p   to   2 0 %,  s h ea r in g   u p   to   2 0 %,  an d   zo o m in g   u p   to   2 0 %.  T h ese  s tep s   en s u r ed   th at   all  class es  h ad   s u f f icien t  r ep r esen tatio n   a n d   h el p ed   th e   m o d el  lear n   m o r e  r o b u s t  an d   g en er alize d   f ea tu r es,  im p r o v in g   o v er all  cla s s if icatio n   p er f o r m a n ce   an d   to   m ak e  o u r   m o d el  m o r e  r o b u s t  an d   g e n er aliza b le.       4.   M E T H O D   I n   p r o p o s ed   m o d el  o f   Fig u r e  4   s h o ws  r esear ch   m ajo r l y   f o c u s ed   o n   co n v o l u tio n ;  as  co n v o lu tio n   h as   k er n el/f ilter ,   s tr id e  to   s lid e  k er n el  o n   im ag e  an d   ap p ly in g   ele m en twis e  m u ltip licatio n   an d   th en   s u m m atio n .   B y   u s in g   co n v o lu tio n   b ac k - to - b a ck ,   m o d el  will  lear n   m o r e   co m p lex   h ie r ar ch ical  f ea t u r es.  T h e  p r o p o s ed   m o d el   h as  4   co n v o lu ti o n   lay er s ,   2   m ax   p o o lin g   lay er s ,   f latten   lay e r   f o llo wed   with   f u lly   co n n ec t ed   o r   d en s e  lay er .   Ma x   p o o lin g   will  b e  u s ed   f o r   d im en s io n ality   r e d u ctio n   a n d   it  ex tr ac ts   m ax im u m   v alu es  f r o m   p atch   o f   ea c h   f ea tu r e  m a p   a n d   elim in ates  u n wan ted   v alu es  to   r ed u c e  th e   co m p u tatio n al  s tr ess   o f   m o d el  an d   also   av o id s   o v er f itti n g   p r o b lem .   I n   th e  m o d el,   So f tMa x   ac tiv atio n   f u n ctio n   is   u s ed   o n   o u tp u t  lay er   an d   r ec tifie d   lin ea r   u n it  ( R eL U )   o n   in ter n al  lay er   as  R eL U  f o cu s es  o n   0   to   m ax   v alu e  an d   it  h elp s   u s   to   f o cu s e d   r elev an t  d ata  an d   s en d   it to   n ex t la y e r   f o r   p r o ce s s in g .           Fig u r e  4 .   Pro p o s ed   Nested _ C o n v _ C NN  m o d el       Af ter   f latten   lay er ,   d e n s e  la y er   is   ad d e d   with   R eL U  ac t iv atio n   f u n ctio n   an d   o u tp u t  lay er   with   So f tMa x   ac tiv atio n   f u n ctio n .   R eL U  is   n o t  d ee p ly   af f ec ted   b y   th e  v a n is h in g   g r a d ien t  is s u e,   an d   p er m its   g r ad ien ts   to   s tay   b ig ,   en s u r in g   ef f icien t b ac k p r o p ag ati o n   an d   q u ick er   co n v er g en ce .   So f tMa x   is   ap p r o p r iate  f o r   m u lti - class   class if icatio n   jo b s   s in ce   it  tr an s f o r m s   a  n e u r al  n etwo r k ' s   r aw  o u tp u t  s co r es  in t o   p r o b ab ilit ies  th at   ad d   u p   to   1 .   C NN  m o d el  u s es  So f tMa x   ac tiv atio n   f u n ctio n   i n   class if icatio n   lay er   an d   s p ar s e  ca teg o r ical  cr o s s - en tr o p y   ( SC E )   as th e  lo s s   f u n c tio n .   So f tMa x   f u n ctio n   is   u s in g   ( 1 ) .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 9 3 8   I n t J Ar tif   I n tell ,   Vo l.  15 ,   No .   2 ,  Ap r il   20 26 :  1 4 1 8 - 1 4 2 7   1422     =  ∑  3 = 1   ( 1 )     zj  is   th e  o u tp u t  f r o m   d en s e  la y er ,   Yj  is   class   j  p r ed icted   p r o b ab ilit y ,   an d   th e  d en o m i n ato r   is   th e  ad d itio n   o f   p r o b a b ilit ies o f   all  3   class es is   1 .   T h e  o b jectiv e  f u n ctio n   o r   lo s s   f u n ctio n   is   u s in g   ( 2 ) .     =   ∑ l og  = 1     ( 2 )     S  is   n u m b er   o f   t r ain in g   s am p l es,  ci  is   th e  in d ex   o f   c o r r ec t  p r ed icted   class ,   an d      is   th e  So f tMa x   ca lcu lated   p r o b a b ilit y   o f   c o r r ec t c lass .   B y   s u b s titu tin g   ( 1 )   an d   (2 ) ,   th e  f in al  o b jectiv e  f u n ctio n   is   o b tain ed   as   ( 3 ) .     = ∑ l og (  ∑  3 = 1 ) = 1   ( 3 )     I t  is   th e  f in al  eq u atio n   o f   p r o p o s ed   Nested _ C o n v   C NN  ar ch itectu r e.   T h is   lo s s   f u n ctio n   v alu e  is   m in im ized   d u r in g   tr ain in g   to   r ec o v er   class if icatio n   ac cu r ac y .   O u r   a i m   i s   t o   m i n i m i z e   t h e   l o s s   a s   i t   w i l l   b o o s t   t o   c l a s s i f y   t h e   c o r r e c t  c l as s .   T a b l e   2   wi l l  s h o w   t h e   u s e d   l a y e r s   wi t h   f u n c t i o n al i ti e s   a n d   T ab l e   3   s h o ws   h y p e r   p a r a m e t e r s   u s e d .   I n   o r d er   to   id en tify   ch ar ac ter is tics   lik e  ed g es,  tex tu r es,  an d   o t h er   s p atial  p atter n s ,   2 D   co n v o l u tio n   ap p lies   a  co llectio n   o f   k er n els to   th e  in p u t im ag e .   T h e  co n v o lu tio n   o p er atio n ' s   o u tp u t is su b jecte d   to   th e  R eL U  f u n ctio n .   R eL U  ad d s   n o n - lin ea r ity   to   th e  m o d el  an d   aid s   in   its   lear n in g   o f   in tr icate   p atter n s   b y   s ettin g   all  n eg ativ e  v alu es  in   t h e  o u t p u t  f ea t u r e  m a p   to   ze r o .   T h e  lay e r   wo u l d   ef f ec tiv ely   f u n ctio n   as  a   lin ea r   f ilter   in   th e  ab s en ce   o f   th is   ac tiv atio n .   T h e  m o d el  ca n   lear n   m o r e  co m p licated   p att er n s   th an   a  s in g le  co n v o l u tio n   lay er   co u ld ,   b y   u s in g   two   co n v o lu ti o n al  lay er s   b ac k - to - b ac k .   So ,   o u r   m o d el  will  lear n   au to m atica lly   th e  ef f ec tiv e  f e atu r es  an d   it  d esig n s   th e  s tr u c tu r e  o f   it  as  it  g ain s   in f o r m ati o n   f r o m   im a g e  an d   class if y   with   th e  p r o b a b ilit y   d i s tr ib u tio n .       T ab le  2 .   Pro p o s ed   Nested _ C o n v _ C NN  m o d el  lay er s   with   f u n ctio n alities   S r   N o   B l o c k   La y e r s   B e n e f i t s   1   B l o c k   1 – 2 - c o n v o l u t i o n   f u n c t i o n s  f o l l o w e d   b y   m a x   p o o l i n g   C o n v 2 D   ( 3 2   f i l t e r s ,   3 × 3 ,   R e LU )   C o n v 2 D   ( 3 2   f i l t e r s ,   3 × 3 ,   R e LU )   M a x P o o l i n g 2 D   ( 2 × 2 )   Ex t r a c t   l o w - l e v e l   h a n d w r i t i n g   f e a t u r e s  a n d   r e f i n e   a n d   r e d u c e   f e a t u r e   m a p s   2   B l o c k   2 – 1 - c o n v o l u t i o n   f u n c t i o n   f o l l o w e d   b y   m a x   p o o l i n g   C o n v 2 D   ( 6 4   f i l t e r s ,   3 × 3 ,   R e LU )   M a x P o o l i n g 2 D   ( 2 × 2 )   C a p t u r e   h i g h - l e v e l   h a n d w r i t i n g   p a t t e r n s  a n d   r e f i n e   a n d   r e d u c e   f e a t u r e   m a p s   3   B l o c k   3 – 1 - c o n v o l u t i o n   C o n v 2 D   ( 6 4   f i l t e r s ,   3 × 3 ,   R e LU )   C a p t u r e   h i g h - l e v e l   h a n d w r i t i n g   p a t t e r n s   4   F l a t t e n i n g   F l a t t e n ( )   C o n v e r t   f e a t u r e   ma p s  i n t o   a   1 D   v e c t o r   5   F u l l y   c o n n e c t e d   l a y e r s   D e n se   ( 6 4   n e u r o n s,   R e LU )   Le a r n   h i g h - l e v e l   h a n d w r i t i n g   f e a t u r e s   6   O u t p u t   l a y e r   D e n se   ( 3   n e u r o n s ,   s o f t m a x )   F o r   m u l t i - c l a ss  c l a ssi f i c a t i o n       T ab le  3 .   Hy p er   p a r am eter   u s e d   in   Nested _ C o n v   C NN   P a r a me t e r   V a l u e   O p t i mi z e r   A d a m   Le a r n i n g   r a t e   0 . 0 0 1   ( d e f a u l t )   Lo ss f u n c t i o n   S C E   M e t r i c s   A c c u r a c y   N u mb e r   o f   c l a sse s   3   I n p u t   si z e   2 9 × 2 9 × 1       4 . 1 .     E x perim ent a l e nv ir o nm ent   F o r   ex p e r i m e n t a t io n   p u r p o s e,   w e   h av e   u s e d   I n t e l   ( R ) ,   C o r e   ( T M )   i 5   P r o c e s s o r ,   8 . 0 0   G B   R A M ,     64 - b i t  o p e r a t in g   s y s t e m ,   × 6 4 - b a s e d   p r o c e s s o r ,   no   p en   o r   t o u c h   i n p u t  i s   av a i l ab l e ;  r a th e r   in p u t  i s   ta k en   f r o m   i m a g e s   o f   h a n d w r i t t en   te x t  o n   p a p er .   T h e   im a g e s   a r e   p r ep r o c e s s e d   to   s ep a r a t e  o u t  c h a r a c t e r s   o n   t h e   l in e s .   A   r e g i o n   o f   i n t er e s t   ( R O I )   i s   a p p l i ed   t o   ca p tu r e   p o r t i o n   o f   a n   i m ag e   w h i ch   c o n t a in s   a l p h a b e t   th a t   w e   w an t  t o   f i l t e r   an d   s a v e  i t  a s   an   i m ag e   in   d a t a s e t.   So ,   w e   h av e   r ep r e s e n t e d   an   R O I   a s   a   b i n ar y   m a s k   im a g e   f o r   th e  e x p er i m en t a t i o n   we   r u n   th e  c o d e   o n   G o o g l e  C o l ab   w it h   P y th o n   an d   T en s o r F l o w   ( i n c lu d in g   K e r a s ) ,   N u m P y ,   M a tp l o t l ib   ( f o r   v i s u a l i z a t i o n ) ,   O p en C V   ( f o r   i m ag e   p r o c e s s i n g ) ,   s c ik i t - l ea r n   ( f o r   p r e p r o ce s s i n g ) ,   a n d   P an d a s   ( f o r   d a ta s e t s ) .       5.   RE SU L T S AN D  D I SCU SS I O N   T o   ex tr ac t  in f o r m atio n   a n d   ca teg o r ize  h an d wr itten   ch ar a cter s ,   a  s im p le  C NN  f o r   h an d wr itin g   class if icatio n   co n s is ts   o f   co n v o lu tio n al  lay er s   f o llo wed   b y   d en s e  lay er s .   W h ile  th e  m ax - p o o lin g   lay e r s   lo wer   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J Ar tif   I n tell     I SS N:   2252 - 8 9 3 8       N o ve l c o n vo lu tio n   n eu r a l n et w o r k  mo d el  fo r   d ysg r a p h ia - a ff ec ted   h a n d w r itin g   cla s s ifica ti o n   ( N is h a   V a n j a r i )   1423   d im en s io n ality   an d   p r eser v e  s ig n if ican t  f ea tu r es,  th e  ea r lies t  co n v o l u tio n al  lay er s   ca p tu r e  c r u cial  p atter n s   lik e   ed g es  an d   c u r v es.   Fo llo win g   f ea tu r e   ex tr ac tio n ,   th e   f ea tu r es  ar e  r u n   th r o u g h   d en s e  la y er s   th at   ar e  f u lly   co n n ec ted .   T h is   aid s   i n   th e   cr ea tio n   o f   f in al   p r e d ictio n s   u s i n g   lear n t  r e p r esen tatio n s .   Fo r   s im p le  h an d wr itin g   r ec o g n itio n   ap p licatio n s ,   th is   a r ch itectu r e  wo r k s   well  an d   is   co m p u tatio n ally   ef f icien t.     5 . 1 .     Scena rio   1 :   ba s ic  co nv o l utio n neura l net wo rk   m o del  perf o rm a nce  a na ly s is   I n   th is   s ce n ar io ,   we  h a v e  u s ed   b asic  C NN  m o d el  with   3   co n v o lu tio n ,   3   m ax   p o o lin g ,   1   d e n s e  lay er ,   an d   1   o u tp u t  lay er .   W e  tr ie d   to   e v alu ate  th e  p er f o r m an ce   o f   th is   m o d el  o n   h an d wr itin g   d ataset  f o r   its   class if icatio n .   T ab le  4   p r esen t s   th e  p er f o r m a n ce   a n aly s is   o f   b asic  C NN  m o d el  f o r   v ar y in g   n u m b er   o f   e p o ch s .   Ov er   ep o c h s ,   th e  s im p le  C NN  m o d el  co n s is ten tly   im p r o v es  its   tr ain in g   an d   v alid atio n   ac cu r ac y ,   d em o n s tr atin g   s u cc ess f u l  lear n in g .   T h e  m o d el  a p p ea r s   t o   g en er alize   well  ev en   in   i ts   ea r ly   s tag es,  as   ev id en ce d   b y   t h e  tr ain in g   ac cu r ac y   c o m m en cin g   at  8 2 . 1 3 %  an d   th e  v alid atio n   ac c u r ac y   b ein g   m ar g i n ally   h ig h er   at  8 8 . 2 7 %.  B o th   m ea s u r es  k ee p   r is in g   as  tr ain in g   g o es  o n ,   cu lm in atin g   at  9 5 . 9 %  f o r   v alid atio n   ac cu r ac y   an d   9 6 . 3 9 %  f o r   tr ai n in g   ac cu r ac y .   T h is   p atter n   s h o ws  th at  th e  alg o r ith m   is   lear n in g   h an d wr itin g   p atter n s   th at  ar e  r elev an t  an d   g ettin g   b etter   at  m ak i n g   p r ed ictio n s   o v e r   tim e.   L o s s es  f o r   tr ain in g   an d   v alid atio n   b o t h   s tead ily   d ec lin e;  tr ain in g   lo s s   f alls   f r o m   0 . 4 5 1 1   to   0 . 1 0 2 2 ,   w h ile  v alid atio n   lo s s   f alls   f r o m   0 . 3 1 0 4   to   0 . 1 1 7 5 .   As  th e  d is cr ep an cy   b etwe en   ac tu al  an d   an ticip ated   v alu es  d ec r ea s es,  th is   s h o ws  th at  th e   m o d el  is   g r o win g   m o r e  co n f i d en t  in   its   p r ed ictio n s .   B u t  th er e  is   a  s m all   o s cillatio n   ar o u n d   th e  f if th   ep o ch ,   wh en   v alid atio n   lo s s   m ar g in al ly   r is e  an d   v alid atio n   ac cu r ac y   f alls   f r o m   9 4 . 0 2 %  to   9 3 . 6 7 %.  T h is   im p lies   th at   th e  m o d el  m ay   b e  s tar tin g   t o   o v er f it  th e  tr ain in g   d ata  a  litt le  b it  o r   f ac in g   a  co m p lex   v a r iety   in   h an d wr itin g   s ty les.  Ho wev er ,   th e  m o d el  r e co v er s   its   p er f o r m an ce   a n d   ac h iev es h ig h   v alid atio n   ac c u r ac y   in   later   ep o ch s .       T ab le  4 .   B asic  co n v o l u tio n   n e u r al  n etwo r k   [ 9 ]   p er f o r m a n ce   an aly s is   Ep o c h s   M o d e l   Tr a i n i n g   a c c u r a c y   Tr a i n i n g   l o ss   V a l i d a t i o n   a c c u r a c y   V a l i d a t i o n   l o ss   1   ( 1   C o n v . + 1   M a x   p o o l + 1   C o n v . + 1   M a x   p o o l + 1   C o n v . + 1   M a x   P o o l + 1   f l a t t e n   l a y e r + 1   d e n s e   l a y e r + 1   o u t p u t   l a y e r )   0 . 8 2 1 3   0 . 4 5 1 1   0 . 8 8 2 7   0 . 3 1 0 4   2   0 . 9 0 2 6   0 . 2 6 5 9   0 . 9 1 8 1   0 . 2 2 7 9   3   0 . 9 2 3 2   0 . 2 1 3 1   0 . 9 3 0 5   0 . 1 9 0 6   4   0 . 9 3 3 9   0 . 1 8 2 9   0 . 9 4 0 2   0 . 1 6 9 7   5   0 . 9 4 1 1   0 . 1 6 1 8   0 . 9 3 6 7   0 . 1 7 2 3   6   0 . 9 4 8 3   0 . 1 4 4 2   0 . 9 4 9 8   0 . 1 4 0 5   7   0 . 9 5 2 8   0 . 1 3 1 5   0 . 9 5 0 6   0 . 1 3 9 5   8   0 . 9 5 6 6   0 . 1 2 1 5   0 . 9 5 1 7   0 . 1 3 5 5   9   0 . 9 6 0 5   0 . 1 1 0 9   0 . 9 5 9   0 . 1 1 6 4   10   0 . 9 6 3 9   0 . 1 0 2 2   0 . 9 5 8 9   0 . 1 1 7 5       I n ter n al  la y er s   u s e   R eL U  f u n ctio n   o n   ea ch   co n v o lu tio n   lay er   an d   So f tMa x   o n   last   lay er   f o r   class if icatio n .   R eL U  co n s id er ed   p o s itiv e  o r   ze r o   a n d   So f tMa x   u s ed   to   ca lcu late  p r o b ab ilit y   d is tr ib u tio n .   Fig u r e  5   s h o ws  th e   tr ain i n g   an d   v alid atio n   ac cu r ac y   a n d   lo s s   s tatis tics .   As  p er   o b s er v atio n s ,   C NN  m o d el  p er f o r m s   well  o n   t r ain in g   d a taset  with   9 6 . 3 9 %  ac c u r ac y   an d   1 0 %  lo s s .   I t  also   wo r k s   well  o n   v alid atio n   d ataset  with   9 5 . 8 9 %  ac cu r ac y   with   1 1 %  lo s s .   W e  h a v e  ap p lied   ea r ly   s to p   in   c o d e  a n d   it  o b s er v e  th at   th is   is   th e  b est  ac cu r ac y   o f   th is   m o d el.   W e  tr ied   t o   test   it  o n   r ea l - tim e  im ag es  an d   we   g o t   s ig n i f ican t  ch a n g e   as  it  u s ed   to   class if y   m o s t o f   s am p l es in   co r r ec ted   class   o n ly   an d   as p er   o u r   o b s er v atio n ,   it is   th e  s ig n   o f   o v er f itti n g   as d ata  is   n o t c lass if ied   p r o p er ly .           Fig u r e  5 .   Plo ts   o f   C NN  m o d el   tr ain in g   an d   v alid atio n   ac cu r a cy   an d   l o s s   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 9 3 8   I n t J Ar tif   I n tell ,   Vo l.  15 ,   No .   2 ,  Ap r il   20 26 :  1 4 1 8 - 1 4 2 7   1424   Alth o u g h   th e   b asic  C NN  ac h iev es  ex ce llen t  ac cu r ac y ,   it  h a s   d r awb ac k s ,   s u ch   as  th e  p o s s ib ilit y   o f   m o d est  o v er f itti n g   a n d   p o s s ib le  s en s itiv ity   to   ch an g es  in   h an d wr itin g   s ty les.  T h is   ca n   b e  f ix ed   b y   p r o p o s in g   a   cu s to m   C NN  with   an   ex tr a  f ir s t  co n v o lu tio n al  lay er .   T h e  n e two r k   wo u ld   b e  a b le  to   ca p t u r e  f in er   d etails  an d   in cr ea s e  class if icatio n   r o b u s tn ess   if   th is   ad d itio n al  lay er   i m p r o v e d   f ea tu r e  e x tr ac tio n   e ar lier .   T h e  p r o p o s ed   m o d el' s   ar ch itectu r e  ca n   b e  im p r o v e d   to   in cr ea s e  ac cu r ac y ,   r ed u ce   o v er f itti n g ,   an d   ef f icien tly   h an d le  a  g r ea ter   v ar iety   o f   h an d wr itin g   s ty les.     5 . 2 .     Scena rio   2 :   Nest ed_ Co nv _ CNN  m o del per f o r m a nce  a na ly s is   T ab le  5   s h o ws  th e  m o d el  is   ab le  to   lear n   a  h ier ar ch y   o f   f ea tu r es  b y   s eq u en tially   ap p ly in g   co n v o l u tio n al  lay er s ,   s tar tin g   with   b asic  ed g es  an d   tex tu r es  an d   m o v in g   u p   to   m o r e  i n tr icate   f o r m s   an d   o b jects  in   th e   d ee p er   lay er s .   Af ter   e x p er im e n tatio n ,   we  o b tain ed   ac cu r ac ies  a n d   lo s s es  o f   tr ai n in g   an d   v alid atio n   task .   T h e   s y s t e m   t o o k   6 5   s e c o n d s   i n   t o t a l t o   f i n is h   t h e   e p o c h s .   S i n c e  m i n i m al   l o s s   is   a   m e a s u r e   o f   t h e   m o d e l ' s   e f f e c ti v e n e s s ,   l o w e r   v a l u e s   c o r r e s p o n d   t o   g r e a t e r   p er f o r m a n c e .   T h e   t r a i n i n g   l o s s   in   t h i s   c as e   i s   0 . 0 5 1 5   a s   s h o w n   i n   F i g u r e   6 .       T ab le  5 .   Nested _ C o n v _ C NN  m o d el  p er f o r m a n ce   an aly s is   Ep o c h s   M o d e l   Tr a i n i n g   a c c u r a c y   Tr a i n i n g   l o ss   V a l i d a t i o n   a c c u r a c y   V a l i d a t i o n   l o ss   1   ( 2   C o n v . + 1   M a x   p o o l + 1   C o n v . + 1   M a x   p o o l + 1   C o n v . + 1   f l a t t e n   l a y e r + 1   D e n s e   l a y e r + 1   O u t p u t   l a y e r )   0 . 8 6 1 1   0 . 3 6 3 9   0 . 9 1 7 7   0 . 2 3 3 9   2   0 . 9 3 0 4   0 . 1 9 4 8   0 . 9 3 9 1   0 . 1 6 8 9   3   0 . 9 4 6 7   0 . 1 4 7 7   0 . 9 5 1 6   0 . 1 3 6 6   4   0 . 9 5 7 6   0 . 1 1 8 8   0 . 9 5 3 0   0 . 1 3 1 3   5   0 . 9 6 3 9   0 . 1 0 1 4   0 . 9 6 1 4   0 . 1 0 9 3   6   0 . 9 6 8 6   0 . 0 8 6 9   0 . 9 6 2 3   0 . 1 0 8 0   7   0 . 9 7 3 2   0 . 0 7 5 5   0 . 9 6 6 8   0 . 0 9 3 4   8   0 . 9 7 6 6   0 . 0 6 6 1   0 . 9 6 8 7   0 . 0 8 6 7   9   0 . 9 7 9 7   0 . 0 5 8 0   0 . 9 6 9 7   0 . 0 8 3 8   10   0 . 9 8 1 7   0 . 0 5 1 5   0 . 9 7 2 6   0 . 0 7 7 2           Fig u r e  6 .   Plo ts   o f   Nested _ C o n v _ C NN  m o d el  ac cu r ac y   an d   l o s s       W e  h av e  s et  d ef au lt  lear n in g   r ate  with   b atch   s ize  8   an d   Ad am   o p tim izer .   T h e  m o d el' s   v ali d atio n   lo s s   is   co m p u ted   u s in g   an   in d ep e n d en t  v alid atio n   d ataset  an d   u n u s ed   d ata  s am p les.  I t  s h o ws   t h e  lo s s   i s   les s   th an   C NN  [ 9 ]   an d   ac cu r ac y   is   im p r o v in g .   T h is   is   th e   s ig n   o f   r o b u s t  m o d el.   T h e  b asic  C NN  [ 9 ]   h as  a  lo w   tr ain in g   lo s s   1 0 %  b u t  th e  h ig h   v alid at io n   lo s s   1 1 %,  as  well  as  a  d is cr ep an cy   b etwe en   tr ain in g   ac cu r ac y   9 6 . 3 9 %  an d   v alid atio n   ac cu r ac y   9 5 . 8 9 %.  Giv en   th is   d is p ar ity ,   it  is   p r o b ab ly   o v er f itti n g   th e  tr ain i n g   s e t.  T h is   r esu lts   in   th e   m o d el  p e r f o r m in g   p o o r ly   o n   th e  v alid atio n   s et  b y   ca p tu r in g   n o is e  an d   p a r ticu lar   ch a r ac t er is tics   th at  d o   n o t   ca teg o r ize  to   n ew  d ata.   T ab le  6   s h o ws th e  tr ain in g   an d   v alid atio n   ac cu r ac y   an d   l o s s   s tatis ti cs.       T ab le  6 .   C o m p a r is o n   o f   p er f o r m an ce   m etr ics   S r   N o   M o d e l   T.   A c c .   T.   Lo ss   V .   A c c .   V .   Lo ss   Tr a i n a b l e   p a r a m e t e r s    P r e c i s i o n   R e c a l l   A c c u r a c y   F1 - sc o r e   1   C N N   0 . 9 6   0 . 1 0   0 . 9 5   0 . 1 1   60 , 675   8 5 . 3 0   8 5 . 7 1   8 5 . 7 1   0 . 8 5   2   N e st e d _ C o n v _ C N N   0 . 9 8   0 . 0 5   0 . 9 7   0 . 0 7   1 0 2 , 6 9 1   8 8 . 4 4   8 8 . 3 5   8 8 . 3 5   0 . 8 8   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J Ar tif   I n tell     I SS N:   2252 - 8 9 3 8       N o ve l c o n vo lu tio n   n eu r a l n et w o r k  mo d el  fo r   d ysg r a p h ia - a ff ec ted   h a n d w r itin g   cla s s ifica ti o n   ( N is h a   V a n j a r i )   1425   T h e  p r o p o s ed   Nested _ C o n v _ C NN   m o d el  ac h iev es  a  b alan ce d   p er f o r m a n ce ,   with   b o th   h i g h   tr ain i n g   ac cu r ac y   an d   h ig h   v alid atio n   ac cu r ac y .   I ts   tr ain in g   l o s s   0 . 0 5 1 5   an d   v alid atio n   lo s s   0 . 0 7 7 2   ar e   b o t h   lo w   an d   clo s e  to   ea ch   o th er ,   in d icatin g   th at  th e  m o d el  h as  lear n ed   th e  p atter n s   in   th e  d ata  well  with o u t  o v er f itti n g .   T h u s ,   th e  p r o p o s ed   m o d el  d em o n s tr ates  s tr o n g   g en e r aliza tio n ,   m ea n in g   it  p er f o r m s   well  o n   n ew  d ata.     L o s s - v alid atio n   is   an   im p o r ta n t  tech n iq u e  f o r   p r o d u cin g   a   r o b u s t  an d   tr u s two r th y   ass ess m en t  o f   a  m o d el' s   p er f o r m an ce ,   en s u r in g   it  g e n e r alize s   well  to   n ew  d ata,   an d   a s s is tin g   with   m o d el   s elec tio n   an d   h y p er p ar am eter   tu n in g .   T esti n g   ac cu r ac y   is   also   0 . 9 5   a n d   lo s s   is   0 . 1 0 .   W e  p e r f o r m e d   cr o s s   v alid atio n   an d   t h e  m ea n   ac cu r ac y :   0 . 9 6 ,   s tan d ar d   d ev iatio n :  0 . 0 0 2   o f   b asic  m o d el  an d   n o v e l  C NN   m o d el  is   h av in g   m ea n   ac cu r ac y :  0 . 9 7 ,   s tan d ar d   d e v iatio n :  0 . 0 0 1 .   As  s h o wn   in   T ab le   6 ,   th e  b asic  C NN  m o d el  is   to o   s im p lis tic  an d   u n ab le  t o   g en er alize   ad eq u ately   to   n e w  d ata,   o v er f itti n g   m a y   h ap p en .   T h e  n u m b e r   o f   tr ain a b le  p ar am eter s   in   th e   Nested _ C o n v _ C NN  m o d el  lo s s   to   1 0 2 , 6 9 1   b y   in clu d in g   a n   ex tr a  c o n v o lu tio n al  lay e r .   W ith   th e  ad d itio n   o f   ad d itio n al  f ilter s   an d   weig h ts   f r o m   th is   n ew   co n v o lu tio n al  l ay er ,   t h e  m o d el   was  ab le   to   e x tr ac t  m o r e  i n tr icate   an d   ab s tr ac t  f ea tu r es  f r o m   th e  in p u t  d ata.   I n   o r d e r   to   b alan ce   o v er f itti n g ,   th e  m o d el' s   co m p lex ity   is   also   in cr ea s ed .   T h is   en h a n ce m en t  em p h asizes  h o w  o p tim izi n g   th e  m o d el  ar ch itectu r e  m ay   g r ea tly   a f f ec t  p er f o r m an ce   b y   f in d in g   t h e  id ea l r atio   o f   lay e r s .     5 . 3 .     P er f o r m a nce  m e t rics a nd   s t a t is t ica l t esting   Fig u r e  7   o f   co n f u s io n   m atr ix   s h o ws  th at  th e   m o d el  p e r f o r m s   well  o v er all,   with   h ig h   tr u e  p o s itiv e  co u n ts   f o r   ea c h   class :  1 7 , 8 7 9   f o r   class   0 ,   1 6 , 8 2 5   f o r   class   1 ,   an d   1 5 , 4 1 1   f o r   class   2 .   T h e  co n f u s io n   m at r ix   s h o ws  th at  th e  m o d el  p e r f o r m s   well  o v er all.   T h ese  n u m b er s   in d icate   th at  th e  m o d el  h as  b ee n   ad eq u ately   tr ain ed   an d   is   ca p a b le  o f   co r r ec tly   p r ed ictin g   th e   v ar io u s   cl ass es  in   th e  d ataset.   T h e   h i g h   t r u e   p o s i t i v e   c o u n ts   f o r   e a c h   c l ass   d e m o n s t r a t e  t h e   m o d e l ' s   r o b u s t n e s s   a n d   a b i l it y   to   h a n d l e   s e v e r a l   c l as s es   w i t h   r e a s o n a b l e   a c c u r a c y .   T h i s   p e r f o r m a n c e   is   a   g o o d   i n d i c a t o r   o f   t h e   m o d e l' s   o v e r a l l   r eli a b i l it y   a n d   e f f i c a c y   a t   c l as s i f y in g   t a s k s .           Fig u r e  7 .   C o n f u s io n   m atr i x   b a s ic  C NN  an d   Nested _ C o n v _ C NN       T h er e  is   a  n o ticea b le  p er f o r m an ce   d if f er en ce   b etwe e n   th e  b asic  C N N  m o d el  an d   o u r   Nested _ C o n v _ C NN  m o d el  in   ter m s   o f   class if icatio n   m ea s u r es,  am o n g   o th er   im p o r tan t  p er f o r m an ce   in d icato r s .   W ith   an   ac cu r ac y   o f   9 6 . 3 9 %,  ex is tin g   m o d el  is   ab le  to   class if y   s lig h tly   m o r e  th an   h alf   o f   th e  ca s es   co r r ec tly .   O u r   m o d el,   o n   th e   o th er   h an d ,   p er f o r m s   n o ticea b l y   b etter ,   p r o p er ly   class if y in g   t h e  g r ea t m ajo r ity   o f   ca s es  with   an   ac cu r ac y   o f   8 8 . 3 5 %.  W ith   a  r ec all  o f   8 8 . 3 5 %,  it  co r r ec tly   d etec ts   th e  m ajo r ity   o f   th e  r ea l   p o s itiv e  ca s es,  an d   it s   p r ec is i o n   o f   8 8 . 4 4 %  s h o ws  th at  al m o s t  all  o f   it s   p o s itiv e  p r ed ictio n s   ar e  ac cu r ate.     T h e  F1 - s co r e   o f   0 . 8 8   in d ica tes  th at  o u r   m o d el  is   m o r e  ad ep t  at  s tr ik in g   a   b alan ce   b etwe en   r ec all  a n d   p r ec is io n .   I n   g en er al,   o u r   m o d el  p er f o r m s   f ar   b etter   th an   e x is tin g   o n e,   m a k in g   it  a  lo t  m o r e  d ep e n d ab le  a n d   ef f icien t  class if ier .   T h e   p er f o r m an ce   o f   th e  p r o p o s ed   n ested   ca s ca d ed   C NN  was  ev alu ated   u s in g   5 - f o ld     cr o s s - v alid atio n   an d   co m p ar e d   with   a  b aselin e  C NN  [ 9 ] .   Acr o s s   th e  f o ld s ,   th e  n ested   C N N  ac h iev ed   a  m ea n   v alid atio n   ac cu r ac y   o f   0 . 9 7 2 6   ( r an g e:  0 . 9 7 1 – 0 . 9 7 3 )   with   a  co r r esp o n d in g   m ea n   v alid at io n   lo s s   o f   0 . 0 7 7 2 ,   o u tp er f o r m in g   th e  b aselin e  C NN,   wh ich   r ec o r d ed   a  m ea n   v alid atio n   ac cu r ac y   o f   0 . 9 5 8 9   ( r an g e:  0 . 9 5 6 – 0 . 9 6 0 )   an d   m ea n   v alid atio n   lo s s   o f   0 . 1 1 7 5 .   I t  d esp ite  h av in g   o n ly   1 0 2 , 6 9 1   tr ain ab le  p ar am eter s ,   d em o n s tr ated   s u p er io r   p er f o r m an ce   wh ile  m ain tain in g   a   lig h tweig h t   d esig n   co m p ar ed   to   t h e  b aselin e’ s   6 0 , 6 7 5   p ar am eter s .   Statis t ical  an aly s is   u s in g   a  p air ed   t - test   ac r o s s   th e  5   f o ld s   co n f ir m e d   th at  t h e  im p r o v e m en t  in   ac cu r ac y   is   s tatis t ically   s ig n if ican t  ( p   <0 . 0 5 ) .   I t  also   p r o v en   with   u s e   o f   R OC   cu r v es  an d   AUC  v alu e s ,   wh ich   s h o w   h o w   ef f ec tiv ely   th e  m o d el  ca n   d i s tin g u is h   b etwe en   d if f er e n t  h an d wr itin g   class es.  E n co u r a g in g ly ,   th e  m o d e l   m ain tain ed   h ig h   AUC  s co r e s   ev en   u n d er   ch allen g in g   c o n d itio n s ,   s u g g esti n g   it  ca n   r eliab ly   r ec o g n ize  h an d wr itin g   p atter n s   d esp ite  s m all  d is to r tio n s .   Evaluation Warning : The document was created with Spire.PDF for Python.
                      I SS N :   2 2 5 2 - 8 9 3 8   I n t J Ar tif   I n tell ,   Vo l.  15 ,   No .   2 ,  Ap r il   20 26 :  1 4 1 8 - 1 4 2 7   1426   6.   AB L AT I O N  ST UDY   W h en   we  tr ied   s im p lif y in g   o u r   m o d el  to   j u s t  a  s in g le  c o n v o lu tio n al  lay er ,   we  n o ticed   a   cle ar   d r o p   i n   p er f o r m an ce .   Acc u r ac y   f ell   b y   n ea r ly   5 %,  an d   t h e  lo s s   in c r ea s ed   b y   3 – 5 %,  s h o win g   t h at  th e  m o d el  s tr u g g led   to   tr u ly   u n d er s tan d   th e  h an d wr itin g   p atter n s .   I t  was  as  if   th e  n etwo r k   c o u ld   o n ly   s ee   th e  r o u g h   o u tlin es  b u t  m is s ed   th e  f in er   d etails — th e  cu r v es,  lo o p s ,   a n d   s tr o k es  th at   m ak e  ea ch   letter   u n iq u e.   Mu l tip le  co n v o lu tio n al  lay er s   ac t  lik e  lay er s   o f   u n d e r s tan d in g :  th e  f ir s t  s ee s   ed g es ,   th e  n ex t  s tar ts   to   r ec o g n ize  s h ap es,  an d   d ee p er   lay er s   ca p tu r e   th e   f u ll   s tr u ctu r e  o f   letter s .   W ith o u t   th is   h ie r ar ch y ,   th e   m o d el  co u ld n ’ t   g en er alize   well,   a n d   lear n in g   b ec am e  u n s tab le.   T h i s   e x p e r i e n c e   r e i n f o r c e d   w h y   s ta c k i n g   c o n v o l u t i o n a l   b l o c k s   is   c r u c i a l ,   t h e y   a l l o w  t h e   n e t w o r k   t o   g r a d u a l l y   g i v es   d e t a i l e d   u n d e r s t a n d i n g   a n d   h e lp i n g   i t   a c h i e v e   h i g h e r   a c c u r ac y   a n d   l o w e r   l o s s .       7.   CO NCLU SI O N   T h is   p ap er   p r esen ted   im p r o v ed   n o v el  C NN  m o d el  f o r   d y s g r ap h ia   class if icatio n   b ased   o n   E n g lis h   h an d wr itin g .   W e  h av e  e x p er i m en ted   with   two   m o d els  lik e  b asic  C NN  an d   p r o p o s ed   Nested _ C o n v _ C NN  an d   p r o p o s ed   m o d el   wo r k e d   well  as  th e  tr ain in g   ac c u r ac y   is   9 8 . 1 7 %.  T h e  m o d el' s   v alid atio n   lo s s   is   co m p u ted   u s in g   an   in d e p en d e n t  v alid a tio n   d ataset  an d   u n u s ed   d at a  s am p les.  I t   m ea s u r es  th e   m o d el' s   ab ilit y   to   g en er alize   to   n ew  u n test ed   d ata  with   v alid atio n   lo s s   is   0 . 0 7 7 2   an d   v alid atio n   ac cu r ac y   is   9 7 . 2 6 %.  As  C NN   is   m ain ly   u s ed   t o   s o lv e  th e   is s u es  o f   f ea tu r e  lear n i n g   in   n o n - lin ea r ity - b ased   s am p les  a n d   ef f ec tiv e   d o w n   s am p lin g ,   th e  n etwo r k   p er f o r m s   b etter   o n   class if icatio n   tas k s .   T h ese  f ea tu r es  b o o s t  th e  n etwo r k ' s   p o wer   an d   ca p ac ity   to   id en tify   in tr icate   p atter n s .   W e  h av e  tr ied   ar ch itectu r al  ch an g es  an d   it  wo r k ed   well.   W e  h av e  u s ed   d ef au lt  lear n in g   r ate  an d   b atc h   s ize  o f   8   with   Ad am   o p tim izer .   W h ile  th e  co m p u tatio n al  co m p lex ity   s lig h tly   in cr ea s es,  th e  b en ef its   o f   im p r o v ed   r ec o g n itio n   p er f o r m an ce   m ak e  th e  Nested _ C o n v _ C NN  m o r e  ap p r o p r iate   f o r   co m p le x   h an d wr itin g   d atasets .   T h is   h elp s   ex tr ac t  lo w er - lev el  f ea tu r es  lik e  ed g es  an d   tex tu r es  b ef o r e   m o v in g   to   d ee p er   f ea tu r e  r ep r esen tatio n s .       F UNDING   I NF O R M A T I O N   T h e  au th o r s   d ec lar ed   t h at  th ey   h av e  n o t r ec eiv ed   an y   f u n d in g   f o r   t h is   r esear ch .       AUTHO R  CO NT RI B UT I O NS ST A T E M E N T   T h is   jo u r n al   u s es  th e  C o n t r ib u to r   R o les  T a x o n o m y   ( C R ed iT)   to   r ec o g n ize   in d iv i d u al  au th o r   co n tr ib u tio n s ,   r ed u ce   au th o r s h ip   d is p u tes,  an d   f ac ilit ate  co llab o r atio n .     Na m e  o f   Aut ho r   C   M   So   Va   Fo   I   R   D   O   E   Vi   Su   P   Fu   Nis h a  Van jar i   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓   ✓     Pra s an n a  J .   Sh ete   ✓   ✓         ✓     ✓   ✓   ✓   ✓   ✓         C   :    C o n c e p t u a l i z a t i o n   M   :    M e t h o d o l o g y   So   :    So f t w a r e   Va   :    Va l i d a t i o n   Fo   :    Fo r mal   a n a l y s i s   I   :    I n v e s t i g a t i o n   R   :    R e so u r c e s   D   :   D a t a   C u r a t i o n   O   :   W r i t i n g   -   O r i g i n a l   D r a f t   E   :   W r i t i n g   -   R e v i e w   &   E d i t i n g   Vi   :    Vi su a l i z a t i o n   Su   :    Su p e r v i s i o n   P   :    P r o j e c t   a d mi n i st r a t i o n   Fu   :    Fu n d i n g   a c q u i si t i o n         CO NF L I C T   O F   I N T E R E S T   ST A T E M E NT   T h e  au th o r s   d ec lar ed   t h at  th ey   h av e  n o   k n o wn   co m p etin g   in t er est.       DATA AV AI L AB I L I T Y   T h e  d atasets   an aly ze d   d u r in g   th e  cu r r e n t  s tu d y   a r e  av ailab le  f r o m   th e   co r r esp o n d in g   au th o r   u p o n   r ea s o n ab le  r eq u est.       RE F E R E NC E S   [ 1 ]   E.   S .   S h a p i r o ,   “ P r e v e n t i n g   a c a d e mi c   f a i l u r e , ”   S c h o o l   Ps y c h o l o g y   Re v i e w ,   v o l .   1 7 ,   n o .   4 ,   p p .   6 0 1 – 6 1 3 ,   1 9 8 8 ,     d o i :   1 0 . 1 0 8 0 / 0 2 7 9 6 0 1 5 . 1 9 8 8 . 1 2 0 8 5 3 7 8 .   [ 2 ]   W .   W .   L i m,   K .   J .   Y e o ,   a n d   L .   H a n d a y a n i ,   “ A   s y st e ma t i c   r e v i e w   o n   i n t e r v e n t i o n s   f o r   c h i l d r e n   w i t h   d y sl e x i a , ”   I n t e r n a t i o n a l   J o u rn a l   o f   Ev a l u a t i o n   a n d   Re s e a r c h   i n   E d u c a t i o n ,   v o l .   1 2 ,   n o .   3 ,   p p .   1 6 7 4 – 1 6 8 2 ,   2 0 2 3 ,   d o i :   1 0 . 1 1 5 9 1 / i j e r e . v 1 2 i 3 . 2 5 0 9 9 .   [ 3 ]   P .   W e st w o o d   a n d   L .   G r a h a m,  “ H o w   man y   c h i l d r e n   w i t h   s p e c i a l   n e e d s   i n   r e g u l a r   c l a sses ?   o f f i c i a l   p r e d i c t i o n s  V S   t e a c h e r s’   p e r c e p t i o n s i n   S o u t h   A u st r a l i a   a n d   N e w   S o u t h   W a l e s,”   Au s t r a l i a n   J o u rn a l   o f   L e a r n i n g   D i s a b i l i t i e s ,   v o l .   5 ,   n o .   3 ,   p p .   2 4 – 3 5 ,   2 0 0 0 ,   d o i :   1 0 . 1 0 8 0 / 1 9 4 0 4 1 5 0 0 0 9 5 4 6 6 3 2 .   Evaluation Warning : The document was created with Spire.PDF for Python.
I n t J Ar tif   I n tell     I SS N:   2252 - 8 9 3 8       N o ve l c o n vo lu tio n   n eu r a l n et w o r k  mo d el  fo r   d ysg r a p h ia - a ff ec ted   h a n d w r itin g   cla s s ifica ti o n   ( N is h a   V a n j a r i )   1427   [ 4 ]   K .   S p o o n ,   D .   C r a n d a l l ,   a n d   K .   S i e k ,   “ T o w a r d s  d e t e c t i n g   d y sl e x i a   i n   c h i l d r e n ’ s  h a n d w r i t i n g   u s i n g   n e u r a l   n e t w o r k s, ”   i n   Pro c e e d i n g s  o f   I n t e r n a t i o n a l   C o n f e re n c e   o n   M a c h i n e   L e a rn i n g   AI   f o r  S o c i a l   G o o d   W o rks h o p ,   2 0 1 9 ,   p p .   1 – 5.   [ 5 ]   M .   S .   A .   B .   R o s l i ,   I .   S .   I sa,   S .   A .   R a ml a n ,   S .   N .   S u l a i m a n ,   a n d   M .   I .   F .   M a r u z u k i ,   “ D e v e l o p me n t   o f   C N N   t r a n sf e r   l e a r n i n g   f o r   d y s l e x i a   h a n d w r i t i n g   r e c o g n i t i o n , ”   i n   2 0 2 1   1 1 t h   I E EE  I n t e rn a t i o n a l   C o n f e r e n c e   o n   C o n t r o l   S y s t e m ,   C o m p u t i n g   a n d   En g i n e e r i n g ,   I C C S C E   2 0 2 1 ,   2 0 2 1 ,   p p .   1 9 4 – 1 9 9 ,   d o i :   1 0 . 1 1 0 9 / I C C S C E5 2 1 8 9 . 2 0 2 1 . 9 5 3 0 9 7 1 .   [ 6 ]   N .   S .   L.   S e ma n ,   I .   S .   I sa,   S .   A .   R a ml a n ,   W .   L .  - C h i h ,   a n d   M .   I .   F .   M a r u z u k i ,   “ N o t i c e   o f   r e mo v a l :   c l a ssi f i c a t i o n   o f   h a n d w r i t i n g   i mp a i r m e n t   u s i n g   C N N   f o r   p o t e n t i a l   d y sl e x i a   s y m p t o m, ”   i n   2 0 2 1   1 1 t h   I EEE  I n t e r n a t i o n a l   C o n f e r e n c e   o n   C o n t r o l   S y st e m ,   C o m p u t i n g   a n d   En g i n e e ri n g ,   I C C S C E   2 0 2 1 ,   2 0 2 1 ,   p p .   1 8 8 – 193 ,   d o i :   1 0 . 1 1 0 9 / I C C S C E5 2 1 8 9 . 2 0 2 1 . 9 5 3 0 9 8 9 .   [ 7 ]   I .   S .   I sa,   M .   A .   Za h i r ,   S .   A .   R a ml a n ,   W .   L .  - C h i h ,   a n d   S .   N .   S u l a i m a n ,   “ C N N   c o m p a r i so n s   mo d e l s   o n   d y s l e x i a   h a n d w r i t i n g   c l a ss i f i c a t i o n , ”   ES T E EM   Ac a d e m i c   J o u rn a l ,  v o l .   1 7 ,   p p .   1 2 – 2 5 ,   2 0 2 1 .   [ 8 ]   I .   S .   I sa,   W .   N .   S .   R a h i mi ,   S .   A .   R a ml a n ,   a n d   S .   N .   S u l a i ma n ,   “ A u t o ma t e d   d e t e c t i o n   o f   d y s l e x i a   s y m p t o m  b a s e d   o n   h a n d w r i t i n g   i ma g e   f o r   p r i m a r y   s c h o o l   c h i l d r e n , ”   P ro c e d i a   C o m p u t e r  S c i e n c e ,   v o l .   1 6 3 ,   p p .   4 4 0 – 4 4 9 ,   2 0 1 9 ,   d o i :   1 0 . 1 0 1 6 / j . p r o c s.2 0 1 9 . 1 2 . 1 2 7 .   [ 9 ]   P .   J.  G r o t h e r   a n d   K .   K .   H a n a o k a ,   “ N I S T  sp e c i a l   d a t a b a s e   1 9 , ”   N a t i o n a l   I n st i t u t e   o f   S t a n d a rd s a n d   T e c h n o l o g y .   A c c e ss e d :   A p r .   2 0 ,   2 0 2 4 .   [ O n l i n e ] .   A v a i l a b l e :   h t t p s : / / w w w . n i s t . g o v / sr d / n i st - s p e c i a l - d a t a b a se - 19   [ 1 0 ]   J.  K a w a ,   A .   B e d n o r z ,   P .   S t ę p i e ń ,   J.  D e r e j c z y k ,   a n d   M .   B u g d o l ,   “ S p a t i a l   a n d   d y n a mi c a l   h a n d w r i t i n g   a n a l y si s  i n   mi l d   c o g n i t i v e   i mp a i r m e n t , ”   C o m p u t e rs  i n   B i o l o g y   a n d   M e d i c i n e ,   v o l .   8 2 ,   p p .   2 1 – 2 8 ,   M a r .   2 0 1 7 ,   d o i :   1 0 . 1 0 1 6 / j . c o m p b i o me d . 2 0 1 7 . 0 1 . 0 0 4 .   [ 1 1 ]   K .   S p o o n ,   K .   S i e k ,   D .   C r a n d a l l ,   a n d   M .   F i l l m o r e ,   “ C a n   w e   ( a n d   s h o u l d   w e )   u s e   A I   t o   d e t e c t   d y sl e x i a   i n   c h i l d r e n ’ s  h a n d w r i t i n g ? ,”  i n   Pro c e e d i n g s   o f   Ar t i f i c i a l   I n t e l l i g e n c e   f o r   S o c i a l   G o o d   ( N e u rI P S   2 0 1 9 ) ,   2 0 1 9 ,   p p .   1 – 6.   [ 1 2 ]   S.   P a t e l ,   “ A - Z   h a n d w r i t t e n   a l p h a b e t s  i n   . c sv   f o r ma t , ”   K a g g l e .   A c c e s se d :   A p r .   2 0 ,   2 0 2 4 .   [ O n l i n e ] .   A v a i l a b l e :   h t t p s : / / w w w . k a g g l e . c o m / sa c h i n p a t e l 2 1 / a z - h a n d w r i t t e n - a l p h a b e t s - in - c sv - f o r mat   [ 1 3 ]   I .   S .   H u ssei n   a n d   N .   A .   Jas i m,  “ I r i s  r e c o g n i t i o n   sc h e m e   b a s e d   o n   e n t r o p y   a n d   c o n v o l u t i o n a l   n e u r a l   n e t w o r k , ”   Ad v a n c e s  i n   T e c h n o l o g y   I n n o v a t i o n ,   v o l .   9 ,   n o .   3 ,   p p .   1 9 7 – 2 0 9 ,   2 0 2 4 ,   d o i :   1 0 . 4 6 6 0 4 / a i t i . 2 0 2 4 . 1 3 5 1 6 .   [ 1 4 ]   S .   R a n g a sr i n i v a sa n ,   M .   S .   S .   S u r e s h ,   A .   O l sz e w sk i ,   S .   S e t l u r ,   B .   Ja y a r a ma n ,   a n d   V .   G o v i n d a r a j u ,   “ A I - e n h a n c e d   c h i l d   h a n d w r i t i n g   a n a l y si s :   a   f r a mew o r k   f o r   t h e   e a r l y   scre e n i n g   o f   d y sl e x i a   a n d   d y s g r a p h i a , ”   S N   C o m p u t e r  S c i e n c e ,   v o l .   6 ,   n o .   5 ,   2 0 2 5 ,     d o i :   1 0 . 1 0 0 7 / s 4 2 9 7 9 - 025 - 0 3 9 2 7 - 0.   [ 1 5 ]   B .   M a n i me k a l a ,   D .   U m a ma h e sw a r i ,   J .   R o z a r i o ,   M .   K a n n a n ,   a n d   P .   M .   S a v i t h a ,   “ D y sg r a p h i a   d i so r d e r   d e t e c t i o n   a n d   c l a ssi f i c a t i o n   u si n g   d e e p   l e a r n i n g   t e c h n i q u e , ”   S N   C o m p u t e r  S c i e n c e ,   v o l .   6 ,   n o .   3 ,   M a r .   2 0 2 5 ,   d o i :   1 0 . 1 0 0 7 / s 4 2 9 7 9 - 0 2 5 - 0 3 8 2 5 - 5.   [ 1 6 ]   A .   F a l l a h ,   Y .   Z .  V a k i l i ,   a n d   H .   S a j e d i ,   “ A I - d r i v e n   a p p r o a c h e s  f o r   d y s g r a p h i a   d i a g n o si s   u si n g   o n l i n e   a n d   o f f l i n e   h a n d w r i t i n g   d a t a :   a   c o m p r e h e n si v e   sc o p i n g   r e v i e w , ”   PL O S   O n e ,   v o l .   2 0 ,   n o .   1 2 ,   D e c .   2 0 2 5 ,   d o i :   1 0 . 1 3 7 1 / j o u r n a l . p o n e . 0 3 2 8 7 2 2 .   [ 1 7 ]   L.   C .   R i b e i r o ,   L .   C .   A f o n s o ,   a n d   J.   P .   P a p a ,   “ B a g   o f   sam p l i n g s   f o r   c o m p u t e r - a ss i st e d   P a r k i n s o n ’ s   d i s e a s e   d i a g n o s i s   b a se d   o n   r e c u r r e n t   n e u r a l   n e t w o r k s, ”   C o m p u t e r s i n   B i o l o g y   a n d   Me d i c i n e ,   v o l .   1 1 5 ,   2 0 1 9 ,  d o i :  1 0 . 1 0 1 6 / j . c o m p b i o me d . 2 0 1 9 . 1 0 3 4 7 7 .   [ 1 8 ]   M .   F .  - Z a n u y ,   J .   F i e r r e z ,   M .   A .   F e r r e r ,   M .   D i a z ,   R .   T o l o s a n a ,   a n d   R .   P l a m o n d o n ,   “ H a n d w r i t i n g   b i o m e t r i c s :   a p p l i c a t i o n s   a n d   f u t u r e   t r e n d s  i n   e - se c u r i t y   a n d   e - h e a l t h , ”   C o g n i t i v e   C o m p u t a t i o n ,   v o l .   1 2 ,   n o .   5 ,   p p .   9 4 0 – 9 5 3 ,   2 0 2 0 ,   d o i :   1 0 . 1 0 0 7 / s 1 2 5 5 9 - 020 - 09755 - z.   [ 1 9 ]   J.  C h a i   e t   a l . ,   “ C l a ss i f i c a t i o n   o f   m i l d   c o g n i t i v e   i mp a i r me n t   b a s e d   o n   h a n d w r i t i n g   d y n a m i c s   a n d   q EEG , ”   C o m p u t e rs  i n   B i o l o g y   a n d   Me d i c i n e ,   v o l .   1 5 2 ,   2 0 2 3 ,   d o i :   1 0 . 1 0 1 6 / j . c o m p b i o me d . 2 0 2 2 . 1 0 6 4 1 8 .   [ 2 0 ]   A .   D e v i   a n d   G .   K a v y a ,   “ D y s g r a p h i a   d i s o r d e r   f o r e c a st i n g   a n d   c l a ssi f i c a t i o n   t e c h n i q u e   u si n g   i n t e l l i g e n t   d e e p   l e a r n i n g   a p p r o a c h e s , ”   Pro g ress   i n   N e u ro - Ps y c h o p h a rm a c o l o g y   a n d   Bi o l o g i c a l   Ps y c h i a t r y ,   v o l .   1 2 0 ,   2 0 2 3 ,   d o i :   1 0 . 1 0 1 6 / j . p n p b p . 2 0 2 2 . 1 1 0 6 4 7 .   [ 2 1 ]   J.  K u n h o t h ,   S .   A .   M a a d e e d ,   M .   S a l e h ,   a n d   Y .   A k b a r i ,   “ C N N   f e a t u r e   a n d   c l a ssi f i e r   f u si o n   o n   n o v e l   t r a n sf o r m e d   i mag e   d a t a s e t   f o r   d y s g r a p h i a   d i a g n o s i s  i n   c h i l d r e n , ”   Ex p e r t   S y s t e m s  w i t h   A p p l i c a t i o n s ,   v o l .   2 3 1 ,   2 0 2 3 ,   d o i :   1 0 . 1 0 1 6 / j . e sw a . 2 0 2 3 . 1 2 0 7 4 0 .   [ 2 2 ]   S .   M .   S .   I sl a m,  E.   K .   D e y ,   M .   N .   A .   Ta w h i d ,   a n d   B .   M .   M .   H o ss a i n ,   “ A   C N N   b a s e d   a p p r o a c h   f o r   g a r me n t s  t e x t u r e   d e si g n   c l a ss i f i c a t i o n , ”   Ad v a n c e s  i n   T e c h n o l o g y   I n n o v a t i o n ,   v o l .   2 ,   n o .   4 ,   p p .   1 1 9 – 1 2 5 ,   2 0 1 7 .   [ 2 3 ]   R .   S h a r m a   a n d   A .   S i n g h ,   “ A n   i n t e g r a t e d   a p p r o a c h   t o w a r d s   e f f i c i e n t   i ma g e   c l a ssi f i c a t i o n   u s i n g   d e e p   C N N   w i t h   t r a n sf e r   l e a r n i n g   a n d   P C A , ”   Ad v a n c e s  i n   T e c h n o l o g y   I n n o v a t i o n ,   v o l .   7 ,   n o .   2 ,   p p .   1 0 5 – 1 1 7 ,   2 0 2 2 ,   d o i :   1 0 . 4 6 6 0 4 / a i t i . 2 0 2 2 . 8 5 3 8 .   [ 2 4 ]   P .   S h a r ma,   B .   A g a r w a l ,   G .   S .   Y a d a v ,   a n d   S .   Ja i n ,   “ V i si o n   t r a n sf o r m e r - b a s e d   m o d e l   f o r   e a r l y   d e t e c t i o n   o f   d y sg r a p h i a   a m o n g   sch o o l   s t u d e n t s,”   M i c r o sys t e m   T e c h n o l o g i e s ,   v o l .   3 1 ,   n o .   3 ,   p p .   7 7 5 – 7 8 5 ,   2 0 2 5 ,   d o i :   1 0 . 1 0 0 7 / s 0 0 5 4 2 - 0 2 4 - 0 5 7 4 1 - 9.   [ 2 5 ]   B .   A g a r w a l ,   S .   J a i n ,   K .   B e l a d i y a ,   Y .   G u p t a ,   A .   S .   Y a d a v ,   a n d   N .   J.   A h u j a ,   “ E a r l y   a n d   a u t o ma t e d   d i a g n o si s   o f   d y sg r a p h i a   u si n g   mac h i n e   l e a r n i n g   a p p r o a c h ,”   S N   C o m p u t e r   S c i e n c e ,   v o l .   4 ,   n o .   5 ,   2 0 2 3 ,   d o i :   1 0 . 1 0 0 7 / s 4 2 9 7 9 - 0 2 3 - 0 1 8 8 4 - 0 .       B I O G RAP H I E S O F   AUTH O RS       Nisha   Va n ja r i           is  a ss istan t   p ro fe ss o r   in   De p a rtme n t  o f   C o m p u ter  En g in e e rin g ,   KJ S IT,   M u m b a i,   sin c e   Ja n u a ry   2 0 0 9 .   S h e   is  p u rsu i n g   h e r  P h . D.  i n   Co m p u ter  E n g i n e e rin g   fro m   KJ S S E.   S h e   is  M . E.   i n   I n fo r m a ti o n   Tec h n o lo g y ,   P .   G.   D.   B.   M .   fr o m   NMI M S   De e m e d   Un iv e rsity ,   B . E.   in   C o m p u ter   En g in e e rin g   f ro m   N o rth   M a h a ra sh t ra   Un iv e rsit y ,   a n d   Di p lo m a   in   Co m p u ter  Tec h n o l o g y   fro m   BTE .   S h e   h a s  d o n e   ‘ so ftwa re   q u a l it y   t e stin g ’  c e rti fica ti o n – CS T  fr o m   S QTL.   S h e   h a s  p u b li sh e d   m o re   t h a n   2 0   p a p e rs  in   c o n fe re n c e s,  b o o k   c h a p ters ,   jo u rn a ls.  F o r  t h e   las t  fiv e   y e a rs,  h e r  m a in   re se a r c h   wa s  in   th e   field   o f  n e two r k i n g ,   d a ta  sc ien c e   a n d   a rti ficia l  in telli g e n c e .   Th is  h a s  led   h e r  in te re st  in   th e   d e e p   lea rn in g   a n d   c lo u d   c o m p u ti n g   a s  we ll .   S h e   h a s  p u b li sh e d   2   b o o k s  f o r   Dista n c e   a n d   Op e n   Lea rn i n g   Co u rse   M CA.   S h e   c a n   b e   c o n tac ted   a t  e m a il :  n v a n jari@s o m a i y a . e d u .         Pra sa n n a   J .   S h e te           is  a ss o c iate   p ro fe ss o r  in   C o m p u ter  En g in e e rin g ,   KJ S S E .   He   is   P h . D.  (S c ien c e   a n d   Tec h n o l o g y )   V.  J.  T.   I. ,   Un iv e rsity   o f  M u m b a i,   M .   Tec h .   (El e c tro n ics   a n d   Tele c o m m u n ica ti o n ),   V.  J.  T .   I. ,   Un iv e rsity   o f  M u m b a i  a n d   B. E .   ( El e c tro n ics   En g in e e rin g ),   Dr.  B.   A.  M a ra th wa d a   Un iv e rsit y ,   A u ra n g a b a d .   He   is   wo rk in g   i n   K.   J.  S o m a iy a   S c h o o l   o f   En g i n e e rin g   sin c e   Ju n e   2 0 0 3 .   He   is  t h e   c o n v e n e r  o f  t h e   Eq u a l  Op p o rt u n it ies   Ce ll ,   S o m a iy a   Vi d y a v i h a r   Un iv e rsity ,   c o o r d i n a to r,   KJ S S E  r e so u rc e   c e n ter   fo r  p wd   stu d e n ts,  F o rm e r  in - c h a rg e ,   KJ S S E  d a ta   c e n ter .   He   h a s  p u b li sh e d   m o re   th a n   2 5   p a p e rs  in   c o n fe re n c e s,  b o o k   c h a p ter,  a n d   jo u rn a ls.  His   re se a rc h   sp e c ializa ti o n   in   m o b i le  c o m p u ti n g ,   Io T ,   e m e rg in g   wire le ss   n e two rk s ,   WS Ns ,   M AN ET s,  VA NETs,   a c c e ss ib il it y ,   a n d   a ss isti v e   tec h n o lo g ies .   He   c a n   b e   c o n tac ted   a t  e m a il :  p ra sa n n a sh e te@ so m a iy a . e d u .     Evaluation Warning : The document was created with Spire.PDF for Python.