Ранняя система выявления китайских детей младшего школьного возраста с риском трудностей в чтении с помощью fNIRS и глубокого обучения

Почему важно рано замечать трудности с чтением

Обучение чтению — одно из важнейших умений, которое дети получают в начальной школе, но многие испытывают затруднения, которые трудно заметить, опираясь только на школьные тесты. К тому моменту, когда проблемы с чтением становятся очевидными, оптимальное окно для помощи может быть уже упущено. В этом исследовании предложен новый способ определить, какие младшие китайские ученики находятся в группе риска по трудностям чтения, — тихо наблюдая за работой их мозга во время простых заданий и применяя продвинутые компьютерные модели для интерпретации этих паттернов.

Более пристальный взгляд на скрытые проблемы с чтением

Трудности с чтением, часто называемые развивающейся дислексией, затрагивают значительную долю детей во всем мире. Эти дети постоянно испытывают трудности с распознаванием слов, беглым чтением и пониманием прочитанного, при нормальном интеллекте и наличии школьного обучения. В китайском языке с иероглифической письменностью доля детей с отчетливой дислексией оценивается в 4–7%, но учителя отмечают гораздо больше детей, которые едва не соответствуют требованиям класса. Они могут не попадать под строгую медицинскую классификацию дислексии, но отставать в узнавании и письме знаков, требуемых в рамках национальной программы. Раннее выявление этой более широкой «группы риска» имеет решающее значение, чтобы поддержка могла начаться до того, как разочарование и неуспех закрепятся.

Слушая мозг без операций

Исследователи обратились к функциональной ближней инфракрасной спектроскопии (fNIRS) — неинвазивному методу, который с помощью света отслеживает изменения кровоокисленного состояния в мозге. Дети надевают удобную шапочку с источниками света и детекторами, и устройство измеряет активность разных областей коры при выполнении заданий. В исследовании 30 второклассников (16 помечены учителями как имеющие пограничные проблемы с чтением и 14 — с типичным чтением) выполняли два типа заданий в шапочке. Одно было визуальным тестом, где им нужно было распознавать и выбирать похожие по виду китайские и английские слова. Другое — слуховым, где они решали, одинаковы ли пара произнесенных звуков или различаются. Одновременно все 150 детей в классе проходили бумажно-ручной тест по письму пиньиня (звуковая нотация) для китайских иероглифов, что подтвердило: группа риска действительно хуже справлялась с языковыми базовыми навыками.

Обучение умной модели распознавать паттерны мозга

Исходные данные fNIRS беспорядочны: это длинные временные ряды, показывающие крошечные изменения кровяного насыщения кислородом по множеству точек на голове. Традиционные статистические инструменты плохо справляются с такими сложными сигналами. Команда создала новую модель глубокого обучения, названную RD-risk Classifier (RDr-C), специально разработанную для работы с такого рода данными. Сначала модуль на основе графов рассматривает, как сигналы от соседних сенсоров соотносятся в пространстве, имитируя сетевую структуру мозга. Затем двунаправленный модуль временных рядов отслеживает развитие активности по сотням временных точек как вперед, так и назад во времени. Наконец, модуль внимания выявляет, какие моменты сигнала содержат самые полезные подсказки. Вместе эти компоненты образуют конвейер, который автоматически обнаруживает паттерны, отличающие детей из группы риска от их сверстников, без ручных правил.

Удивительно точные ранние предупреждающие сигналы

Когда модель многократно обучали и тестировали на разных разбиениях данных, она почти всегда правильно разделяла детей из группы риска и типичных детей, показывая точность около 99–100% как для визуального, так и для слухового задания. Даже в более жестком тесте — при обучении на всех, кроме одного ребенка, и последующем прогнозе для оставшегося — модель все равно достигала примерно 90% точности. Конкурирующие модели, включая стандартные нейронные сети и два специализированных классификатора для fNIRS, выступали заметно хуже. Визуализации признаков, изученных моделью, показали два плотных хорошо разделенных кластера для двух групп, что указывает на то, что мозговые сигналы детей из группы риска действительно несут отличительный отпечаток, даже если их поведение в заданиях существенно не отличалось от одноклассников.

Что мозг показывает о тонких рисках чтения

Чтобы понять, что именно выучила модель, исследователи систематически перемешивали данные из разных областей мозга и наблюдали, насколько ухудшались предсказания. Это выделило особую область, связанную с тонкими движениями пальцев, как особенно важную. Детальный анализ во временно-частотной области показал, что во время визуально нагруженных задач типичные дети демонстрировали упорядоченные, ритмичные паттерны в этой области, согласующиеся с плавной сенсомоторной координацией при указании или нажатии клавиш. В отличие от них, у детей из группы риска наблюдалась более нерегулярная активность, указывающая на проблему координации, зависящую от контекста, а не на общий моторный дефицит. Примечательно, что этот контраст был значительно слабее в слуховом задании, что усиливает идею о том, что некоторые нарушения координации мозга проявляются в основном при визуально-интензивных задачах, похожих на чтение.

К шагу к помощи в классе, основанной на данных мозга

Проще говоря, эта работа показывает, что некоторые маленькие дети, которые кажутся лишь немного отстающими в чтении, могут уже демонстрировать ясные измеримые различия в том, как их мозг координирует зрение, движение и внимание во время заданий, связанных с чтением. Объединив безопасную нейровизуализацию с адаптированной моделью глубокого обучения, исследователи создали высокоточнyю систему раннего предупреждения, которая в будущем может помочь учителям и клиницистам выявлять детей из группы риска на годы раньше, чем это возможно сейчас. Хотя исследование пока небольшое и систему следует проверить на более объемных и разнообразных группах — и, возможно, комбинировать с другими мерами, такими как почерк или трекинг взгляда — оно указывает на будущее, в котором тонкие риски обучения обнаруживаются не только по результатам тестов, но и по тихому «слушанию» работающего мозга.

Цитирование: Yang, P., Duan, Y., Wang, L. et al. An early detection framework for young Chinese learners at risk of reading difficulty using fNIRS and deep learning. Sci Rep 16, 14104 (2026). https://doi.org/10.1038/s41598-026-44379-7

Ключевые слова: трудности чтения, дислексия, методы визуализации мозга, глубокое обучение, детская грамотность