相关实验视频
Updated: Jul 9, 2025
06:01
Transcranial Direct Current Stimulation for Online Gamers
Published on: November 9, 2019
8.1K
使用心率变化反应对游戏线索的互联网游戏障碍的严重性识别:深度学习方法
Sung Jun Hong1, Deokjong Lee2,3, Jinsick Park4
1Biomedical Engineering Research Center, Samsung Medical Center, Seoul, Republic of Korea.
Frontiers in psychiatry
|November 29, 2023
概括
心率变化 (HRV) 可以预测互联网游戏障碍 (IGD) 的严重程度. 对游戏暗示的自主反应,特别是副交感活动,准确地分类IGD水平,有助于评估成状态.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算生物学 计算生物学
背景情况:
- 执行控制和暗示反应能力的降低与成有关.
- 心率变化 (HRV) 作为自主神经系统对刺激反应的生物标志物.
- 在互联网游戏障碍 (IGD) 中调查HRV可以揭示对游戏线索的自主反应.
研究的目的:
- 用HRV评估IGD受试者对与游戏相关的线索的自主反应.
- 为了确定HRV反应性是否可以将IGD严重程度分类.
- 探索深度学习模型在基于HRV的IGD严重程度预测中的实用性.
主要方法:
- 70名受试者被分为四个IGD严重程度组:正常,轻度,中度和严重.
- 在5分钟的游戏时段测量HRV以捕捉自主反应.
- 使用时间频率HRV参数训练了一个深度学习模型,并使用类激活映射 (CAM) 进行分析.
主要成果:
- 深度学习模型实现了高精度 (95.10%) 和F1分数来分类IGD严重程度.
- 高频 (HF) -HRV是IGD严重程度分类的关键预测因素.
- 在深度学习模型的分析中,严重的IGD病例也涉及低频 (LF) -HRV.
结论:
- 在游戏暗示暴露期间的副交感音响反应性是IGD严重程度的重要预测因素.
- 交感声调的反应性只能预测严重的IGD.
- 对与游戏相关的线索的自主反应有效地反映了游戏成状态.
