相关实验视频
Updated: Jul 4, 2025
06:01
Transcranial Direct Current Stimulation for Online Gamers
Published on: November 9, 2019
8.0K
基于多模式的机器学习方法来对互联网游戏障碍和酒精使用障碍的特征进行分类:一个传感器级和源级的静止状态电脑学活动和神经心理学研究
Ji-Yoon Lee1, Myeong Seop Song2, So Young Yoo3
1Department of Health Science and Technology, Graduate School of Convergence Science and Technology, Seoul National University, Seoul, Republic of Korea.
Comprehensive psychiatry
|February 9, 2024
概括
机器学习通过分析大脑活动和神经心理因素来区分互联网游戏障碍 (IGD) 和酒精使用障碍 (AUD). 这项研究揭示了这些成类型之间的关键神经生理和心理差异和相似之处.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 成研究 研究成研究
背景情况:
- 成被分为物质使用障碍 (SUD) 和行为成 (BA),尽管BA机制需要进一步的神经科学研究.
- 互联网游戏障碍 (IGD) 是一种行为成,而酒精使用障碍 (AUD) 是一种物质使用障碍.
- 了解这两种疾病的神经生物学基础对于有效的治疗策略至关重要.
研究的目的:
- 通过机器学习 (ML) 来研究互联网游戏障碍 (IGD) 和酒精使用障碍 (AUD) 之间的神经科学相似之处和差异.
- 确定关键的神经生理学 (EEG) 和神经心理学 (NF) 标志物,这些标志物将IGD患者与AUD患者和健康对照者 (HC) 区分开来.
主要方法:
- 开发并比较了三种ML模型 (L1-规范SVM,随机森林,L1-规范后勤回归) 用于分类任务.
- 使用了三个特征集:单模式EEG (传感器和源级),单模式神经心理特征 (性别,年龄,抑郁,焦虑,冲动性,认知功能) 和多模式 (EEG + NF) 集.
- 训练模型来区分IGD和AUD,IGD和HC,以及AUD和HC.
主要成果:
- 使用多模式 (EEG + NF) 功能集的物流回归模型在分类IGD和AUD方面取得了最高的准确性 (0.712).
- 关键的区别特征包括右半球内区域的差异性三角形和β源连接,以及IGD的独特的传感器级EEG活动.
- 性别和年龄被确定为影响分类准确性的重要神经心理特征.
结论:
- 机器学习有效地证明了IGD和AUD之间的神经生理和神经心理相似性和差异.
- 这些发现有助于更好地理解神经科学行为成与物质使用障碍相比.
- 这项研究强调了多式联运数据集成和ML在成研究中的潜力.
