基于脑电图（EEG）的机器学习技术在具有社交焦虑的高风险互联网游戏障碍个体中的时频分析及脑连接性研究中的应用

《International Journal of Mental Health and Addiction》：Application of EEG-Based Machine Learning in Time–Frequency and Brain Connectivity Analysis Among Individuals at High Risk of Internet Gaming Disorder with Social Anxiety

互联网游戏障碍（IGD）与社会焦虑（SA）的关联研究通过VR技术实现了对受试者社会情绪压力的客观评估，采用脑电图（EEG）分析结合机器学习模型（kNN算法）发现高风险IGD个体在特定脑区神经活动降低且脑同步性减弱，模型准确率达97%，验证了EEG在IGD和SA早期筛查中的可行性。

　　

摘要

先前关于互联网游戏障碍（IGD）与社会焦虑（SA）之间关联的研究基于主观问卷调查，而利用脑电图（EEG）客观评估社会情感压力受到缺乏可重复的现实环境的限制。我们利用虚拟现实（VR）技术，研究了高风险IGD个体的社会场景触发脑电信号特征，以开发用于风险预测的机器学习（ML）模型。30名被认为有高风险发展为IGD的大学生（HIGD组）和30名低风险大学生（LIGD组）首先完成了三项与情绪相关的问卷调查。通过配备八个电极的VR头盔收集了他们在VR模拟的社会情感压力下的脑电图数据。使用非参数测试分析了时域信号的频率成分以及脑电信息的脑内同步性。我们对每位参与者的564个脑电图特征应用了MATLAB的fitcauto和fscmrmr算法进行分类，最终确定k最近邻（kNN）算法为最优选择。结果显示，HIGD组的抑郁症状（p = 0.001）和社会焦虑（p = 0.02）比LIGD组更为严重。与LIGD组相比，HIGD组在F3、Fz、F4、C3、C4、P3和P4脑区表现出较低的神经活动水平。此外，HIGD组的delta/theta波段和前额gamma波段的同步性也较弱。基于脑电图的kNN算法识别出了20个关键特征，用于检测IGD，准确率为97%，曲线下面积为0.97。这些发现强调了评估HIGD和SA患者对社会情感压力脑电反应的可行性，以及应用基于脑电图的kNN算法进行早期识别的有效性。