Dynamic Spatio-Temporal Graph Neural Network for Early Detection of Pornography Addiction in Adolescents Based on Electroencephalogram Signals

Diese Studie stellt ein fortschrittliches dynamisches räumlich-zeitliches Graph-Neurales Netzwerk (DST-GNN) vor, das auf EEG-Signalen basiert, um die Pornosucht bei Jugendlichen durch die Modellierung der dynamischen funktionellen Konnektivität des Gehirns objektiv und frühzeitig zu erkennen.

Das Wesentliche

🧠 Das Gehirn als ein riesiges, pulsierendes Netz

Stell dir das menschliche Gehirn nicht als einen einzelnen Computer vor, sondern als eine riesige Stadt mit unzähligen Straßen und Brücken. Die einzelnen Gehirnzellen sind die Häuser, und die Verbindungen zwischen ihnen sind die Straßen, auf denen Nachrichten (Gedanken, Gefühle) hin- und herfahren.

Bei Jugendlichen, die an Pornografie-Sucht leiden, ist diese Stadt anders organisiert als bei gesunden Jugendlichen. Die Straßen sind oft blockiert, oder es gibt zu viel Verkehr auf bestimmten Routen, während andere völlig leer bleiben. Das Problem ist: Man kann das nicht einfach durch ein Gespräch herausfinden, denn viele Jugendliche schämen sich oder lügen aus Angst vor Verurteilung.

🔍 Die neue "Radar-Antenne": Der DST-GNN

Die Forscher aus Indonesien haben eine neue, hochmoderne Methode entwickelt, um diese inneren Stadtveränderungen zu sehen. Sie nennen ihren Algorithmus DST-GNN. Das klingt kompliziert, aber lass es uns so erklären:

1. Die EEG-Mütze (Die Daten): Die Teilnehmer trugen eine Mütze mit 19 Sensoren (wie kleine Ohren, die auf dem Kopf sitzen). Diese Mütze zeichnet die elektrischen Impulse des Gehirns auf – quasi den "Verkehrslärm" der Stadt.
2. Der räumliche Detektiv (GAT): Dieser Teil des Programms schaut sich an, welche Gehirnbereiche miteinander reden. Es ist wie ein Verkehrspolizist, der prüft: "Hey, die Brücke zwischen der Frontal- und der Zentralregion ist heute besonders stark befahren."
3. Der Zeit-Detektiv (BiGRU): Das Gehirn ist nicht statisch; es verändert sich jede Millisekunde. Dieser Teil schaut sich an, wie sich diese Gespräche über die Zeit verändern. Es ist wie ein Film, nicht wie ein Foto. Er erkennt, ob der Verkehr plötzlich chaotisch wird, wenn ein bestimmter Reiz kommt.

🚦 Was haben sie herausgefunden?

Die Forscher haben das Gehirn von 14 Jugendlichen (7 mit Sucht, 7 ohne) untersucht. Hier sind die wichtigsten Entdeckungen, übersetzt in Alltagssprache:

• Die "Beta-Welle" ist der Hauptverdächtige: Das Gehirn der süchtigen Jugendlichen zeigt in einem bestimmten Frequenzbereich (Beta) viel mehr Aktivität. Stell dir das vor wie einen Motor, der im Leerlauf viel zu hoch dreht. Das Gehirn ist ständig "auf Hochtouren" und kann sich nicht beruhigen.
• Die "Cz-T7"-Brücke: Die Forscher haben eine ganz spezielle Verbindung entdeckt (zwischen einem Punkt in der Mitte des Kopfes und einem Punkt links hinten am Ohr). Diese Verbindung verhält sich bei süchtigen Jugendlichen fast immer gleich, egal ob sie gerade traurig, glücklich oder ruhig sind. Das ist wie ein persönlicher Fingerabdruck der Sucht. Man muss ihnen keine Pornos zeigen, um das zu erkennen; dieser "Fingerabdruck" ist schon da.
• Bessere Trefferquote: Frühere Methoden (wie einfache Fragebögen oder alte Computerprogramme) haben oft versagt. Sie haben nur in 30-40 % der Fälle richtig erkannt, wer süchtig ist. Das neue System erkennt es in 86 % der Fälle. Das ist ein riesiger Sprung!

🛡️ Warum ist das wichtig?

Stell dir vor, du bist ein Arzt und musst entscheiden, wer Hilfe braucht.

• Früher: Du musstest fragen: "Hast du ein Problem?" und auf die ehrliche Antwort hoffen. Das war oft ungenau.
• Heute (mit dieser Methode): Du kannst quasi "hineinsehen" und objektive Beweise finden, wie ein Detektiv, der Spuren am Tatort findet, die der Täter nicht verstecken kann.

Das ist besonders wichtig für Kinder und Jugendliche, weil es hilft, Scham zu umgehen und Hilfe zu geben, bevor das Problem zu groß wird. Es ist wie ein Frühwarnsystem für das Gehirn.

⚠️ Ein kleiner Haken

Die Studie war sehr erfolgreich, aber sie war noch klein (nur 14 Personen). Es ist wie ein erster Testlauf eines neuen Autos auf einer kurzen Strecke. Es fährt gut, aber man muss es noch auf vielen verschiedenen Straßen mit vielen mehr Fahrern testen, bevor es in jeder Werkstatt verfügbar ist.

Zusammenfassend: Die Forscher haben einen cleveren neuen "Gehirn-Scanner" gebaut, der die unsichtbaren Veränderungen im Kopf von suchtbetroffenen Jugendlichen sichtbar macht, ohne dass diese sich schämen müssen. Es ist ein großer Schritt hin zu mehr Schutz und besserer Hilfe für unsere Kinder.

Technische Zusammenfassung

Titel:

Dynamisches räumlich-zeitliches Graph-Neurales Netzwerk (DST-GNN) zur Früherkennung von Pornografie-Sucht bei Jugendlichen basierend auf EEG-Signalen.

1. Problemstellung

Die Pornografie-Sucht bei Jugendlichen stellt ein wachsendes öffentliches Gesundheitsproblem dar, das die Entwicklung des präfrontalen Kortex und damit verbundene exekutive Funktionen beeinträchtigt.

• Herausforderung: Herkömmliche Screening-Methoden (z. B. Selbstauskünfte wie der YPAST-Test) leiden unter subjektiven Verzerrungen durch soziale Stigmatisierung und moralische Konflikte.
• Technische Lücke: Bestehende maschinelle Lernansätze nutzen oft statische Merkmale und können die dynamische funktionelle Konnektivität des Gehirns nicht modellieren, die sich während der Exposition gegenüber suchterzeugenden Reizen zeitlich verändert.
• Ziel: Entwicklung eines objektiven, neurobiologischen Biomarkers zur Früherkennung, der keine Selbstauskünfte erfordert.

2. Methodik

Die Studie verwendet einen quantitativen experimentellen Ansatz mit einem Querschnittsdesign.

Datengrundlage:

• Datensatz: 14 jugendliche Teilnehmer (Alter 13–15 Jahre), aufgeteilt in 7 süchtige (YPAST-Score ≥ 36) und 7 gesunde Kontrollpersonen.
• Messung: 19-Kanal-EEG (nach dem 10-20-System) mit 250 Hz Abtastrate.
• Experimentelle Bedingungen: 9 verschiedene Aufgaben (z. B. Augen geschlossen/geöffnet, emotionale Zustände, kognitive Aufgaben und eine "Executive Task" mit pornografischem Stimulus).

Vorverarbeitung und Merkmalsextraktion:

• Filterung: Butterworth-Bandpassfilter (0,5–45 Hz) und Notch-Filter (50 Hz) zur Rauschunterdrückung, gefolgt von einer Z-Score-Normalisierung.
• Merkmale pro Kanal:
  • Power Spectral Density (PSD): 5 Frequenzbänder (Delta, Theta, Alpha, Beta, Gamma) mittels Welch-Methode.
  • Hjorth-Parameter: Aktivität, Mobilität, Komplexität und mittlere Amplitude.
  • Insgesamt 9 Merkmale pro Kanal (171 Knotenmerkmale im Graphen).

Modellarchitektur (DST-GNN):
Das vorgeschlagene Dynamic Spatio-Temporal Graph Neural Network besteht aus drei integrierten Komponenten:

1. Räumlicher Encoder (Graph Attention Network - GAT):
   • Modelliert die funktionelle Konnektivität zwischen den EEG-Kanälen.
   • Der Graph wird basierend auf dem Phase Lag Index (PLI) konstruiert, der robust gegen Volumenleitungsartefakte ist.
   • Verwendet Multi-Head-Attention-Mechanismen, um adaptive Gewichte für Nachbarknoten zu berechnen.
2. Zeitlicher Encoder (Bidirectional Gated Recurrent Unit - BiGRU):
   • Fängt die zeitliche Dynamik der Graph-Sequenzen über 30 Zeitfenster hinweg auf.
   • Verwendet 2 Schichten mit einer versteckten Dimension von 128.
3. Klassifikator:
   • Ein Multi-Layer Perceptron (MLP) mit Dropout (0,5) für die binäre Klassifikation (süchtig vs. nicht süchtig).

Evaluation:

• Methode: Leave-One-Subject-Out Cross-Validation (LOSO-CV) mit 3 verschiedenen Seeds zur Sicherstellung der Zuverlässigkeit.
• Vergleich: Gegenüberstellung mit fünf Baseline-Modellen (Logistic Regression, SVM, Random Forest, XGBoost, MLP).
• Optimierung: Hyperparameter-Optimierung mittels Optuna-Framework.

3. Wichtige Beiträge und Neuheiten

• Erste Anwendung von GNN: Dies ist die erste Studie, die Graph Neural Networks zur Erkennung von Pornografie-Sucht einsetzt.
• Dynamische Modellierung: Integration von PLI-basierten Graphen und BiGRU zur Erfassung sowohl räumlicher als auch zeitlicher Dynamiken der Gehirnaktivität.
• Objektive Biomarker-Identifikation: Nutzung von Explainable AI (XAI) Methoden (Integrated Gradients), um spezifische Gehirnregionen und Konnektivitätsmuster als Biomarker zu identifizieren.
• Trait-Level-Biomarker: Entdeckung einer konsistenten Konnektivität (Cz–T7), die unabhängig von spezifischen experimentellen Bedingungen ist.

4. Ergebnisse

• Leistung: Das DST-GNN erreichte einen durchschnittlichen F1-Score von 71,00 % (±12,10 %) und eine Recall-Rate von 85,71 %. Dies stellt eine Verbesserung von 104 % im Vergleich zur besten Baseline (Logistic Regression mit F1-Score ~34,73 %) dar.
• Ablationsstudie:
  • Entfernung der zeitlichen Komponente (BiGRU) reduzierte den F1-Score um 21 %.
  • Ersetzung des PLI-Graphen durch einen vollständig verbundenen Graphen reduzierte den F1-Score drastisch um 57 %, was die Kritikalität der funktionellen Konnektivitätsmodellierung unterstreicht.
• Interpretierbarkeit (Explainability):
  • Dominante Regionen: Frontal-zentrale Bereiche (Fz, Cz, C3, C4) haben die höchste Wichtigkeit.
  • Dominante Merkmale: Das Beta-Frequenzband (58,9 %) und die Hjorth-Parameter (31,2 %) tragen am meisten zur Klassifikation bei.
  • Konnektivität: Die Verbindung Cz–T7 zeigt konsistente Unterschiede zwischen süchtigen und gesunden Probanden über verschiedene Bedingungen hinweg und fungiert als potenzieller "Trait-Level"-Biomarker.
• Vergleich Baseline vs. DST-GNN: Alle Baseline-Modelle zeigten eine sehr niedrige Recall-Rate (<30 %), was ihre Unfähigkeit zeigt, positive Fälle (Sucht) zuverlässig zu erkennen.

5. Bedeutung und Implikationen

• Früherkennung und Kinderschutz: Die hohe Recall-Rate (85,71 %) minimiert falsch-negative Ergebnisse, was für medizinische Screening-Kontexte entscheidend ist, um gefährdete Jugendliche frühzeitig zu identifizieren.
• Objektivität: Die Methode bietet ein alternatives, objektives Screening-Tool, das nicht auf subjektiven Selbstberichten angewiesen ist.
• Klinische Anwendung: Die Identifizierung von spezifischen Biomarkern (wie Cz–T7) ermöglicht potenziell Diagnosen ohne direkte Exposition gegenüber pornografischen Reizen während der Untersuchung.
• Zukünftige Richtungen: Die Autoren empfehlen Validierungen an größeren Datensätzen, die Entwicklung von Echtzeitsystemen und die Integration in Neurofeedback-Protokolle.

Fazit: Die Studie demonstriert erfolgreich, dass ein dynamisches räumlich-zeitliches GNN, das auf EEG-Daten und funktioneller Konnektivität basiert, ein überlegenes Werkzeug zur objektiven Erkennung von Pornografie-Sucht bei Jugendlichen darstellt und signifikante Fortschritte gegenüber traditionellen maschinellen Lernansätzen erzielt.