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

Dit onderzoek introduceert een Dynamic Spatio-Temporal Graph Neural Network (DST-GNN) dat EEG-signalen analyseert om verslaving aan pornografie bij adolescenten objectief en vroegtijdig te detecteren, met een significant verbeterde nauwkeurigheid vergeleken met bestaande methoden.

De kern

De "Brein-Compass" voor Verslaving: Een Simpele Uitleg

Stel je voor dat je brein een enorm drukke stad is, vol met wegen (de zenuwbanen) waar boodschappen (gedachten en gevoelens) heen en weer rijden. Bij een tiener die verslaafd is aan pornografie, ziet het verkeer in die stad er anders uit dan bij een gezonde tiener. De wegen zijn soms verstopt, soms rijden er te veel auto's op dezelfde plek, en het verkeer is onvoorspelbaar.

Deze wetenschappelijke studie probeert een slimme, digitale politieagent te bouwen die kan zien of die "stad" in orde is, zonder dat de tiener hoeft te vertellen of hij of zij een probleem heeft.

Hier is hoe het werkt, stap voor stap:

1. Het Probleem: Waarom we een nieuwe methode nodig hebben

Vroeger vroegen we tieners: "Heb jij een probleem met pornografie?"
Het probleem? Mensen schamen zich vaak of willen niet eerlijk zijn (de "sociale druk"). Het is alsof je vraagt aan een dief of hij gestolen heeft; hij zal waarschijnlijk "nee" zeggen.

Daarom kijken deze onderzoekers niet naar wat mensen zeggen, maar naar wat hun brein doet. Ze gebruiken een EEG-hoofdtelefoon (een soort hoed met elektroden) die de elektrische activiteit van het brein meet. Het is alsof we luisteren naar het geluid van de stad in plaats van naar de mensen die er wonen.

2. De Oplossing: De "Dynamische Stadswaarschuwing" (DST-GNN)

De onderzoekers hebben een heel slim computerprogramma gemaakt, genaamd DST-GNN. Je kunt dit zien als een super-intelligente verkeersleider die twee dingen tegelijk doet:

• De Ruimtelijke Kijker (De GAT): Deze kijkt naar waar in de stad de wegen met elkaar verbonden zijn. Hij ziet bijvoorbeeld dat de "voorhoofdskant" (waar beslissingen worden genomen) en de "centrale kant" (waar impulsen worden geregeld) bij verslaafden vreemd met elkaar praten.
• De Tijds-Kijker (De BiGRU): Dit is het slimme deel. Een normaal programma kijkt alleen naar een foto van het verkeer. Dit programma kijkt naar een video. Het ziet hoe het verkeer verandert terwijl de tiener naar prikkels kijkt. Het merkt op dat de verbindingen in het brein van een verslaafde tiener sneller en chaotischer veranderen dan bij een gezonde tiener.

3. Wat hebben ze ontdekt?

Door dit systeem te testen op 14 tieners (7 verslaafd, 7 gezond), kwamen ze tot spannende conclusies:

• De "Beta"-Golf: In het brein van verslaafde tieners zag men veel meer "Beta-golven" (een soort snelle, opgewonden trilling). Dit is alsof de stad in een constante staat van "actie" verkeert, zelfs als ze rustig zitten.
• De Magische Weg (Cz-T7): Ze vonden één specifieke weg tussen twee plekken in het brein (van het midden naar de linkerkant) die altijd anders was bij verslaafde tieners, ongeacht wat ze aan het doen waren. Dit is als een uniek merkteken of een "vingerafdruk" van de verslaving.
• De Resultaten: Het systeem was heel goed in het vinden van verslaafde tieners (86% van de tijd), zelfs als ze probeerden het te verbergen. Dit is veel beter dan de oude methoden (zoals simpele vragenlijsten of standaard computerprogramma's).

4. Waarom is dit belangrijk?

Stel je voor dat je een branddetector hebt die niet wacht tot er rook is (totdat het te laat is), maar die al waarschuwt als de temperatuur net iets te hoog wordt.

• Eerlijkheid: Het is een objectieve test. Je hoeft niet te praten of je je schaamt.
• Vroegtijdige Hulp: Omdat het zo goed werkt, kunnen ouders en hulpverleners eerder ingrijpen, voordat het probleem te groot wordt.
• Geen Pornografie nodig: Het interessante is dat ze een signaal vonden dat werkt zonder dat de tiener zelfs naar pornografie hoeft te kijken tijdens de test. Het is alsof je de verslaving kunt zien aan de manier waarop iemand loopt, zonder dat je hoeft te kijken naar wat ze in hun hoofd hebben.

Samenvattend

De onderzoekers hebben een slimme, digitale spiegel voor het tienerbrein gemaakt. In plaats van te vragen "Ben je verslaafd?", kijkt de computer naar de elektrische dans van het brein en zegt: "Hé, hier is iets vreemds aan de hand, laten we helpen."

Het is een grote stap in het beschermen van kinderen in het digitale tijdperk, waarbij technologie wordt gebruikt om de menselijke zwaktes (zoals schaamte) te omzeilen en echte, wetenschappelijke hulp te bieden.

Technische samenvatting

Probleemstelling

De verslaving aan pornografie bij adolescenten is een groeiend volksgezondheidsprobleem, waarbij 66,6% van de jongens en 62,3% van de meisjes in Indonesië (13-17 jaar) blootgesteld is aan online pornografische inhoud. Bestaande screeningsmethoden, zoals de Young's Pornography Addiction Screening Test (YPAST), zijn gebaseerd op zelfrapportage en lijden onder subjectieve bias en sociale wenselijkheid. Bovendien kunnen traditionele machine learning-modellen (zoals SVM, Random Forest) de dynamische functionele connectiviteit van het brein niet modelleren, die fluctueert tijdens blootstelling aan verslavende stimuli. Er is behoefte aan een objectieve, neurowetenschappelijke methode voor vroege detectie die deze temporale dynamiek en ruimtelijke connectiviteit kan vastleggen.

Methodologie

De studie introduceert een geavanceerd Dynamic Spatio-Temporal Graph Neural Network (DST-GNN) model dat EEG-signalen analyseert om verslaving te detecteren.

1. Dataset en Preprocessing:

• Data: Gebruik van een publieke dataset (Kang et al., 2021) met EEG-opnames van 14 adolescenten (7 verslaafd, 7 gezond), geregistreerd via een 19-kanaals systeem (10-20 systeem) met een samplefrequentie van 250 Hz.
• Experimentele condities: 9 verschillende taken, waaronder "Eyes Closed/Open", emotionele taken (blij, kalm, verdriet, angst), cognitieve taken (memoriseren, recall) en een Executive Task (ET) met directe blootstelling aan pornografische stimuli.
• Preprocessing: Toepassing van een 4e orde Butterworth bandpassfilter (0,5–45 Hz), een notchfilter (50 Hz) voor netstoringen, en z-score normalisatie per kanaal.

2. Feature Extractie:
Per EEG-kanaal werden 9 features per tijdsvenster (30 vensters per subject) geëxtraheerd:

• Power Spectral Density (PSD): Berekend met de Welch-methode voor 5 frequentiebanden (Delta, Theta, Alpha, Beta, Gamma).
• Hjorth-parameters: Activiteit, mobiliteit, complexiteit en gemiddelde amplitude.

3. Graph Constructie:
In plaats van statische correlaties, werd een graaf $G=(V, E)$ geconstrueerd waarbij de knopen de 19 EEG-kanalen zijn. De randen (connectiviteit) werden gewogen op basis van de Phase Lag Index (PLI). PLI is gekozen vanwege de robuustheid tegen artefacten door volumgeleiding (volume conduction). Een drempel van het 50e percentiel werd aangehouden om de sterkste connecties te behouden.

4. Model Architectuur (DST-GNN):
Het model bestaat uit drie geïntegreerde componenten:

• Spatial Encoder: Twee lagen Graph Attention Network (GAT) met multi-head attention. Dit modelleert de ruimtelijke connectiviteit tussen kanalen door adaptieve attention-weights te leren op basis van de PLI-graaf.
• Temporal Encoder: Twee lagen Bidirectional Gated Recurrent Units (BiGRU). Dit vangt de temporale dynamiek van de graafsequentie over de tijdvensters.
• Classifier: Een Multi-Layer Perceptron (MLP) met dropout (0,5) voor de binaire classificatie (verslaafd vs. gezond).

5. Evaluatie:

• Validatie: Leave-One-Subject-Out Cross Validation (LOSO-CV) met 3 verschillende random seeds om generalisatievermogen te testen.
• Vergelijking: Het model werd vergeleken met vijf baselines (Logistic Regression, SVM, Random Forest, XGBoost, MLP).
• Analyse: Ablatiestudies en Explainable AI (Integrated Gradients) werden gebruikt om de bijdrage van componenten en de belangrijkste biomerkers te identificeren.

Belangrijkste Bijdragen

1. Eerste toepassing van GNN: Dit is het eerste onderzoek dat Graph Neural Networks toepast op de detectie van pornografieverslaving bij adolescenten.
2. Dynamische Modellering: Integratie van PLI voor ruimtelijke modellering en BiGRU voor temporale dynamiek, in plaats van statische features.
3. Objectieve Biomerkers: Identificatie van specifieke hersengebieden en connectiviteitspatronen die als objectieve biomerkers kunnen dienen, onafhankelijk van zelfrapportage.
4. Trait-level Biomarker: Ontdekking van een consistente connectiviteit (Cz-T7) die als "trait-level" biomarker fungeert, wat detectie mogelijk maakt zonder blootstelling aan pornografische stimuli tijdens de test.

Resultaten

• Prestaties: Het DST-GNN-model bereikte een gemiddelde F1-Score van 71,00% ± 12,10% en een recall van 85,71%. Dit is een verbetering van 104% ten opzichte van de beste baseline (Logistic Regression, F1=34,73%).
• Ablatiestudie:
  • Verwijdering van de temporale component (BiGRU) verlaagde de F1-score met 21%.
  • Vervanging van de PLI-graaf door een volledig verbonden graaf verlaagde de F1-score met 57%, wat aantoont dat functionele connectiviteit cruciaal is.
• Feature Importance:
  • De Beta-frequentieband droeg het meest bij (58,9%), gevolgd door de Hjorth-parameters (31,2%).
  • De belangrijkste hersengebieden waren frontaal en centraal: Fz, Cz, C3, C4.
• Connectiviteitspatronen: Verslaande adolescenten vertoonden een verhoogde lokale clustering in fronto-temporale regio's (rechterkant) maar een afname in globale connectiviteit. De connectie Cz-T7 bleek consistent verschillend tussen groepen over verschillende experimentele condities heen.

Betekenis en Implicaties

De studie biedt een veelbelovende, objectieve tool voor de vroege detectie van pornografieverslaving bij adolescenten, wat essentieel is voor tijdige interventie en kinderbeveiliging.

• Klinische Toepassing: De hoge recall (85,71%) is cruciaal voor screeningscontexten om valse negatieven te minimaliseren.
• Onafhankelijkheid van Stimuli: Het identificeren van de Cz-T7 connectiviteit als een trait-level biomarker suggereert dat toekomstige screening mogelijk is zonder dat de patiënt blootgesteld hoeft te worden aan pornografische stimuli, wat ethisch en praktisch voordelen biedt.
• Beperkingen: De studie heeft een klein steekproefgrootte (N=14) en is beperkt tot één centrum, wat generalisatie beperkt. Toekomstig onderzoek moet gericht zijn op validatie op grotere datasets, real-time implementatie en integratie met neurofeedback-protocollen.

Samenvattend bewijst deze studie dat dynamische spatio-temporale grafische neurale netwerken een superieure methode zijn om complexe neurowetenschappelijke patronen van verslaving te decoderen, en biedt het een solide basis voor de ontwikkeling van objectieve screeningsinstrumenten.