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

Este estudo propõe uma Rede Neural de Grafos Espacio-Temporais Dinâmicos (DST-GNN) que integra atenção baseada no Índice de Atraso de Fase e unidades recorrentes bidirecionais para detectar objetivamente o vício em pornografia em adolescentes através de sinais de EEG, alcançando uma melhoria de 104% em relação a modelos de base e identificando regiões fronto-centrais e conectividades específicas como biomarcadores eficazes.

O essencial

Imagine que o cérebro de um adolescente é como uma cidade muito movimentada, cheia de ruas, pontes e semáforos. Quando essa cidade está saudável, o tráfego flui de forma organizada: as pessoas vão trabalhar, estudar e se divertir, e as conexões entre os bairros funcionam bem.

Mas, quando alguém desenvolve um vício (neste caso, em pornografia), é como se uma tempestade digital começasse a bagunçar o sistema de trânsito dessa cidade. As pontes entre certos bairros ficam superlotadas, enquanto outras ficam desertas, e o ritmo geral da cidade muda. O problema é que, muitas vezes, a pessoa não percebe que está nessa tempestade, ou tem vergonha de admitir que o trânsito está caótico.

Este artigo de pesquisa é sobre como os cientistas criaram um super-observador inteligente (um tipo de inteligência artificial) capaz de "olhar" para essa cidade e dizer: "Ei, o trânsito aqui está muito diferente do normal. Alguém precisa de ajuda."

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: Por que não basta perguntar?

Até hoje, para saber se um adolescente tem vício, os especialistas faziam perguntas diretas (como um questionário).

• O problema: É como perguntar a alguém se ele está mentindo. A pessoa pode ter vergonha, medo ou simplesmente não perceber que o problema é grave. Além disso, a vergonha social faz com que muitos digam "não" quando a resposta é "sim".
• A solução: Em vez de perguntar, os cientistas decidiram "escutar" o cérebro diretamente, usando um capacete especial que mede a atividade elétrica (EEG). É como colocar um microfone sensível na cidade para ouvir o ruído real do tráfego, sem depender do que as pessoas dizem.

2. A Ferramenta: O "Super-Observador" (DST-GNN)

Os pesquisadores criaram um modelo de computador chamado DST-GNN. Vamos imaginar como ele funciona:

• O Mapa da Cidade (GNN - Rede Neural de Grafos):
  O cérebro tem 19 pontos principais (eletrodos) que funcionam como "praças" na cidade. O modelo desenha um mapa conectando essas praças. Ele não olha apenas para uma praça isolada, mas vê como elas se conectam entre si.

  • Analogia: Imagine que ele não olha apenas para um carro, mas para como todos os carros se movem juntos nas ruas. Ele usa uma régua especial chamada PLI para medir a conexão, ignorando "ruídos" (como se alguém estivesse gritando perto do microfone e atrapalhando a escuta).

• O Relógio (BiGRU - Unidade Recorrente):
  O cérebro não é estático; ele muda a cada milésimo de segundo. O vício faz o cérebro reagir de forma diferente ao longo do tempo.

  • Analogia: Um modelo antigo tiraria uma foto estática do trânsito e diria "está parado". O novo modelo (DST-GNN) grava um vídeo em câmera lenta. Ele vê como o tráfego flui, acelera e freia ao longo do tempo. Isso é crucial porque o vício muda o ritmo do cérebro, não apenas a posição dele.

3. A Descoberta: O que eles viram?

Ao analisar os dados de 14 adolescentes (7 com vício e 7 saudáveis), o "Super-Observador" encontrou padrões claros:

• O "Bairro" do Vício: O modelo descobriu que as áreas da frente do cérebro (a "prefrontal", responsável pelo controle de impulsos e decisões) estão funcionando de forma diferente. É como se o semáforo dessa área estivesse sempre no vermelho ou piscando loucamente.
• A Frequência Beta: O vício faz com que o cérebro vibre em uma frequência específica (chamada Beta), como se a cidade estivesse sempre em "modo de alerta" ou excitada, mesmo quando deveria estar calma.
• A Ponte Secreta (Biomarcador): A descoberta mais interessante foi uma conexão específica entre duas "praças" (Cz e T7). Essa conexão parece ser uma assinatura digital do vício. Ela aparece de forma consistente, mesmo quando o adolescente não está vendo pornografia, apenas pensando ou descansando. É como se a cidade tivesse uma estrada secreta que só existe quando o vício está presente.

4. O Resultado: Quão bom é o observador?

• Antes: Os métodos antigos (como questionários ou modelos de computador simples) eram como tentar adivinhar o clima olhando para uma nuvem distante. Eles erravam muito, especialmente em detectar quem realmente precisava de ajuda (baixa "sensibilidade").
• Agora: O novo modelo acertou muito mais. Ele conseguiu identificar corretamente a maioria dos casos de vício (85% de precisão em detectar quem tem o problema), o que é um salto enorme. É como trocar uma bússola velha por um GPS de alta precisão.

5. Por que isso importa?

Imagine que você é um pai, um professor ou um médico.

• Hoje, você depende da criança admitir o problema.
• Com essa tecnologia, você pode ter uma ferramenta objetiva. Se o "GPS do cérebro" mostrar que o tráfego está bagunçado, você pode intervir cedo, antes que o problema se agrave.
• Isso ajuda a proteger os jovens, oferecendo uma chance de tratamento baseada em fatos biológicos, e não apenas em culpas ou vergonha.

Resumo Final

Os cientistas criaram um detetive digital que escuta o cérebro como uma cidade barulhenta. Em vez de confiar na opinião do adolescente, ele analisa o ritmo e as conexões elétricas reais. Ele descobriu que o vício em pornografia deixa uma "pegada" específica no cérebro (especialmente na parte frontal e em uma conexão específica), permitindo que possamos detectar o problema de forma mais rápida, justa e científica.

O objetivo final não é punir, mas proteger, permitindo que a ajuda chegue antes que a tempestade digital destrua a cidade do cérebro do jovem.

Resumo técnico

Título: Rede Neural de Gráfico Espaço-Temporal Dinâmica para Detecção Precoce de Vício em Pornografia em Adolescentes Baseada em Sinais de Eletroencefalograma (EEG)

1. Problema e Motivação

O vício em pornografia em adolescentes é um problema crescente de saúde pública, com dados indicando que mais de 60% dos adolescentes na Indonésia são expostos a conteúdo pornográfico online.

• Limitações Atuais: Os métodos de triagem convencionais (como o teste YPAST) dependem de autorrelatos, que são suscetíveis a viés subjetivo, estigma social e conflitos morais, levando a subnotificações.
• Desafio Técnico: Abordagens de aprendizado de máquina tradicionais (SVM, Random Forest) utilizam características estáticas e falham em modelar a conectividade funcional dinâmica do cérebro, que flutua temporalmente durante a exposição a estímulos viciantes. O cérebro é um sistema complexo onde a conectividade varia com o tempo, exigindo modelos capazes de capturar essas dinâmicas espaço-temporais.

2. Metodologia

O estudo propõe uma arquitetura inovadora chamada DST-GNN (Dynamic Spatio-Temporal Graph Neural Network), combinada com uma análise rigorosa de dados de EEG.

• Conjunto de Dados:

  • Fonte: Dados públicos do Mendeley (Kang et al., 2021).
  • Participantes: 14 adolescentes (13-15 anos), divididos em dois grupos: 7 com vício (escore YPAST ≥ 36) e 7 saudáveis (controles).
  • Aquisição: Sinais de EEG de 19 canais (sistema 10-20) a 250 Hz.
  • Condições Experimentais: 9 tarefas, incluindo repouso, emoções (alegria, tristeza, medo), tarefas cognitivas e, crucialmente, uma tarefa executiva com exposição a estímulos pornográficos (ET).

• Pré-processamento e Extração de Características:

  • Filtragem: Filtro passa-banda Butterworth (0.5-45 Hz) e filtro rejeita-faixa (50 Hz). Normalização Z-score.
  • Janelamento: Divisão dos sinais em janelas temporais.
  • Características por Nó: Para cada canal (nó), extraíram-se 9 características:
    • Densidade Espectral de Potência (PSD) em 5 bandas (Delta, Theta, Alpha, Beta, Gamma).
    • Parâmetros de Hjorth (Atividade, Mobilidade, Complexidade, Amplitude Média).
  • Construção do Grafo: A topologia do gráfico foi definida usando o Índice de Atraso de Fase (PLI) para medir a conectividade funcional entre os canais, sendo robusto contra artefatos de condução de volume. Um limiar de 50% foi aplicado para reter as conexões mais fortes.

• Arquitetura do Modelo (DST-GNN):

  1. Codificador Espacial (GAT): Duas camadas de Graph Attention Network (GAT) com atenção multi-cabeça (2 cabeças) para aprender representações de nós baseadas na conectividade espacial adaptativa (PLI).
  2. Codificador Temporal (BiGRU): Duas camadas de Bidirectional Gated Recurrent Unit (BiGRU) para capturar a dinâmica temporal das sequências de gráficos.
  3. Classificador: Uma Rede Neural Perceptron Multicamadas (MLP) com dropout para classificação binária (Viciado vs. Saudável).

• Validação:

  • Método: Validação Cruzada "Leave-One-Subject-Out" (LOSO-CV) com 3 sementes aleatórias para garantir robustez.
  • Comparação: O modelo foi comparado com 5 baselines (Regressão Logística, SVM, Random Forest, XGBoost, MLP).
  • Análise de Ablação: Para quantificar a contribuição dos componentes temporais e da construção do gráfico.

3. Resultados Principais

• Desempenho do Modelo:

  • O DST-GNN alcançou um F1-Score médio de 71,00% (±12,10%) e uma Recall de 85,71%.
  • Houve uma melhoria de 104% no F1-Score em comparação com o melhor modelo baseline (Regressão Logística com 34,73% de F1).
  • A alta Recall é crítica para triagem médica, minimizando falsos negativos (não detectar um caso de vício).

• Estudo de Ablação:

  • Remover o componente temporal (BiGRU) reduziu o F1-Score em 21%, confirmando a importância da dinâmica temporal.
  • Substituir o gráfico baseado em PLI por um gráfico totalmente conectado reduziu o F1-Score em 57%, demonstrando que a estrutura de conectividade funcional é fundamental.

• Biomarcadores e Explicabilidade:

  • Regiões Dominantes: As regiões frontais e centrais (Fz, Cz, C3, C4) foram identificadas como as mais discriminativas.
  • Características Chave: A banda Beta contribuiu com 58,9% (associada a processos cognitivos e excitação) e os parâmetros de Hjorth com 31,2%.
  • Biomarcador de Traço: A conexão Cz–T7 mostrou diferenças consistentes entre os grupos em múltiplas condições experimentais (incluindo sem estímulos pornográficos), sugerindo um biomarcador de "traço" para detecção objetiva sem necessidade de exposição a gatilhos durante o exame.
  • Conectividade: O grupo viciado apresentou maior conectividade global em condições basais, mas menor conectividade em condições emocionais, indicando desregulação dependente do contexto.

4. Contribuições e Significância

• Inovação Técnica: É a primeira aplicação de Redes Neurais de Gráfico (GNN) para detecção de vício em pornografia, integrando métricas de conectividade cerebral (PLI) com modelagem espaço-temporal dinâmica.
• Ferramenta de Triagem Objetiva: Oferece um método baseado em neurociência que supera o viés de autorrelato, crucial para a proteção infantil.
• Potencial Clínico: A identificação de biomarcadores de traço (como a conexão Cz-T7) abre caminho para diagnósticos que não exigem a exposição do adolescente a conteúdo pornográfico durante o teste, reduzindo o estigma e o risco de gatilhos.
• Impacto Social: Alinha-se com a Lei de Proteção à Criança (Lei nº 35/2014 da Indonésia), fornecendo uma base científica para intervenções precoces e protocolos de neurofeedback direcionados.

5. Limitações e Trabalhos Futuros

• Tamanho da Amostra: O conjunto de dados é pequeno (N=14), o que limita a generalização e causa variabilidade nos resultados.
• Validação: Necessidade de validação em populações maiores e multiculturais, bem como testes em dados em tempo real.
• Futuro: Desenvolvimento de sistemas em tempo real e integração com protocolos de intervenção terapêutica.

Em resumo, o estudo demonstra que a modelagem dinâmica da conectividade cerebral via DST-GNN é uma abordagem superior para detectar vícios comportamentais em adolescentes, oferecendo precisão e insights neurobiológicos que métodos tradicionais não conseguem capturar.