《Behavioural Brain Research》:Multimodal Neurocognitive Assessment of Internet Gaming Disorder Using ERP and fNIRS During an Oddball Paradigm: A Machine Learning-Based Classification
编辑推荐:
基于视觉/听觉oddball任务的ERP-fNIRS多模态分析显示,互联网游戏障碍(IGD)、娱乐游戏用户(RGU)和健康对照组(HC)在P300幅度、N200潜伏期及fNIRS统计特征(如标准差、峰值、偏度、GLM beta值)上存在显著差异,随机森林算法结合80个多模态特征时分类准确率达88.17%,证实多模态整合能有效鉴别不同游戏行为群体。
Turgay Batbat | Ay?egül Güven | Miray Altinkaynak | Demet Ye?ilba? | Elif U?urg?l | Esra Demirci | Nazan Dolu | Meltem ?zzeto?lu
土耳其埃尔吉耶斯大学工程学院生物医学工程系
摘要
过度上网玩游戏已被认为与社交、认知和行为障碍有关;然而,导致互联网游戏障碍(IGD)的神经机制尚未得到充分研究。本研究考察了IGD患者、休闲游戏使用者(RGU)和健康对照组(HC)之间的神经生理差异。
共有125名男性本科生(IGD组54人,RGU组29人,HC组42人;年龄在18至23岁之间)完成了一项视觉/听觉异常任务,同时记录了事件相关电位(ERP)和功能性近红外光谱(fNIRS)信号。ERP特征包括P300和N200的幅度和潜伏期,而fNIRS特征则包括广义线性模型(GLM)的β系数以及统计描述符(如平均值、标准差、最大峰值、峰度、偏度、斜率)。经过基于ReliefF的特征选择后,使用从10到100个特征的不同子集训练了多种机器学习算法。
ReliefF识别出P300幅度和潜伏期、N200潜伏期以及几个fNIRS衍生的统计特征(标准差、最大峰值、峰度、GLM β值)作为最具区分性的标志。使用前80个多模态特征和随机森林分类器时,准确率最高(88.17%);仅使用ERP特征时,准确率为82.57%。
据我们所知,这是首次利用多模态ERP–fNIRS记录在异常任务中区分IGD、RGU和HC的研究。研究结果表明,多模态整合显著提高了分类性能,凸显了其开发问题游戏行为客观神经生物学标志物的潜力。
引言
互联网游戏障碍(IGD)已被临床认可[1][2],并且其发病率日益增加,对日常生活功能产生负面影响[3][4],但对其神经生物学机制的研究仍然有限。一项功能性磁共振成像(fMRI)的系统性回顾发现,IGD与前额叶皮层(PFC)功能受损、认知控制缺陷、工作记忆和决策能力下降以及视觉和听觉处理能力减弱有关[5]。在研究IGD的神经生物学特征时,将休闲游戏使用者(RGU)作为对照组。 过度上网玩游戏时频繁接触视觉和听觉刺激可能导致感觉疲劳,进而影响相关脑区的功能[6]。因此,为了确定观察到的神经生理差异是由持续接触还是依赖性引起的,需要全面考察IGD的神经生理方面,同时考虑不同类型的互联网游戏行为(如IGD、RGU和HC)。据我们所知,只有两项研究同时考察了这三组[7][8]。由于RGU可能是IGD的风险因素[8],比较IGD、RGU和HC组可以揭示其发展机制和病理学特征,并为预防策略提供指导。
采用多模态方法而非单一模式可以更可靠、更全面地了解精神障碍[7]。以往的研究结合了脑电图(EEG)和功能性近红外光谱(fNIRS)来探究IGD在静息状态[9]以及执行斯特鲁普测试[4]和冒险任务[10]等认知任务时的神经生物学基础。这些研究主要将IGD患者与HC进行比较,表明EEG–fNIRS结合框架是识别IGD相关神经变化的宝贵且敏感的工具。在使用单一模式(如fNIRS)研究IGD时,Cho等人[11]比较了IGD组和HC组在游戏中的大脑激活情况;Zhang等人[12]则比较了IGD组和RGU在多人游戏和单人游戏条件下的表现。在IGD的EEG研究中,基于刺激的范式被广泛用于诱发特定的大脑反应。Kim等人[13]使用Go/NoGo任务发现IGD患者的NoGo-N200潜伏期延长;Chen等人[14]在情绪面孔Go/NoGo任务中观察到IGD患者的NoGo-N200幅度降低、NoGo-P300幅度增加;Mao等人[15]发现IGD患者在反馈处理和抑制控制过程中P300幅度增加。听觉异常任务在IGD研究中至关重要:Park等人[6]发现IGD患者的P300幅度降低,6个月的药物治疗随访研究证实了幅度的降低和潜伏期的延迟作为潜在的神经生理标志[16]。分心是指在两个或多个信息或刺激源之间分配注意力的能力[17]。在本研究中,我们采用了双模态视听异常任务,该任务此前已被用于引发分心[18]。尽管多模态EEG–fNIRS方法已被用于比较IGD患者和HC[3][4][10],但本研究通过加入RGU扩展了这一框架。据我们所知,这是首次使用同时记录的EEG–fNIRS数据通过异常范式研究分心过程的研究。
参与者
共有125名男性本科生参与了本研究,其中IGD组54人(平均年龄20.537 ± 1.41岁),RGU组29人(平均年龄20.517 ± 1.595岁),HC组42人(平均年龄21.195 ± 1.569岁)。参与者通过公告招募,并经过经验丰富的精神科医生的临床评估后纳入研究。纳入标准包括:年龄在18至23岁之间、听力与视力正常、无药物滥用史以及无当前神经系统疾病。
结果
本研究采用了一种改进的异常任务范式来评估分心能力,要求参与者使用指定的响应按钮对异步呈现的视觉和听觉目标刺激作出反应。行为表现通过两个主要指标进行评估:反应时间(反映处理速度)和任务错误(反映响应准确性)。这些指标在IGD组、RGU组和HC组之间进行了比较,因为它们对于表征认知功能具有重要意义。
讨论
近年来,上网玩游戏变得越来越普遍;在某些情况下,这种增长的趋势可能导致负面后果,包括IGD的发展。尽管对其神经生理机制的研究越来越多,但相关研究仍然有限。因此,我们通过将IGD与RGU和HC进行比较,对其进行了神经生理学研究。
局限性
尽管本研究为IGD的神经生理学提供了宝贵见解,但仍存在一些局限性。首先,本研究的所有参与者均为18至23岁的男性,可能无法充分代表IGD的整个病理谱系。因此,未来的研究应包括不同性别和年龄段的参与者,以更全面地了解IGD。其次,我们的样本仅来自土耳其的大学学生。
结论
尽管随着IGD被纳入DSM-5,相关研究数量有所增加,但仍需要更多研究来探究其神经机制和生物标志物。本研究利用多模态EEG–fNIRS技术揭示了IGD的神经机制。我们通过异常任务范式分析了游戏行为的三个不同阶段(IGD、RGU和HC)的神经层面。这项研究为相对有限的IGD文献提供了新的视角。
参与同意书
所有参与者均签署了书面知情同意书。
数据获取
支持本研究结果的数据可向相应作者索取。
作者贡献声明
?ZZETO?LU Meltem:监督、资源、方法论。
DOLU Nazan:验证、方法论、概念化。
DEM?RC? Esra:验证、资源、数据分析、概念化。
U?URG?L Elif:方法论、研究、数据分析、数据管理。
YE??LBA? Demet:写作–审稿与编辑、可视化、软件使用、资源管理、研究。
ALTINKAYNAK Miray:写作–审稿与编辑、验证、研究、数据分析、概念化。
GüVEN Ay?egül:验证。