정량화 뇌파 검사 자료를 활용한 인터넷 게임 중독 예측 모형 연구

Abstract

인터넷 게임 중독과 알코올 중독을 각각 행동 중독과 물질 중독으로 분류된다. 그러나 인터넷 게임 중독과 알코올 중독은 일부 연구에서 신경 생물학적 메커니즘과 심리적 요인 면에서 비슷한 것으로 알려져 있다. 인터넷 게임 중독과 알코올 중독은 임상, 신경인지 데이터로 판단하고 있으나 심리적 요인 면에서 비슷하기 때문에 구분이 어렵다. 따라서 임상, 신경인지 데이터, 그리고 휴식 상태의 정량화 뇌파 검사(QEEG) 데이터를 사용해 두 가지 중독을 잘 구분하기 위한 분류 모델을 개발할 것이다. SVM, Random Forest, 및 Sparse logistic regression, Boosting과 같은 기존의 감독 학습 기법의 예측 성능을 비교해 두 중독을 판단할 뿐만 아니라 정상, 인터넷 게임 중독, 알코올 중독을 구분할 수 있는 최종 모델을 결정할 것이다. 또한 정량화 뇌파 검사(QEEG) 데이터에서 관련 예측 변수와 그 조합을 식별해내어 분류 정확도를 향상 시킬 것이다. 추가로 차원 감소 및 특징 선택을 포함하는 2단계 절차를 통해 각 중독에 대해 정량화 뇌파 검사(QEEG)를 이용해 하위 유형을 클러스터링 할 수 있는 특성을 제공할 것이다.;Internet game addiction and alcohol addiction are classified as behavior addiction and substance addiction, respectively. However, Internet game addiction and alcoholism are known to be similar in terms of neurobiological mechanisms and psychological factors in some studies. Internet game addiction and alcoholism are judged by clinical and neurocognitive data, but they are difficult to distinguish because they are similar in terms of psychological factors. Therefore, we will develop a classification model to distinguish between the two addictions using clinical, neurocognitive, and resting QEEG data. We will compare the predictive performance of existing supervised learning techniques such as SVM, Random Forest, and Sparse logistic regression and Boosting to determine the final model to distinguish between normal, internet game addiction and alcoholism, as well as judging the addiction. We will also improve classification accuracy by identifying related predictive variables and their combinations in quantitative EEG (QEEG) 2６data. We will also provide the ability to clustering subtypes using quantitative EEG (QEEG) for each addiction through a two-step procedure that includes additional dimensionality reduction and feature selection.