腦波解碼網癮機器學習助攻精準識別

首頁
／
保健室公告
／
腦波解碼網癮機器學習助攻精準識別

發布日期： 2025/12/19
瀏覽人次： 34

▲研究發表合影（左起：國衛院高齡研究中心許志成執行長、清華大學工科系吳順吉教授、清華大學生物影像與奈米診療學程碩士李柏禹、國衛院高齡研究中心黃緒文助研究員、國衛院陳為堅副院長）。

「網路成癮」問題已成為重要議題，但現行主觀自評工具易受偏誤影響，成癮行為背後的神經機制、對腦部功能上的影響，以及認知健康的評測方法，仍需更多研究支持與技術開發。國家衛生研究院與國立清華大學、陽明交通大學等團隊合作，成功開發出網路成癮狀態自動分類系統，有助於早期識別風險、及時介入。

國家衛生研究院國家高齡醫學暨健康福祉研究中心黃緒文助研究員與國立清華大學原子科學院工程與系統科學系吳順吉教授，以及陽明交通大學等多所國內外研究機構合作，首次將「腦電波同步性（Phase Lag Index, PLI 與 Weighted PLI）」結合機器學習技術，用於辨識大學生網路成癮狀態，開發出準確率高達86%的自動分類系統，成果已發表於國際頂尖期刊《Psychological Medicine》。

研究團隊招募92名大學生（42名網癮組，50名健康對照組），利用靜息狀態下的腦電波訊號，計算不同腦區間的同步性與功能性連結，並分析兩種能有效排除體積傳導干擾的同步性指標（PLI與WPLI），發現網癮組在「額葉的delta頻段」及「全腦（尤其枕葉）的gamma頻段」連結顯著高於對照組，顯示網癮者在注意力、抑制控制與視覺處理等腦區有較強的同步活化現象，推測與其衝動控制與獎賞系統失衡有關。

研究團隊以多種機器學習模型分類有顯著差異的腦波同步性特徵，其中向量機（SVM）結合WPLI特徵的組合表現最佳，平均分類準確率達86%，顯著優於傳統自評量表。團隊指出，這套結合腦波同步性與機器學習的新方法，未來有機會應用於青少年校園健康篩檢、精神科初步鑑別，甚至長者認知健康監測，補足現行主觀自評工具易受偏誤影響的限制。

研究團隊也特別指出，腦波同步性指標作為潛在的神經生物標記，不僅可協助早期鑑別網路成癮風險，亦有望擴展應用於老年族群孤獨、憂鬱與認知退化等精神健康評估。結合非侵入性腦電技術與人工智慧演算法，將可推動精神健康照護進入「精準、即時、客觀」的新紀元。

本研究結合神經科學、工程技術與心理健康應用，充分展現跨領域精神健康研究的實力與創新潛能。研究團隊強調，腦波技術與人工智慧的結合，不僅有助於理解成癮行為背後的神經機制，也為精神健康篩檢與介入帶來全新思維。

國衛院國家高齡研究中心許志成執行長表示：「本研究展現了腦波技術與人工智慧在精神健康篩檢上的應用潛力，不僅有助於早期識別青少年網路成癮風險，更為發展科學、客觀的心理健康工具開啟新方向。研究團隊將持續進行跨領域研究，並期待未來這項技術能進一步應用於高齡族群，作為預防認知功能退化與促進高齡心理健康的重要參考。」

活動照片：