Detection of Digital Addiction from Brain Signals

Abstract

Tato práce představuje nový přístup k detekci digitální závislosti pomocí elektroencefalografie (EEG) a hlubokého učení. Studie využívá EEG data v klidovém stavu z datasetu LEMON, která jsou předzpracována a spojena s výsledky testu závislosti na internetu (IAT). Uvedena je pokročilá architektura hlubokého učení, která kombinuje paralelní extraktory rysů z časové a frekvenční domény s víceškálovými konvolučními moduly, fúzí založenou na pozornosti a hierarchickými transformátorovými bloky. Model je trénován pomocí vlastní ztrátové funkce, která zmírňuje nevyváženost tříd a zabraňuje kolapsu modelu. Výsledky na neznámé testovací množině demonstrují účinnost tohoto přístupu, který dosahuje přesnosti 86,38%, výtěžnosti 90,03%, preciznosti 75,47%, specifičnosti 84,44% a kompozitního skóre 0,8369. Práce zdůrazňuje potenciál EEG pro neinvazivní diagnózu digitální závislosti a diskutuje o omezeních a možných budoucích směrech výzkumu.

This thesis introduces a novel approach for detecting digital addiction using electroencephalography (EEG) and deep learning. The study leverages resting-state EEG data from the LEMON dataset, preprocessed and associated with Internet Addiction Test (IAT) scores. An advanced deep learning architecture is presented, combining parallel temporal and frequency-domain feature extractors with multi-scale convolutional modules, attention-based fusion, and hierarchical transformer blocks. The model is trained using a custom loss function to mitigate class imbalance and prevent model collapse. Results on an unseen test set demonstrate the effectiveness of the approach, achieving an accuracy of 86.38%, recall of 90.03%, precision of 75.47%, specificity of 84.44%, and a composite score of 0.8369. The work highlights the potential of EEG for the non-invasive assessment of digital addiction and discusses limitations and future research directions.