今(18)日，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)。
 
結果發現，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。
 
研究團隊也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。