[논문 리뷰] Dynamic Spatio-Temporal Graph Neural Network for Early Detection of Pornography Addiction in Adolescents Based on Electroencephalogram Signals

Achmad Ardani Prasha, Clavino Ourizqi Rachmadi외 4명|arXiv (Cornell University)|2026. 02. 28.

Sexuality, Behavior, and Technology인용 수 0

한 줄 요약

본 논문은 DST-GNN을 제시한다. 이는 PLI 기반 공간 그래프와 BiGRU 시간 모델링을 이용한 동적 그래프 신경망으로 EEG 데이터에서 청소년의 포르노그래피 중독을 탐지하고, 베이스라인 대비 주목할 만한 개선을 달성한다.

ABSTRACT

Adolescent pornography addiction requires early detection based on objective neurobiological biomarkers because self-report is prone to subjective bias due to social stigma. Conventional machine learning has not been able to model dynamic functional connectivity of the brain that fluctuates temporally during addictive stimulus exposure. This study proposes a state-of-the-art Dynamic Spatio-Temporal Graph Neural Network (DST-GNN) that integrates Phase Lag Index (PLI)-based Graph Attention Network (GAT) for spatial modeling and Bidirectional Gated Recurrent Unit (BiGRU) for temporal dynamics. The dataset consists of 14 adolescents (7 addicted, 7 healthy) with 19-channel EEG across 9 experimental conditions. Leave-One-Subject-Out Cross Validation (LOSO-CV) evaluation shows F1-Score of 71.00%$\pm$12.10% and recall of 85.71%, a 104% improvement compared to baseline. Ablation study confirms temporal contribution of 21% and PLI graph construction of 57%. Frontal-central regions (Fz, Cz, C3, C4) are identified as dominant biomarkers with Beta contribution of 58.9% and Hjorth of 31.2%, while Cz-T7 connectivity is consistent as a trait-level biomarker for objective screening.

연구 동기 및 목표

• 자기보고 편향으로 인한 청소년 포르노그래피 중독 탐지에 대한 객관적 바이오마커 필요성을 제시한다.
• EEG에서 동적 뇌 기능적 연결성을 포착하는 DST-GNN 아키텍처를 개발한다.
• 중독의 바이오마커로서 판별력이 있는 뇌 영역 및 연결 패턴을 식별한다.
• 청소년 EEG 데이터 세트에서 LOSO-CV를 사용하여 DST-GNN을 베이스라인과 비교 평가한다.
• 모델의 결정과 신경생물학적 마커를 연관지은 설명 가능성 분석을 제공한다.

제안 방법

• Phase Lag Index (PLI)를 이용하여 EEG에서 기능적 연결성을 모델링하기 위해 공간 그래프를 구성한다.
• Graph Attention Network (GAT) 계층으로 공간 구조를 인코딩한다.
• 그래프 시퀀스에 대해 Bidirectional GRU (BiGRU)로 시간적 동역학을 포착한다.
• DST-GNN 출력에 대해 다층 퍼셉트론(Multi-Layer Perceptron)으로 분류한다.
• 강건한 평가를 위해 다중 시드를 사용한 LOSO-CV를 이용한다.
• 구성요소 및 바이오마커를 검증하기 위한 제거 연구(ablation) 및 설명 가능성 분석을 수행한다.

실험 결과

연구 질문

• RQ1 동적 시공간 그래프 신경망이 청소년 EEG 데이터로부터 포르노그래피 중독을 신뢰성 있게 탐지할 수 있는가?
• RQ2 어떤 뇌 영역과 연결 패턴이 중독된 청소년과 비중독 청소년을 가장 잘 구분하는가?
• RQ3 시간적 동역학과 PLI 기반 연결성이 분류 성능에 어떻게 기여하는가?
• RQ4 태스크 조건과 무관한 특성 수준의 포르노그래피 중독 바이오마커가 존재하는가?

주요 결과

• DST-GNN은 평균 F1-Score 71.00% (±12.10%)와 recall 85.71%를 시드 간에 달성하고, 베이스라인 대비 104% 향상시켰다.
• 시간 모델링(BiGRU)이 성능에 약 21%를 기여하고, PLI 기반 그래프 구성은 약 57%를 기여한다.
• 전두-중심 영역(Fz, Cz, C3, C4) 및 Cz–T7 연결이 선별을 위한 지배적 바이오마커로 부상한다.
• 베타 대역 파워와 Hjorth 특징이 분류에 가장 큰 영향을 미치며, 베타가 58.9% 및 Hjorth가 31.2%를 기여한다.
• 특성 수준의 연결성, 특히 Cz–T7은 조건에 관계없이 일관된 차이를 보이며, 자극에 의존하지 않는 잠재 바이오마커를 시사한다.
• 다중 시드 LOSO-CV를 사용한 DST-GNN은 높은 재현율(85.71%)을 보여 강력한 선별 능력을 시사한다.