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

Achmad Ardani Prasha, Clavino Ourizqi Rachmadi+4 more|arXiv (Cornell University)|Feb 28, 2026

Sexuality, Behavior, and Technology被引用 0

一句话总结

本文提出 DST-GNN，一种使用基于 PLI 的时空图和 BiGRU 时序建模的动态图神经网络，利用 EEG 数据检测青少年色情成瘾，在基线方法上实现显著提升。

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.

研究动机与目标

• 需要客观生物标志物以检测青少年色情成瘾，避免自我报告偏差。
• 开发 DST-GNN 架构，捕捉来自 EEG 的动态大脑功能连接。
• 识别可区分成瘾与非成瘾青少年的脑区和连接模式作为生物标志物。
• 在青少年 EEG 数据集上使用 LOSO-CV 对 DST-GNN 与基线方法进行评估。
• 提供可解释性分析，将模型决策与神经生物学标志物相关联。

提出的方法

• 通过 Phase Lag Index (PLI) 构建空间图以建模功能连接性。
• 用 Graph Attention Network (GAT) 层对空间结构进行编码。
• 在图序列上通过 Bidirectional GRU (BiGRU) 捕捉时间动态。
• 使用 Multi-Layer Perceptron 对 DST-GNN 输出进行分类。
• 使用带多种种子的 LOSO-CV 进行稳健评估。
• 进行消融和可解释性分析以验证组件和生物标志物。

实验结果

研究问题

• RQ1 动态时空图神经网络是否能从青少年 EEG 数据中可靠检测色情成瘾？
• RQ2 哪些脑区和连接模式最能区分成瘾与非成瘾青少年？
• RQ3 时间动态和基于 PLI 的连接性对分类性能有何贡献？
• RQ4 是否存在与任务条件无关的性取向性标签生物标志物用于色情成瘾？

主要发现

• DST-GNN 在不同种子下的平均 F1-Score 为 71.00%（±12.10%），召回率为 85.71%，比基线方法提升 104%。
• 时间建模（BiGRU）对性能的贡献约 21%，PLI 基于的图构建贡献约 57%。
• 前额-中枢区域（Fz、Cz、C3、C4）以及 Cz–T7 连接性成为筛查的主导生物标志物。
• Beta 波功率和 Hjorth 特征对分类最具影响力，Beta 占 58.9%，Hjorth 占 31.2%。
• 性状层面的连接性，特别是 Cz–T7，在不同条件下显示出一致的差异，提示潜在的与刺激无关的生物标志物。
• DST-GNN 结合多种种子 LOSO-CV 显示高召回率（85.71%），表明强筛查能力。