सामने मनोरोग। 2018; 9: 291
ऑनलाइन 2018 जून 29 प्रकाशित। डोई: 10.3389 / fpsyt.2018.00291
PMCID: PMC6033968
PMID: 30008681
चांग-ह्यून पार्क,1 जी-वोन चुन,1 ह्यून चो,1,2 और दाई-जिन किम1,*
सार
इंटरनेट गेमिंग डिसऑर्डर (IGD) का निदान मानसिक विकारों के नैदानिक और सांख्यिकीय मैनुअल (DSM-5) के नवीनतम संस्करण से नौ अंतर्निहित मानदंडों के आधार पर किया जाता है। यहां, हमने जांच की कि क्या इस तरह के लक्षण-आधारित वर्गीकरण को कम्प्यूटेशन-आधारित वर्गीकरण में अनुवादित किया जा सकता है। संरचनात्मक MRI (sMRI) और प्रसार-भारित MRI (dMRI) डेटा को IGN के साथ निदान किए गए 38 गेमर्स में हासिल किया गया था, 68 सामान्य गेमर्स ने IGD और 37 स्वस्थ गैर-गेमर्स का निदान नहीं किया था। हमने एमआरआई डेटा से ग्रे मैटर (जीएम) और व्हाइट मैटर (डब्लूएम) संरचना की एक्सएनयूएमएक्स विशेषताओं को उत्पन्न किया। जब समूहों के बीच के अंतर के लिए महत्वपूर्ण लोगों का चयन करने के लिए 108 न्यूरानैटोमिकल सुविधाओं के लिए नियमित रूप से लॉजिस्टिक प्रतिगमन लागू किया गया था, तो स्वस्थ गैर-गेमर्स के संबंध में क्रमशः एक्सएनएक्सएक्स और एक्सएनयूएमएक्स सुविधाओं के संदर्भ में अव्यवस्थित और सामान्य गेमर्स का प्रतिनिधित्व किया गया था, जबकि सामान्य गेमर्स के संबंध में 108 सुविधाओं के संदर्भ में अव्यवस्थित गेमर्स का प्रतिनिधित्व किया गया था। समर्थन वेक्टर मशीनों (SVM) में भविष्यवाणियों के रूप में विक्षिप्त न्यूरानैटोमिकल सुविधाओं का उपयोग करते हुए, स्वस्थ गैर-गेमर्स से, 43% से अधिक सटीकता के साथ, अव्यवस्थित और सामान्य गेमर्स का सफलतापूर्वक भेदभाव किया गया था, लेकिन अव्यवस्थित और सामान्य गेमर्स के बीच वर्गीकरण अपेक्षाकृत चुनौतीपूर्ण था। इन निष्कर्षों से पता चलता है कि DSM-21 से निकले हुए पैथोलॉजिकल और नॉन-पैथोलॉजिकल गेमर्स को विरल न्यूरानोटोमिकल विशेषताओं द्वारा दर्शाया जा सकता है, खासकर गैर-गेमिंग स्वस्थ व्यक्तियों से भेदभाव करने के संदर्भ में।
परिचय
हालांकि दशकों से पैथोलॉजिकल एडिक्शन के रूप में सुझाए जा रहे हैं (1), यह हाल ही में है कि इंटरनेट गेमिंग डिसऑर्डर (IGD) को नैदानिक और सांख्यिकीय मैनुअल ऑफ मेंटल डिसऑर्डर (DSM) में सूचीबद्ध किया गया था। DSM (DSM-5) का पांचवा संस्करण (2) ने आगे के अध्ययन के लिए एक शर्त के रूप में आईजीडी की पहचान की और इसके निदान के लिए नौ मानदंड प्रदान किए। DSM N 5 में प्रस्तावित नौ-आइटम IGD स्केल (IGDS) का उपयोग करते हुए लक्षण-आधारित वर्गीकरण में, IGD के निदान के लिए पांच या अधिक मानदंडों का अनुभव करने की सीमा लागू की गई थी। हालांकि यह कट-पॉइंट महत्वपूर्ण नैदानिक हानि से पीड़ित गेमर्स को पर्याप्त रूप से अलग कर सकता है (3), आईजीडीएस वस्तुओं की द्विगुणित प्रकृति में अनिवार्य रूप से नैदानिक ओवरसिम्प्लीफिकेशन या अस्पष्टता शामिल है।
लक्षणों के अलावा, विभिन्न प्रकार के आईजीडी-संबंधित रोग आमतौर पर देखे जाते हैं, न कि कम से कम न्यूरानैटोमिकल परिवर्तन। वास्तव में, काम के एक पर्याप्त शरीर से पता चला है कि आईजीडी मस्तिष्क में संरचनात्मक परिवर्तनों से जुड़ा है: ग्रे पदार्थ (जीएम) मात्रा का संकोचन (4-6), कॉर्टिकल मोटाई में कमी (7), और सफेद पदार्थ की हानि (WM) अखंडता (8, 9) आम तौर पर प्रदर्शन किया गया है। आईजीडी से संबंधित इन न्यूरोनोमैटिकल परिवर्तनों का सुझाव है कि ऐसे मस्तिष्क इमेजिंग पैरामीटर आईजीडी के साथ व्यक्तियों को अन्य व्यक्तियों से अलग करने के लिए बायोमार्कर के रूप में काम कर सकते हैं। अर्थात, DSM-5 पर आधारित लक्षण-आधारित वर्गीकरण के बजाय, न्यूरानैटोमिकल बायोमार्कर के कम्प्यूटेशनल हेरफेर के माध्यम से IGD का निदान किया जा सकता है। ये प्रयास मनोरोग के लिए कम्प्यूटेशनल दृष्टिकोणों को नियोजित करके वर्णनात्मक निदान से आगे बढ़ने के प्रयासों के अनुरूप हो सकते हैं (10), विशेष रूप से मानसिक बीमारी के निदान से निपटने के लिए मशीन लर्निंग (एमएल) पर आधारित डेटा-संचालित दृष्टिकोण (11).
इस अध्ययन में, हमने IGD के निदान में न्यूरोएनाटोमिकल बायोमार्कर का उपयोग करके IGDS और संगणना आधारित वर्गीकरण के आधार पर लक्षण-आधारित वर्गीकरण के बीच एक लिंक की खोज की। क्योंकि मस्तिष्क के कुछ जीएम और WM घटकों में नैदानिक वर्गीकरण के लिए निरर्थक या अप्रासंगिक जानकारी शामिल होने की संभावना होगी, हमने नियमित प्रतिगमन को नियोजित करके विरल न्यूरानैटोमिकल सुविधाओं का चयन करने की मांग की। हमने अनुमान लगाया कि लक्षण-आधारित वर्गीकरण को विरल न्यूरानैटोमिकल विशेषताओं के रूप में दर्शाया जा सकता है जो आईजीडी के निदान के लिए वर्गीकरण मॉडल की रचना करेंगे। आईजीडी के साथ निदान किए गए पैथोलॉजिकल गेमर्स को गैर-गेमिंग स्वस्थ व्यक्तियों से अधिक असंतुष्ट माना जाता था, जबकि आईजीडी के रूप में निदान किए गए गेमर्स से गैर-पैथोलॉजिकल गेमर्स; इस प्रकार, गैर-दैहिक स्वस्थ व्यक्तियों के संबंध में पैथोलॉजिकल गेमर्स को गैर-पैथोलॉजिकल गेमर्स की तुलना में बड़ी संख्या में विशेषताओं की विशेषता हो सकती है। इसके अलावा, हम यह तय करना चाहते थे कि क्या गैर-रोगविज्ञानी गेमर रोगविज्ञानी गेमर्स से कम अलग-अलग हो सकते हैं या गैर-गेमिंग स्वस्थ व्यक्तियों से। गैर-रोगविज्ञानी गेमर्स को वर्णनात्मक लक्षणों के संदर्भ में अस्पष्ट रूप से गैर-गेमिंग स्वस्थ व्यक्तियों के करीब माना जा सकता है, लेकिन हमने सोचा कि गणना-आधारित वर्गीकरण के माध्यम से इस तरह की धारणा को मान्य करने की आवश्यकता है।
सामग्री और तरीके
प्रतिभागियों
इंटरनेट-आधारित गेम खेलने वाले 237 प्रतिभागियों में से, 106 व्यक्तियों को उन लोगों को छोड़कर चुना गया, जिन्होंने स्वयं-रिपोर्ट किए गए IGDS के बीच एक बेमेल का प्रदर्शन किया और IGD के निदान में नैदानिक मनोवैज्ञानिक के साथ एक संरचित साक्षात्कार या याद किया या गंभीर रूप से विकृत मस्तिष्क इमेजिंग डेटा था। IGDS, 38 व्यक्तियों (27.66 UM 5.61 वर्ष; 13 महिलाओं) के आधार पर, जो कम से कम पाँच IGDS वस्तुओं को संतुष्ट करते थे, उनमें अव्यवस्थित गेमर्स और 68 व्यक्ति (27.96 ± 6.41 वर्ष; 21 महिलाएँ) को सबसे अधिक IGDS आइटम से संतुष्ट किया जाता था। सामान्य गेमर। दो और चार के बीच आईजीडीएस आइटम को संतुष्ट करने वाले व्यक्तियों को भी बाहर कर दिया गया था, क्योंकि वे अव्यवस्थित और सामान्य गेमर्स के बीच एक और वर्ग के रूप में विचार कर सकते हैं (12)। इसके अलावा, 37 व्यक्ति (25.86, 4.10 साल; 13 महिलाएं) इंटरनेट-आधारित गेम नहीं खेल रहे थे, उन्हें अलग से भर्ती किया गया था, और उन्हें स्वस्थ गैर-गेमर्स का लेबल दिया गया था। सभी प्रतिभागियों में comorbidities की अनुपस्थिति की पुष्टि की गई थी। हेलसिंकी की घोषणा और उसके बाद के संशोधनों के अनुसार सभी प्रतिभागियों से लिखित सूचित सहमति प्राप्त की गई थी और सियोल सेंट मैरी अस्पताल, सियोल, कोरिया में संस्थागत समीक्षा बोर्ड द्वारा अध्ययन को मंजूरी दी गई थी।
एमआरआई डेटा का अधिग्रहण
संरचनात्मक एमआरआई (एसएमआरआई) और प्रसार-भारित एमआरआई (डीएमआरआई) डेटा को एक्सएनयूएमएक्स टी मैग्नेटम वेरियो सिस्टम (सीमेंस एजी, एर्लांगेन, जर्मनी) का उपयोग करके एकत्र किया गया था। SMRI डेटा का अधिग्रहण एक मैग्नेटाइजेशन-तैयार रैपिड ग्रेडिएंट इको सीक्वेंस का उपयोग करके किया गया था: धनु विमान में स्लाइस की संख्या = 3, स्लाइस की मोटाई = 176 मिमी, मैट्रिक्स का आकार = 1 / 256 और इन-प्लेन रिज़ॉल्यूशन = 256 × 1 मिमी । DMRI डेटा के अधिग्रहण के लिए, 1 दिशाओं में प्रसार ढाल एन्कोडिंग के साथ किया गया था b = 1,000 s / मिमी2 और एकल-शॉट इको-प्लानर इमेजिंग अनुक्रम का उपयोग किया गया था: अक्षीय विमान में स्लाइस की संख्या = 75, स्लाइस मोटाई = 2 मिमी, मैट्रिक्स आकार = 114 × 114, और इन-प्लेन रिज़ॉल्यूशन = 2 × 2 मिमी।
MRI डेटा की प्रोसेसिंग
CAT12 में शामिल उपकरण (http://www.neuro.uni-jena.de/cat/) sMRI डेटा को प्रोसेस करने के लिए उपयोग किया जाता था। मस्तिष्क की मात्रा की छवि को अलग-अलग ऊतकों में विभाजित किया गया था, जिसमें जीएम, डब्लूएम, और कॉर्टिकोस्पाइनल द्रव और साथ ही स्थानिक रूप से मानक स्थान में संदर्भ मस्तिष्क में पंजीकृत किया गया था। Voxel- आधारित मॉर्फोमेट्री (VBM) में, voxel-wise GM मात्रा का अनुमान एक voxel की मात्रा से GM होने की संभावना को गुणा करके लगाया जाता था, और फिर उन मूल्यों को कुल intracranial वॉल्यूम द्वारा विभाजित किया गया था ताकि सिर की मात्रा में व्यक्तिगत अंतर को समायोजित किया जा सके। सतह-आधारित आकारमिति (SBM) में, प्रक्षेपण-आधारित मोटाई विधि का उपयोग करके कॉर्टिकल मोटाई का अनुमान लगाया गया था (13).
डीएमआरआई डेटा की प्रोसेसिंग
FSL 5.0 में शामिल उपकरण (http://fsl.fmrib.ox.ac.uk/fsl/) को dMRI डेटा को संसाधित करने के लिए नियोजित किया गया था। सभी छवियों के साथ हासिल की गई अशक्त छवि को पुनः प्राप्त किया गया था b = 0 s / मिमी2 एड़ी वर्तमान-प्रेरित विकृतियों और सिर की गति के लिए सही करने के लिए। मस्तिष्क के भीतर प्रत्येक स्वर में एक विसरण टेन्सर प्रतिरूपित किया गया था, और फैलाने वाले अनिसोट्रॉपी (एफए), माध्य विवर्तन (एमडी), अक्षीय विभेदीकरण (AD), और रेडियल डिफिसिलिटी (RD) सहित टैंसर-व्युत्पन्न मापदंडों की गणना की गई; डिफ्यूजन टैंसर के अलग-अलग एक्सिस के साथ तीन डिफ्यूज़िव दिए गए, एफए की गणना तीन एक्सिस, एमडी के बीच डिफ्यूसिएशन डिफरेंसेस के वर्गों के योग के वर्गाकार रूट के रूप में की गई थी, तीन एक्सिस में औसत डिफिसिटिटी, प्रिंसिपल एक्सिस के साथ सबसे बड़ी डिफिसिटिटी के रूप में एड। , और दो छोटी कुल्हाड़ियों के साथ प्रसार के औसत के रूप में आरडी। पथ-आधारित स्थानिक आँकड़ों (TBSS) का उपयोग करना (14) एफएसएल एक्सएनयूएमएक्स में कार्यान्वित किया गया, प्रसार टेंसर-व्युत्पन्न मापदंडों के नक्शे को स्थानिक रूप से मानक अंतरिक्ष में एक संदर्भ मस्तिष्क में पंजीकृत किया गया था, और फिर उन्हें एक WM पथ कंकाल पर अनुमानित किया गया था।
फीचर जनरेशन
एक वर्गीकरण मॉडल को डिजाइन करने के लिए दो प्रमुख चरण हैं फीचर जनरेशन और चयन। हमने न्यूरानाटॉमी से विशेष रूप से जीएम क्षेत्रों के एक सेट की मात्रा और मोटाई और WM ट्रैक्ट के सेट की अखंडता और प्रसार से विशेषताएं उत्पन्न कीं। क्रमशः, VBM और SBM से प्राप्त voxel-wise मैप्स के रूप में GM वॉल्यूम और कॉर्टिकल मोटाई का आकलन करने के बाद, मापदंडों का मूल्यांकन 60 GM क्षेत्रों (तालिका के प्रत्येक के लिए किया गया था) S1), हैमर एटलस के रूप में रद्द15), उसके भीतर सभी स्वरों के औसत के रूप में। टीबीएसएस से अधिग्रहीत डब्ल्यूएम पथ के कंकाल पर एफए, एमडी, एडी और आरडी जैसे स्वर-वार मानचित्रों के अनुमानित प्रसार टैंसर-व्युत्पन्न पैरामीटर होने के बाद, मापदंडों को एक्सएनएक्सएक्स डब्ल्यूएम ट्रैक्स (तालिका के प्रत्येक के लिए गणना की गई थी) S2), ICBM DTI-81 एटलस के रूप में रद्द किया गया (16), उसके भीतर सभी स्वरों के औसत के रूप में। संक्षेप में, हमने जीएम के दो मापदंडों और WM के चार मापदंडों पर विचार किया, जिसमें जीएम और WM मापदंडों के आठ संयोजनों का उत्पादन हुआ। GM और WM पैरामीटर के प्रत्येक संयोजन के लिए, 60 GM क्षेत्रों और 48 WM ट्रैक्स के पैरामीटर मानों ने कुल 108 न्यूरानैटोमिकल विशेषताओं की रचना की।
नियमित प्रतिगमन द्वारा सुविधा का चयन
विशेष रूप से बड़ी संख्या में विशेषताओं और टिप्पणियों की सीमित संख्या वाले डेटा के लिए, सुविधाओं की संख्या कम करना महत्वपूर्ण है। सुविधाओं की संख्या के संबंध में टिप्पणियों की सीमित संख्या के कारण शोर अधिक हो सकता है, और नियमितीकरण एक ऐसी तकनीक है जो एक मॉडल पर अतिरिक्त जानकारी या बाधाओं को पेश करके ओवरफिटिंग को कम करने या रोकने में सक्षम बनाती है। क्योंकि सभी 108 सुविधाओं में वर्गीकरण के लिए उपयोगी और आवश्यक जानकारी शामिल नहीं हो सकती है, हमने नियमित प्रतिगमन को लागू करके सुविधाओं का एक विरल सेट चुना। विशेष रूप से, लासो (17) और लोचदार नेट (18) का उपयोग नियमित रूप से लॉजिस्टिक प्रतिगमन के लिए किया गया था। लास्सो में एक दंड शब्द, या एक नियमितीकरण पैरामीटर, λ शामिल है, जो लॉजिस्टिक रिग्रेशन मॉडल में गुणांक अनुमानों के आकार को कसता है। क्योंकि λ में वृद्धि अधिक शून्य-मूल्यवान गुणांक की ओर ले जाती है, लैस्सो अपने भविष्यवक्ताओं के साथ कम लॉजिस्टिक प्रतिगमन मॉडल प्रदान करता है। लोचदार नेट भी गुणांक को शून्य से कम करके एक लॉजिस्टिक रिग्रेशन मॉडल तैयार करता है, विशेष रूप से लसो और रिज रिग्रेशन के एक हाइब्रिड नियमितीकरण पैरामीटर को शामिल करके, अत्यधिक सहसंबंधी भविष्यवक्ताओं के इलाज में लसो की सीमा को पार करते हुए (19).
तीन समूहों की प्रत्येक जोड़ी के बीच वर्गीकरण के लिए, हमने लॉजिस्टिक और इलास्टिक नेट को एक लॉजिस्टिक रिग्रेशन मॉडल में 108 न्यूरोनेटोमिक विशेषताओं के बीच महत्वपूर्ण भविष्यवक्ताओं की पहचान करने के लिए लागू किया। तीनों समूहों में से प्रत्येक जोड़ी में सभी व्यक्तियों के 108 सुविधाओं को डेटा मैट्रिक्स बनाने के लिए मानकीकृत किया गया था, Aजिसमें प्रत्येक पंक्ति ने एक प्रेक्षण का प्रतिनिधित्व किया और प्रत्येक स्तंभ ने एक भविष्यवक्ता का प्रतिनिधित्व किया। जीएम और WM मापदंडों पर व्यक्तियों की उम्र और लिंग के प्रभावों के लिए सही करने के लिए, एक अवशिष्ट बनाने वाला मैट्रिक्स, R, उत्पन्न किया गया था: R = I-C(CTC)-1C जहां I एक पहचान मैट्रिक्स था और C एक मैट्रिक्स कोडिंग था जो उम्र और लिंग के सहसंबंधी सहसंयोजक था। इसके बाद इसे लागू किया गया था A प्राप्त करने के बाद अवशिष्ट को प्राप्त करने के लिए अवशिष्ट कोवरेट्स: X = RA.
समायोजित डेटा मैट्रिक्स को देखते हुए, X, और प्रतिक्रिया, Y, कि व्यक्तियों के दो वर्गों को कोडित किया गया था, 10- गुना क्रॉस-वैलिडेशन (CV) का उपयोग नियमितीकरण पैरामीटर की खोज करने के लिए किया गया था, λMinErr, कि सत्यापन के सिलसिले में औसतन परीक्षण किए गए मॉडल के लिए नकारात्मक लॉग-अप के रूप में परिभाषित, विचलन के संदर्भ में न्यूनतम त्रुटि प्रदान की गई। वैकल्पिक रूप से, क्योंकि एक CV वक्र में प्रत्येक λ परीक्षण, एक नियमितीकरण पैरामीटर, λ पर त्रुटियां हैं1SE, जो λ से नियमितीकरण की दिशा में न्यूनतम सीवी त्रुटि के एक मानक त्रुटि के भीतर पाया गया थाMinErr पर भी विचार किया गया। यही है, λ में स्पैसर सुविधाओं का चयन किया गया था1SE, जबकि विरल सुविधाओं को λ में निर्धारित किया गया थाMinErr। कम भविष्यवक्ताओं के साथ एक नियमित लॉजिस्टिक प्रतिगमन मॉडल की मांग के लिए यह प्रक्रिया जीएम और WM मापदंडों के हर संयोजन के लिए दोहराई गई थी जिसमें 108 न्यूरानैटोमिकल विशेषताएं शामिल थीं।
चयनित सुविधाओं का प्रदर्शन
विरल और विरल सुविधाओं की उपयोगिता का आकलन करने के लिए, प्रदर्शन की तुलना मॉडल की कम संख्या वाली विशेषताओं और मॉडल के साथ की गई थी, जिसमें सभी 108 फीचर सपोर्ट वेक्टर मशीनों (SVM) में थे, जो रिसीवर ऑपरेटिंग विशेषता (ROC) वक्र को मापते थे। कर्नेल फ़ंक्शन के रूप में एक रैखिक कर्नेल और पांच-गुना सीवी द्वारा अनुकूलित हाइपरपरमेटर्स के साथ, तीन समूहों के प्रत्येक जोड़े में सभी व्यक्तियों के लिए एक एसवीएम प्रशिक्षित किया गया था। आरओसी वक्र (एयूसी) के तहत क्षेत्र को प्रत्येक मॉडल के लिए अपने प्रदर्शन के एक मात्रात्मक माप के रूप में गणना की गई थी। देलांग परीक्षण (20) को प्रत्येक मॉडल की जोड़ी के बीच AUC की तुलना करने के लिए नियोजित किया गया था। जब AUC में अंतर हुआ p-0.05 के विकास, प्रदर्शन को दो मॉडलों में तुलनीय नहीं माना जाता था।
वर्गीकरण सटीकता
वर्गीकरण मॉडल के निर्माण के लिए पीढ़ी और सुविधाओं के चयन से योजनाबद्ध प्रक्रियाएं चित्रा में प्रस्तुत की गई हैं Figure1.1। तीनों समूहों में से प्रत्येक जोड़ी के लिए, एसवीएम वर्गीकरण मॉडल को भविष्यवाणियों के रूप में चयनित विशेषताओं का उपयोग करके उत्पन्न किया गया था। हमने लीव-वन-आउट सीवी स्कीम को नियोजित करके वर्गीकरण मॉडल की सटीकता का आकलन किया, जैसे कि आउट-ऑफ-सैंपल वर्गीकरण सटीकता प्रत्येक बाएं-आउट व्यक्तिगत के लिए गणना की गई थी और फिर इसे सभी व्यक्तियों में औसतन किया गया था। क्रमपरिवर्तन परीक्षणों को नियोजित करके सटीकता के सांख्यिकीय महत्व का अनुमान लगाया गया था। तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकृत करने के लिए एक अनुभवजन्य अशक्त वितरण व्यक्तियों के लेबल को बार-बार अनुमति देकर और अनुमत लेबल के साथ जुड़े सटीकता को मापने के द्वारा उत्पन्न किया गया था। जब अनपेक्षित लेबल के लिए मापी गई सटीकता ए पर नल वितरण से अधिक या बराबर थी p0.05 का स्तर, जो मौका स्तर (सटीकता = 50%) से काफी भिन्न होना निर्धारित किया गया था। इसके अलावा, तीन समूहों के प्रत्येक जोड़े के बीच अंतर के बारे में संवेदनशीलता और विशिष्टता का वर्णन करने के लिए एक भ्रम मैट्रिक्स की कल्पना की गई थी।
अव्यवस्थित गेमर्स (DG) और स्वस्थ गैर-गेमर्स (HN), सामान्य गेमर्स (NG) और HN के बीच, और DG और NG के बीच के वर्गीकरण के लिए मॉडल के निर्माण के लिए न्यूरॉन्सोमोमिकल सुविधाओं की पीढ़ी और चयन से योजनाबद्ध प्रक्रियाएं। जीएम, ग्रे पदार्थ; WM, सफेद पदार्थ।
परिणाम
फीचर चयन
आकृति Figure22 108 सुविधाओं में उनके गुणांक अनुमान और तालिका के साथ चयनित सुविधाओं को प्रदर्शित करता है Table11 तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकरण के लिए नियमित लॉजिस्टिक प्रतिगमन मॉडल की संबंधित फिटिंग जानकारी का वर्णन करता है। इसके अलावा, चित्रा S1 दिखाता है कि किस λ ने न्यूनतम सीवी त्रुटि प्राप्त की है और λ में कितनी विशेषताओं का चयन किया गया है1SE साथ ही साथ λMinErr। स्वस्थ गैर-गेमर्स और सामान्य गेमर्स के बीच वर्गीकरण के लिए और अन्य वर्गीकरण के लिए लोचदार नेट (लासो वजन = एक्सएनयूएमएक्स) द्वारा वर्गीकरण के लिए कम से कम त्रुटि सीवी त्रुटि को लैस्सो (लासो वजन = एक्सएनयूएमएक्स) द्वारा प्राप्त किया गया था।
तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकरण के लिए नियमित रूप से लॉजिस्टिक प्रतिगमन में चयनित न्यूरानाटोमिकल विशेषताएं। स्वस्थ गैर-गेमर्स (एचएन) और डीजी, सामान्य गेमर्स (एनजी) के बीच वर्गीकरण में 1 और एचएन और एनजी के बीच के वर्गीकरण में, और एनजी और डीजी के बीच के वर्गीकरण में डीजी के रूप में विकारित गेमर्स (डीजी) को 1 के रूप में कोडित किया गया था। एक बार का आकार संबंधित विशेषता के गुणांक के आकार का प्रतिनिधित्व करता है, जैसे कि गैर-शून्य गुणांक की विशेषताएं चयनित हैं। प्रदान किए गए दिमाग एक बेहतर दृष्टिकोण से चयनित विशेषताओं के अनुरूप ग्रे पदार्थ और सफेद पदार्थ के घटकों को दर्शाते हैं। लाल या नीले रंग की विशेषताएं, λ में निर्धारित विरल विशेषताओं में शामिल हैं1SE साथ ही साथ विरल सुविधाओं में λ पर निर्धारित किया जाता हैMinErr, जबकि पीले या मैजेंटा वाले उन लोगों को इंगित करते हैं जो केवल विरल विशेषताओं में शामिल हैं। मस्तिष्क के घटकों के लेबल टेबल्स में दिए गए हैं S1 और S2। एल, बाएं; आर, सही।
टेबल 1
तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकरण के लिए नियमित लॉजिस्टिक प्रतिगमन की जानकारी फिटिंग।
एचएन बनाम डीजी | एचएन बनाम एनजी | एनजी बनाम डीजी | ||
---|---|---|---|---|
प्राचल | GM | मोटाई | मोटाई | खंड |
WM | FA | RD | MD | |
लसो वजन | 0.5 | 1 | 0.5 | |
Λ में चयनित विरल सुविधाएँMinErr | सीवी त्रुटि | 37.3681 | 41.7876 | 133.3857 |
सुविधाओं की संख्या | 43 | 21 | 11 | |
Λ में चयनित स्पैसर सुविधाएँ1SE | सीवी त्रुटि | 46.5681 | 50.0435 | 141.2622 |
सुविधाओं की संख्या | 34 | 12 | 1 |
लैस्सो वेट इंगित करता है कि लैस्सो (लैस्सो वेट = एक्सएनयूएमएक्स) या इलास्टिक नेट (लैस्सो वेट = एक्सएनयूएमएक्स) का उपयोग करके नियमित रूप से लॉजिस्टिक रिग्रेशन किया गया था या नहीं.
एचएन, स्वस्थ गैर-गेमर्स; डीजी, अव्यवस्थित गेमर्स; एनजी, सामान्य गेमर; जीएम, ग्रे पदार्थ; WM, सफेद पदार्थ; एफए, आंशिक अनिसोट्रॉपी; आरडी, रेडियल डिफिसिटी; एमडी, माध्यता अर्थ; सीवी, क्रॉस-सत्यापन.
स्वस्थ गैर-गेमर्स से अव्यवस्थित गेमर्स के भेदभाव में, 43 को λ में चुना गया हैMinErr 24 GM क्षेत्रों और 19 WM ट्रैक्स के FA की मोटाई शामिल है, और 34 में λ की विशेषताएं हैं1SE 15 GM क्षेत्रों और 19 WM ट्रैक्स के FA की मोटाई शामिल है। स्वस्थ गैर-गेमर्स से सामान्य गेमर्स के अंतर में, 21 सुविधाओं को λ में चुना गया हैMinErr 12 GM क्षेत्रों और 9 WM ट्रैक्स की RD की मोटाई शामिल है, और 12 में λ की विशेषताएं हैं1SE 6 GM क्षेत्रों और 6 WM ट्रैक्स की RD की मोटाई शामिल है। अव्यवस्थित और सामान्य गेमर्स के बीच वर्गीकरण में, 11 सुविधाओं को λ में चुना गया हैMinErr 7 GM क्षेत्रों और 4 WM ट्रैक्ट्स के MD की मात्रा शामिल है, और एक विशेषता का चयन किया गया है1SE एक जीएम क्षेत्र की मात्रा के अनुरूप।
चयनित सुविधाओं का प्रदर्शन
मॉडल की कम संख्या के साथ मॉडल और सभी एक्सएनयूएमएक्स सुविधाओं के साथ मॉडल के बीच, एसवीएम द्वारा प्रत्येक प्रकार के गेमर्स और स्वस्थ गैर-गेमर्स के बीच भेदभाव में एयूसी के संदर्भ में प्रदर्शन तुलनीय था (चित्रा) (Figure3) .3)। अव्यवस्थित और सामान्य गेमर्स के बीच वर्गीकरण में, सुविधाओं के साथ मॉडल या तो λ में चुना गया हैMinErr (AUC = 0.83, p = 0.006) या λ पर1SE (AUC = 0.72, p <0.001) ने सभी 108 विशेषताओं (AUC = 0.90) के साथ मॉडल की तुलना में खराब प्रदर्शन दिखाया।
रिक्टर ऑपरेटिंग विशेषता वक्र (एयूसी) के तहत क्षेत्र के संदर्भ में प्रदर्शन की तुलना बिना वेक्टर मशीनों के समर्थन में तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकरण के लिए सुविधा चयन के साथ और मॉडल के बीच। 108 सुविधाओं का मॉडल (ठोस रेखा द्वारा दर्शाया गया है) फीचर चयन के बिना उसी से मेल खाती है, जबकि कम संख्या वाले मॉडल के मॉडल विरल और विरल सुविधाओं वाले हैं जो λ में चयनित हैंMinErr (धराशायी लाइन द्वारा इंगित) और λ1SE (डैश-डॉट लाइन द्वारा इंगित), क्रमशः। एचएन, स्वस्थ गैर-गेमर्स; डीजी, अव्यवस्थित गेमर्स; एनजी, सामान्य गेमर्स।
वर्गीकरण सटीकता
Λ में चयनित सुविधाओं का उपयोग करके एसवीएम द्वारा वर्गीकरण मेंMinErrसटीकता 98% से अधिक थी, मौका स्तर से काफी अधिक (p <0.001), स्वस्थ गैर-गेमर्स (चित्रा) से गेमर्स के प्रत्येक प्रकार के भेद में (Figure4A) .4A)। सटीकता अभी भी मौका स्तर से काफी अधिक था (p = 0.002) लेकिन अव्यवस्थित और सामान्य गेमर्स के बीच वर्गीकरण में 69.8% जितना कम है, विशेष रूप से अव्यवस्थित गेमर्स की सही पहचान में कम संवेदनशीलता (47.4%) दिखा रहा है। Λ पर निर्धारित विरल सुविधाएँ1SE इसी तरह के प्रदर्शन का प्रदर्शन (चित्रा) (Figure4B) 4B) लेकिन सामान्य गेमर्स से अव्यवस्थित गेमर्स के सही अंतर में बहुत कम संवेदनशीलता (2.6%) दिखाई दी।
उपयोग करते समय तीन समूहों के प्रत्येक जोड़े के बीच वर्गीकरण में भ्रम की स्थिति (एक) विरल और (बी) λ में विरल सुविधाएँ निर्धारित की जाती हैंMinErr और λ पर1SEक्रमशः, वेक्टर मशीनों के समर्थन में। निचले-दाएं सेल वर्गीकरण सटीकता (एसीसी), निचले-बाएँ सेल सही नकारात्मक दर (TNR) या विशिष्टता का प्रतिनिधित्व करते हैं, निचले-मध्य सेल सही सकारात्मक दर (TNR) या संवेदनशीलता, ऊपरी-दाएँ सेल नकारात्मक पूर्वानुमानात्मक मूल्य (NPV) ), और मध्य-दाएं सेल पॉजिटिव प्रेडिक्टिव वैल्यू (पीपीवी) है। टीपी, सच सकारात्मक; टीएन, सच्चा नकारात्मक; एफपी, झूठी सकारात्मक; एफएन, झूठी नकारात्मक।
चर्चा
इस अध्ययन में, हमने यह जांचने की कोशिश की कि क्या DSM-5 में प्रस्तावित IGDS के साथ पैथोलॉजिकल और गैर-पैथोलॉजिकल गेमर्स को विरल न्यूरानैटोमिकल विशेषताओं द्वारा दर्शाया जा सकता है। स्वस्थ गैर-गेमर्स के संबंध में क्रमश: एक्सएनयूएमएक्स और एक्सएनयूएमएक्स सुविधाओं के संदर्भ में अव्यवस्थित और सामान्य गेमर्स का प्रतिनिधित्व किया गया था। इसके अलावा, सामान्य गेमर्स के संबंध में एक्सएनयूएमएक्स सुविधाओं के संदर्भ में अव्यवस्थित गेमर्स का प्रतिनिधित्व किया गया था। विरल न्यूरोएनाटॉमिकल विशेषताओं का उपयोग करते हुए, अव्यवस्थित और सामान्य गेमर्स को स्वस्थ गैर-गेमर्स से सफलतापूर्वक भेदभाव किया जा सकता है, लेकिन अव्यवस्थित और सामान्य गेमर्स के बीच वर्गीकरण अपेक्षाकृत चुनौतीपूर्ण था।
DSM-5 में प्रस्तावित IGDS के साथ IGD के लक्षण-आधारित वर्णनात्मक वर्गीकरण को व्यापक रूप से अपनाया जा रहा है। हालांकि कई देशों में IGDS की अनुभवजन्य वैधता की पुष्टि की गई है (3, 21, 22), पाँच या अधिक आईजीडीएस वस्तुओं का अनुभव करने की सीमा एक निश्चित विकल्प नहीं हो सकती है, और इंटरनेट-आधारित गेम खेलने वाले व्यक्तियों को वर्गीकृत करने के अन्य तरीकों का सुझाव दिया जा सकता है (12)। चूंकि कई प्रकार के नैदानिक डेटा, जैसे मस्तिष्क इमेजिंग डेटा और साथ ही जनसांख्यिकीय, व्यवहारिक और रोगसूचक डेटा तेजी से उपलब्ध हो जाते हैं, अतिरिक्त डेटा को मानसिक बीमारी के निदान के लिए अधिमानतः नियोजित किया जा सकता है। विशेष रूप से, मात्रात्मक जानकारी की व्यापकता के कारण, मस्तिष्क इमेजिंग डेटा कम्प्यूटेशनल दृष्टिकोणों के लिए अनुकूल है और भविष्यवाणी के लिए उपयोगी होगा। वास्तव में, मस्तिष्क इमेजिंग डेटा को नैदानिक रूप से प्रासंगिक समस्या को हल करने के लिए भविष्यवाणी में अन्य नैदानिक डेटा की तुलना में बेहतर भविष्य कहनेवाला मान दिखाया गया है (23).
एमएल आधारित नैदानिक वर्गीकरण के रूप में हाल ही में अन्य नशे की लत व्यवहार और विकारों के लिए लागू किया गया है (24-28), आईजीडी के लक्षण-आधारित वर्गीकरण को भी संगणना आधारित वर्गीकरण की चुनौती का सामना करना पड़ता है। क्योंकि IGD के बाद मस्तिष्क की शारीरिक असामान्यताएं पिछले अध्ययनों में बार-बार बताई गई हैं (5-7, 9), हमने आईजीडी के निदान के लिए मस्तिष्क इमेजिंग डेटा संभावित बायोमार्कर से इस तरह के न्यूरानैटोमिकल जानकारी पर विचार किया। इस अध्ययन में, हमारा लक्ष्य महत्वपूर्ण न्यूरानैटोमिकल विशेषताओं के एक समूह की पहचान करना था जो व्यक्तियों के वर्गों के बीच न्यूरानैटोमिकल अंतरों का वर्णन करने से परे पर्याप्त रूप से उच्च वर्गीकरण प्रदर्शन प्रदान कर सकता है।
हमने महत्वपूर्ण लोगों को चुना, 108 न्यूरानैटोमिकल सुविधाओं के साथ, नियमित रूप से प्रतिगमन। जब हमने जीएम और WM मापदंडों के आठ संयोजनों पर विचार किया, तो तीन समूहों के प्रत्येक जोड़े को अलग करने के लिए मापदंडों के विभिन्न संयोजनों का चयन किया गया। जीएम क्षेत्रों की मोटाई और WM ट्रैक्स की अखंडता का संयोजन स्वस्थ गैर-गेमर्स से पैथोलॉजिकल गेमर्स को अलग करने के लिए बेहतर था, जबकि जीएम क्षेत्रों की मात्रा और डब्ल्यूएम ट्रैक्स की भिन्नता के संयोजन ने पैथिक गेमर्स को अलग करने के लिए बेहतर था। गैर-रोगविज्ञानी गेमर्स से। इसके अलावा, हालांकि कई मस्तिष्क घटक आमतौर पर न्यूरोएनेटोमिक सुविधाओं के रूप में कार्य करते हैं जो स्वस्थ गैर-गेमर्स से पैथोलॉजिकल और गैर-पैथोलॉजिकल गेमर्स के भेद के लिए महत्वपूर्ण थे, कुछ जीएम क्षेत्र और WM ट्रैक्स गैर-रोगविज्ञानी गेमर्स की विशेषता रखते हैं, लेकिन पैथोलॉजिकल गेमर्स नहीं । इन निष्कर्षों से संकेत मिलता है कि न्यूरोमैटिकल बायोमार्कर के रूप में जीएम और डब्ल्यूएम मापदंडों का एक सार्वभौमिक रूप से सबसे अच्छा प्रदर्शन करने वाला संयोजन नहीं हो सकता है, ताकि वर्गीकृत किए जाने वाले समूहों के अनुसार जीएम और डब्ल्यूएम मापदंडों के एक विशिष्ट संयोजन का चयन करने की आवश्यकता हो।
स्वस्थ गैर-गेमर्स से पैथोलॉजिकल गेमर्स के अंतर की तुलना में गैर-पैथोलॉजिकल गेमर्स के अंतर के लिए विरल विशेषताओं की छोटी संख्या दर्शाती है कि गैर-पैथोलॉजिकल गेमर्स पैथोलॉजिकल गेमर्स और स्वस्थ के बीच एक संक्रमणकालीन अवस्था में हैं। गैर gamers। इसके अलावा, दो प्रकार के गेमर्स के बीच वर्गीकरण के लिए कम विरल विशेषताएं प्रत्येक प्रकार के गेमर्स और स्वस्थ गैर-गेमर्स के बीच भेदभाव के लिए बताती हैं कि पैथोलॉजिकल और गैर-पैथोलॉजिकल गेमर्स एक-दूसरे के संदर्भ में कम असंतुष्ट थे। न्यूरानोटॉमी की तुलना में उन्हें स्वस्थ गैर-गेमर्स से अलग किया जा रहा है। तदनुसार, विरल के साथ उत्पन्न वर्गीकरण मॉडल में प्रत्येक प्रकार के गेमर्स और स्वस्थ गैर-गेमर्स के बीच भेदभाव में 98% से अधिक सटीकता की उपज होती है, लेकिन दो प्रकार के गेमर्स के बीच वर्गीकरण में 70% से कम सटीकता होती है। अर्थात्, गैर-रोगविज्ञानी गेमर्स स्वस्थ गैर-गेमर्स के साथ-साथ पैथोलॉजिकल गेमर्स से अलग थे, लेकिन पैथोलॉजिकल और गैर-पैथोलॉजिकल गेमर्स के बीच अंतर करने में सीमाएं थीं।
गेमर्स के दो प्रकारों के बीच यह अपेक्षाकृत कम अंतर है, कुछ धारणाओं का सुझाव देता है। सबसे पहले, लक्षण-आधारित वर्गीकरण और कम्प्यूटेशन-आधारित वर्गीकरण के बीच एक बेमेल का प्रस्ताव किया जा सकता है। हालांकि IGDS में अति-निदान को रोकने के लिए IGDS में पांच या अधिक मानदंडों का अनुभव करने के प्रस्तावित नैदानिक सीमा को रूढ़िवादी रूप से चुना गया था (12), न्यूरोएनाटॉमी में काफी पैथोलॉजिकल परिवर्तन पीड़ित गेमर्स की मौजूदगी लेकिन आईजीडी थ्रेसहोल्ड को संतुष्ट नहीं करना शायद उपेक्षा नहीं होगी। विशेष रूप से, हमने केवल ऐसे गेमर्स को शामिल किया जो IGD आइटमों को सामान्य गेमर्स की तुलना में IGD सीमा से बहुत कम संतुष्ट करते थे, ताकि IGD के नहीं होने के रूप में निदान किए गए गेमर्स सामान्य रूप से इस अध्ययन में दिखाए गए की तुलना में गैर-गेमिंग स्वस्थ व्यक्तियों से अधिक दूर हो सकें। दूसरे, केवल न्यूरानैटोमिकल बायोमार्कर पर निर्भर वर्गीकरण में एक चुनौती पर ध्यान दिया जा सकता है। अन्य बायोमार्करों को शामिल करके वर्गीकरण प्रदर्शन में सुधार किया जा सकता है जो रोगविज्ञानी और गैर-रोगविज्ञानी गेमर्स के बीच अधिक असमानता को पकड़ सकते हैं। विशेष रूप से, क्योंकि मस्तिष्क में कार्यात्मक परिवर्तन आईजीडी में भी प्रदर्शित होते हैं (29-33), कार्य के साथ-साथ मस्तिष्क की शारीरिक रचना को मस्तिष्क बायोमार्कर माना जा सकता है। इसके अलावा, हम यह नोट करना चाहते हैं कि मस्तिष्क में परिवर्तन केवल इंटरनेट गेमिंग की लत के बहुआयामी पहलुओं का हिस्सा हैं, ताकि अन्य कारक, इंटरनेट गेमिंग की लत के लिए कम से कम विभिन्न आंतरिक और बाहरी जोखिम वाले कारकों (34), पैथोलॉजिकल और गैर-पैथोलॉजिकल गेमर्स के साथ-साथ गैर-गेमिंग स्वस्थ व्यक्तियों से गेमर्स के अंतर के वर्गीकरण के लिए और अधिक पूर्ण मॉडलों में शामिल होना चाहिए।
यहां, हमने वर्गीकरण मॉडल के लिए महत्वपूर्ण विशेषताओं की पहचान करने के लिए, लैस्सो और इलास्टिक नेट जैसे स्पार्सिटी-प्रमोशन एस्टीमेटर्स का उपयोग करते हुए नियमित रूप से प्रतिगमन नियोजित किया है। वास्तव में फीचर चयन या आयामीता में विधायी विविधताएं हैं, और मॉडल निर्माण में चयनित सुविधाओं के उपयोग के लिए विभिन्न प्रकार के दृष्टिकोण को नियोजित किया जा सकता है (35)। नियमित रूप से प्रतिगमन का उपयोग करने वाला हमारा दृष्टिकोण तंत्रिका संबंधी विशेषताओं में विरलता के विषय में एक पूर्व धारणा है। बशर्ते कि ऐसी धारणा स्वीकार्य है, जैसा कि हम इस अध्ययन में विश्वास करते हैं, नियमित रूप से प्रतिगमन एक प्रशंसनीय दृष्टिकोण हो सकता है, और विरल सुविधाओं के चयनित सेट से पर्याप्त उच्च प्रदर्शन के वर्गीकरण मॉडल की रचना करने की उम्मीद की जाएगी। लेकिन यह उल्लेखनीय है कि अधिक प्रसार के आधार पर सरल वर्गीकरण मॉडल हमेशा तुलनीय या बेहतर प्रदर्शन का प्रदर्शन नहीं कर सकते हैं। वास्तव में, एक नियमितीकरण पैरामीटर के अनुसार स्पार्सिटी की डिग्री के विभिन्न विकल्पों में, अधिक से अधिक स्पार्सिटी विशेष रूप से अधिक चुनौतीपूर्ण वर्गीकरण समस्याओं में बेहतर प्रदर्शन करने वाले मॉडल प्रदान करने की संभावना नहीं थी, जैसे कि रोगविज्ञानी और गैर-रोगविज्ञानी गेमर्स के बीच वर्गीकरण।
इसके अलावा, हमने एसवीएम का उपयोग वर्गीकरण मॉडल के निर्माण के लिए एक एमएल तकनीक के रूप में किया है, क्योंकि वे सबसे लोकप्रिय लोगों में से हैं। वर्गीकरण प्रदर्शन को बेहतर बनाने के लिए अन्य उन्नत विधियों का उपयोग किया जा सकता है, हालांकि प्रयोगात्मक तरीकों के आधार पर प्रदर्शन की निर्भरता के कारण विभिन्न तरीकों के बीच तुलनात्मक प्रदर्शन का निष्कर्ष नहीं निकाला जा सकता है (19)। दूसरी ओर, शास्त्रीय सांख्यिकीय विधियों और एमएल तकनीकों के बीच तुलनात्मक प्रदर्शन के लिए, हमने लॉजिस्टिक रिग्रेशन के रूप में अच्छी तरह से वर्गीकरण किया और दिखाया कि दो तरीके, अर्थात् लॉजिस्टिक रिग्रेशन और एसवीएम, वर्गीकरण के प्रदर्शन में तुलनीय थे (चित्र) S2)। यह ध्यान दिया जा सकता है कि शास्त्रीय सांख्यिकीय विधियां हमेशा वर्गीकरण प्रदर्शन में एमएल तकनीकों से नीच नहीं हैं (36).
वर्तमान अध्ययन में, हमने खुलासा किया है कि IGD के लक्षण-आधारित वर्गीकरण को विरल न्यूरानैटोमिकल बायोमार्कर के रूप में दर्शाया जा सकता है, जो वर्गीकरण मॉडल की रचना करते हैं। इसके अलावा, हमने यह प्रदर्शित किया है कि नॉन-पैथोलॉजिकल गेमर न्यूरो-गेमिंग स्वस्थ व्यक्तियों की तुलना में पैथोलॉजिकल गेमर्स से कम अलग-अलग हो सकते हैं। हम इस प्रकार सुझाव देते हैं कि यद्यपि वर्तमान नैदानिक प्रणालियां डीएसएम-एक्सएनयूएमएक्स जैसे वर्णनात्मक वर्गीकरण पर निर्भर करती हैं क्योंकि सोने के मानकों के अनुसार, गैर-पैथोलॉजिकल गेमर्स को उद्देश्य बायोमार्कर जैसे न्यूरोएनेटोमिकल परिवर्तन से जुड़े लोगों को नियोजित करके अधिक देखभाल के साथ निदान करने की आवश्यकता हो सकती है। कम्प्यूटेशनल दृष्टिकोणों को अपनाना मनोरोग में एक अपरिवर्तनीय प्रवृत्ति है, लेकिन नैदानिक वातावरण में व्यावहारिक रूप से लागू करने के लिए एक लंबा रास्ता तय करना हो सकता है। मस्तिष्क इमेजिंग और अन्य नैदानिक डेटा से विरल सुविधाओं के इष्टतम चयन की खोज बाद के अध्ययनों में करने की आवश्यकता है, और लंबी अवधि में, ये प्रयास आईजीडी की गणना आधारित निदान को बढ़ावा देंगे।
लेखक का योगदान
डी-जेके और जे-डब्ल्यूसी अध्ययन अवधारणा और डिजाइन के लिए जिम्मेदार थे। HC ने प्रतिभागियों के नैदानिक लक्षण वर्णन और चयन का संचालन किया। सीपी ने डेटा का विश्लेषण किया और पांडुलिपि का मसौदा तैयार किया। सभी लेखकों ने समीक्षकों द्वारा समीक्षित सामग्री और प्रकाशन के लिए अंतिम संस्करण को मंजूरी दी।
ब्याज स्टेटमेंट का झगड़ा
लेखकों ने घोषणा की कि अनुसंधान किसी भी वाणिज्यिक या वित्तीय संबंधों की अनुपस्थिति में आयोजित किया गया था जिसे ब्याज के संभावित संघर्ष के रूप में माना जा सकता है।
फुटनोट
अनुदान। इस शोध को कोरिया के नेशनल रिसर्च फाउंडेशन (NRF) के माध्यम से ब्रेन साइंस रिसर्च प्रोग्राम द्वारा समर्थित किया गया था, जो कि कोरिया में विज्ञान मंत्रालय और ICT द्वारा वित्त पोषित (NRF-2014M3CUMNUMXA7) है।
पूरक सामग्री
इस लेख के लिए अनुपूरक सामग्री ऑनलाइन मिल सकती है: https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00291/full#supplementary-material
संदर्भ