จำแนกผู้เล่นเกมทางอินเทอร์เน็ตที่ไม่ใช่พยาธิวิทยาและพยาธิวิทยาโดยใช้คุณสมบัติทางประสาทวิทยาแบบกระจัดกระจาย (2018)

สวนสาธารณะ Chang-hyun,¹ จีวอนชอน,¹ ฮยอนโช,^1,2 และ ไดจินคิม^1,*

ความผิดปกติของการเล่นเกมทางอินเทอร์เน็ต (IGD) มักจะได้รับการวินิจฉัยบนพื้นฐานของเกณฑ์เก้าประการจากคู่มือการวินิจฉัยและสถิติของความผิดปกติทางจิตรุ่นล่าสุด (DSM-5) ที่นี่เราตรวจสอบว่าการจัดหมวดหมู่ตามอาการดังกล่าวสามารถแปลเป็นการจัดหมวดหมู่ตามการคำนวณ โครงสร้าง MRI (sMRI) และข้อมูลการกระจายน้ำหนัก MRI (dMRI) ได้มาจากนักเล่นเกม 38 ที่ได้รับการวินิจฉัยว่าเป็น IGD, นักเล่นเกมทั่วไป 68 ที่วินิจฉัยว่าไม่มี IGD และ 37 ผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพ เราสร้างคุณสมบัติ 108 ของโครงสร้างสสารเทา (GM) และโครงสร้างสสารขาว (WM) จากข้อมูล MRI เมื่อถดถอยโลจิสติกปกติถูกนำไปใช้กับคุณสมบัติทางประสาทวิทยา 108 เพื่อเลือกสิ่งที่สำคัญสำหรับความแตกต่างระหว่างกลุ่มเกมเมอร์ที่ไม่เป็นระเบียบและปกติถูกแสดงในแง่ของคุณสมบัติ 43 และ 21 ตามลำดับในความสัมพันธ์กับ นักเล่นเกมที่ไม่เป็นระเบียบถูกแสดงในรูปแบบของคุณสมบัติ 11 ที่เกี่ยวข้องกับเกมเมอร์ปกติ ในการสนับสนุนเวกเตอร์แมชชีน (SVM) โดยใช้คุณสมบัติทางประสาทวิทยาเชิงกระจัดกระจายเป็นตัวทำนายนักเล่นเกมที่ไม่เป็นระเบียบและปกติได้รับการจำแนกได้สำเร็จโดยมีความแม่นยำมากกว่า 98% จากผู้ที่ไม่ใช่ผู้เล่นที่มีสุขภาพดี แต่การจำแนกระหว่าง การค้นพบเหล่านี้ชี้ให้เห็นว่านักเล่นเกมทางพยาธิวิทยาและพยาธิวิทยาที่ไม่ได้จัดหมวดหมู่ตามเกณฑ์จาก DSM-5 สามารถแสดงได้ด้วยคุณสมบัติทางประสาทวิทยาที่กระจัดกระจายโดยเฉพาะอย่างยิ่งในบริบทของการแยกแยะผู้ที่มีสุขภาพดี

ผู้เข้าร่วมกิจกรรม

ในบรรดาผู้เข้าร่วม 237 ที่เล่นเกมบนอินเทอร์เน็ตบุคคล 106 ได้รับการคัดเลือกโดยไม่รวมผู้ที่แสดงความไม่ตรงกันระหว่าง IGDS ที่รายงานด้วยตนเองและการสัมภาษณ์แบบมีโครงสร้างกับนักจิตวิทยาคลินิกในการวินิจฉัยโรค IGD หรือพลาดข้อมูลการถ่ายภาพสมองผิดเพี้ยน บนพื้นฐานของ IGDS บุคคล 38 (27.66 ± 5.61 ปีหญิง 13) ที่พึงพอใจอย่างน้อยห้ารายการ IGDS ถูกระบุว่าเป็นนักเล่นเกมที่ไม่เป็นระเบียบและบุคคล 68 (27.96 ± 6.41 ผู้หญิง) ซึ่งมีความพึงพอใจมากที่สุดหนึ่งรายการ IGDS นักเล่นเกมทั่วไป บุคคลที่มีความพึงพอใจรายการ IGDS ระหว่างสองถึงสี่คนก็ถูกแยกออกเพราะพวกเขาอาจถูกมองว่าเป็นอีกคลาสหนึ่งระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นปกติ (12). นอกจากนี้บุคคล 37 คน (25.86 ± 4.10 ปีหญิง 13 คน) ที่ไม่เล่นเกมบนอินเทอร์เน็ตได้รับคัดเลือกแยกกันและพวกเขาถูกระบุว่าไม่ใช่นักเล่นเกมที่มีสุขภาพดี ยืนยันการไม่มีโรคประจำตัวในผู้เข้าร่วมทั้งหมด ได้รับความยินยอมเป็นลายลักษณ์อักษรจากผู้เข้าร่วมทั้งหมดตามปฏิญญาเฮลซิงกิและการแก้ไขในภายหลังและการศึกษานี้ได้รับการอนุมัติโดยคณะกรรมการพิจารณาสถาบันที่โรงพยาบาลโซลเซนต์แมรีกรุงโซลประเทศเกาหลี

การได้มาซึ่งข้อมูล MRI

โครงสร้าง MRI (sMRI) และข้อมูล MRI (dMRI) แบบกระจายน้ำหนักถูกรวบรวมโดยใช้ระบบ 3 T MAGNETOM Verio (Siemens AG, Erlangen, Germany) การได้มาซึ่งข้อมูล sMRI นั้นได้ดำเนินการโดยใช้ลำดับการสะท้อนแสงแบบไล่ระดับสีอย่างรวดเร็วในการดึงดูดแม่เหล็ก: จำนวนชิ้นในระนาบ sagittal = 176, ความหนาของชิ้น = 1, ขนาดเมทริกซ์ = 256 × 256 และในระนาบมติ = 1 × 1 mm . สำหรับการได้มาซึ่งข้อมูล dMRI การเข้ารหัสการไล่ระดับสีแบบกระจายได้ดำเนินการในทิศทาง 30 ด้วย b = 1,000 s / mm² และใช้การถ่ายภาพต่อเนื่องแบบสะท้อนภาพเดียว: จำนวนชิ้นในระนาบแกน = 75, ความหนาของชิ้น = 2 mm, ขนาดเมทริกซ์ = 114 × 114 และความละเอียดในระนาบ = 2 × 2 มม.

การประมวลผลข้อมูล MRI

เครื่องมือที่รวมอยู่ใน CAT12 (http://www.neuro.uni-jena.de/cat/) ถูกใช้เพื่อประมวลผลข้อมูล sMRI ภาพปริมาตรของสมองถูกแบ่งออกเป็นเนื้อเยื่อต่าง ๆ รวมถึง GM, WM, และ corticospinal fluid รวมไปถึงการลงทะเบียนเชิงพื้นที่กับสมองอ้างอิงในพื้นที่มาตรฐาน ใน voxel-based morphometry (VBM) ปริมาตร gm-voxel-wise ถูกประเมินโดยการคูณความน่าจะเป็นที่จะเป็น gm โดยปริมาตรของ voxel จากนั้นค่าเหล่านั้นจะถูกหารด้วยปริมาตร intracranial ทั้งหมดเพื่อปรับความแตกต่างของปริมาตรของหัว ในพื้นผิว morphometry (SBM), ความหนาเยื่อหุ้มสมองถูกประเมินโดยใช้วิธีการฉายความหนาตาม (13).

กำลังประมวลผลข้อมูล dMRI

เครื่องมือที่รวมอยู่ใน FSL 5.0 (http://fsl.fmrib.ox.ac.uk/fsl/) ถูกใช้เพื่อประมวลผลข้อมูล dMRI ภาพทั้งหมดถูกปรับให้เป็นภาพ null ที่ได้มาด้วย b = 0 s / mm² เพื่อแก้ไขความผิดเพี้ยนของกระแสวนและการเคลื่อนไหวของศีรษะ แบบจำลองการแพร่กระจายเทนเซอร์ในแต่ละ voxel ภายในสมองและพารามิเตอร์ที่ได้มาจากการกระจายของเทนเซอร์รวมถึงเศษส่วน anisotropy (FA), ค่าเฉลี่ยการแพร่กระจาย (MD), การแพร่กระจายตามแนวแกน (AD) และการกระจายรัศมี (RD) ให้สาม diffusivities ตามแกนต่าง ๆ ของเมตริกซ์การแพร่กระจายเอฟเอถูกคำนวณเป็นสแควร์รูทของผลรวมของกำลังสองของความแตกต่าง diffusivity ระหว่างสามแกน, MD เป็นค่าเฉลี่ยการแพร่กระจายทั่วทั้งสามแกน, AD เป็น diffusivity ที่ยิ่งใหญ่ที่สุดตามแกนหลัก และ RD เป็นค่าเฉลี่ยของความฟุ้งกระจายตามแนวแกนย่อยสองแกน การใช้สถิติเชิงพื้นที่ (TBSS) (14) ดำเนินการใน FSL 5.0 แผนที่ของพารามิเตอร์การกระจายตัวของเทนเซอร์นั้นได้รับการลงทะเบียนกับสมองอ้างอิงในอวกาศมาตรฐานแล้วจึงถูกนำไปวางบนโครงกระดูกทางเดิน WM

การสร้างคุณสมบัติ

สองขั้นตอนที่สำคัญสำหรับการออกแบบแบบจำลองการจำแนกประเภทคือการสร้างและเลือกคุณลักษณะ เราสร้างคุณลักษณะจาก neuroanatomy โดยเฉพาะปริมาตรและความหนาของชุดของภูมิภาคจีเอ็มและความสมบูรณ์และการแพร่กระจายของชุดของ WM ผืน หลังจากประเมินปริมาณ GM และความหนาของเปลือกนอกเป็นแผนที่ voxel-wise ที่ได้มาจาก VBM และ SBM ตามลำดับพารามิเตอร์จะถูกประเมินสำหรับแต่ละภูมิภาคของ 60 GM (ตาราง S1) จัดเรียงเหมือนในแผนที่ค้อน (15) เป็นค่าเฉลี่ยของ voxels ทั้งหมดที่อยู่ภายใน มีการประมาณค่าพารามิเตอร์ที่ได้จากการกระจายของเทนเซอร์รวมถึง FA, MD, AD และ RD เป็นแผนที่แบบ voxel-wise บนโครงกระดูกทางเดิน WM ที่ได้มาจาก TBSS พารามิเตอร์ถูกคำนวณสำหรับแต่ละ 48 WM ในตาราง (ตาราง S2) จัดเรียงตามในแผนที่ ICBM DTI-81 (16) เป็นค่าเฉลี่ยของ voxels ทั้งหมดที่อยู่ภายใน โดยสรุปเราพิจารณาสองพารามิเตอร์ของ GM และ WM สี่พารามิเตอร์ซึ่งให้ผลรวมกันแปดพารามิเตอร์ของ GM และ WM สำหรับการรวมกันของพารามิเตอร์ GM และ WM แต่ละค่าพารามิเตอร์ของภูมิภาค 60 GM และ 48 WM ผืนประกอบด้วยองค์ประกอบ 108 คุณสมบัติทางประสาทวิทยาทั้งหมด

การเลือกคุณสมบัติโดยการถดถอยปกติ

การลดจำนวนคุณลักษณะเป็นสิ่งสำคัญโดยเฉพาะอย่างยิ่งสำหรับข้อมูลที่มีคุณสมบัติจำนวนมากและมีข้อสังเกตจำนวน จำกัด จำนวนที่ จำกัด ของการสังเกตที่เกี่ยวข้องกับจำนวนของคุณสมบัติอาจนำไปสู่การ overfitting เสียงและการทำให้เป็นมาตรฐานเป็นเทคนิคที่ช่วยลดหรือป้องกันการ overfitting โดยการแนะนำข้อมูลเพิ่มเติมหรือข้อ จำกัด ในรูปแบบ เนื่องจากฟีเจอร์ 108 ทั้งหมดอาจไม่มีข้อมูลที่เป็นประโยชน์และจำเป็นสำหรับการจัดหมวดหมู่เราจึงเลือกชุดของคุณสมบัติแบบเบาบางโดยใช้การถดถอยแบบปกติ โดยเฉพาะบ่วงบาศ (17) และยืดหยุ่นสุทธิ (18) ถูกใช้สำหรับการถดถอยโลจิสติกปกติ Lasso รวมถึงโทษระยะหรือพารามิเตอร์ normalization,, ที่ จำกัด ขนาดของการประมาณค่าสัมประสิทธิ์ในรูปแบบการถดถอยโลจิสติก เนื่องจากการเพิ่มขึ้นของλนำไปสู่ค่าสัมประสิทธิ์ที่มีค่าเป็นศูนย์มากขึ้น Lasso จึงจัดทำแบบจำลองการถดถอยแบบโลจิสติกส์ที่ลดลงโดยมีตัวพยากรณ์น้อยลง ตาข่ายยืดหยุ่นยังสร้างแบบจำลองการถดถอยโลจิสติกที่ลดลงโดยการตั้งค่าสัมประสิทธิ์เป็นศูนย์โดยเฉพาะอย่างยิ่งโดยการรวมพารามิเตอร์การทำให้เป็นมาตรฐานลูกผสมของ Lasso และสันเขาถดถอยลงไปเอาชนะข้อ จำกัด ของเชือกในการรักษาตัวพยากรณ์ที่สัมพันธ์กันสูง19).

สำหรับการจัดหมวดหมู่ระหว่างแต่ละคู่ของทั้งสามกลุ่มเราใช้เชือกและตาข่ายยืดหยุ่นเพื่อระบุตัวทำนายที่สำคัญในคุณสมบัติ 108 neuroanatomic ในรูปแบบการถดถอยโลจิสติก คุณสมบัติ 108 ของแต่ละบุคคลในแต่ละคู่ของทั้งสามกลุ่มได้รับการสร้างมาตรฐานเพื่อสร้างเมทริกซ์ข้อมูล Aซึ่งแต่ละแถวแสดงถึงการสังเกตหนึ่งครั้งและแต่ละคอลัมน์แสดงตัวทำนายหนึ่งตัว เพื่อแก้ไขผลกระทบของอายุและเพศของแต่ละบุคคลที่มีต่อพารามิเตอร์ GM และ WM เมทริกซ์การขึ้นรูปที่เหลือ Rถูกสร้างขึ้น: R = I-C(C^TC)^-1C ที่ไหน I เป็นเมทริกซ์เอกลักษณ์และ C เป็นเมทริกซ์การเข้ารหัส covariates รบกวนอายุและเพศ มันถูกนำไปใช้กับ A เพื่อรับของเหลือจากการถดถอย covariates: X = RA.

รับเมทริกซ์ข้อมูลที่ปรับ Xและการตอบสนอง Y, ที่เขียนโค้ดสองคลาสของแต่ละบุคคล 10-fold cross-validation (CV) ถูกใช้เพื่อค้นหาพารามิเตอร์การทำให้เป็นมาตรฐาน, λ_MinErrซึ่งให้ข้อผิดพลาดขั้นต่ำในแง่ของความเบี่ยงเบนหมายถึงความน่าจะเป็นบันทึกเชิงลบสำหรับแบบจำลองที่ทดสอบโดยเฉลี่ยในช่วงการตรวจสอบความถูกต้อง หรืออีกวิธีหนึ่งเนื่องจากกราฟโค้งมีข้อผิดพลาดในแต่ละλทดสอบพารามิเตอร์การทำให้เป็นมาตรฐาน, λ_1SEพบว่าภายในข้อผิดพลาดมาตรฐานเดียวของข้อผิดพลาด CV ขั้นต่ำในทิศทางของการเพิ่มการทำให้เป็นมาตรฐานจากλ_MinErr ก็ถือว่ายัง นั่นคือคุณสมบัติการแยกคำถูกเลือกที่λ_1SEในขณะที่คุณสมบัติเบาบางถูกกำหนดที่λ_MinErr. ขั้นตอนการค้นหารูปแบบการถดถอยโลจิสติกปกติที่มีการทำนายน้อยกว่านี้ถูกทำซ้ำสำหรับการรวมกันของพารามิเตอร์ GM และ WM ทุกอันประกอบไปด้วยคุณสมบัติทางประสาทวิทยา 108

ประสิทธิภาพการทำงานของคุณสมบัติที่เลือก

ในการประเมินประโยชน์ของคุณสมบัติเบาบางและสปอร์เซอร์การเปรียบเทียบประสิทธิภาพระหว่างโมเดลที่มีจำนวนฟีเจอร์ลดลงและโมเดลด้วยฟีเจอร์ 108 ทั้งหมดในเครื่องเวกเตอร์รองรับ (SVM) โดยการวัดเส้นโค้งลักษณะการทำงานของเครื่องรับ (ROC) ด้วยเคอร์เนลเชิงเส้นเป็นฟังก์ชั่นเคอร์เนลและพารามิเตอร์หลายมิติที่ปรับให้เหมาะสมโดย CV ห้าเท่าทำให้ SVM ได้รับการฝึกฝนสำหรับบุคคลทุกคนในแต่ละคู่ของทั้งสามกลุ่ม พื้นที่ใต้เส้นโค้ง ROC (AUC) ถูกคำนวณสำหรับแต่ละรุ่นเป็นการวัดเชิงปริมาณของประสิทธิภาพ การทดสอบ DeLong (20) ใช้เพื่อเปรียบเทียบ AUC ระหว่างแบบจำลองแต่ละคู่ เมื่อ AUC ต่างกันที่ p- ค่า 0.05 ประสิทธิภาพถูกพิจารณาว่าไม่สามารถเปรียบเทียบได้ในสองรุ่น

ความแม่นยำในการจำแนกประเภท

ขั้นตอนแผนผังจากการสร้างและการเลือกคุณสมบัติไปยังการสร้างแบบจำลองการจำแนกประเภทจะแสดงในรูป Figure1.1. สำหรับแต่ละคู่ของทั้งสามกลุ่มจะมีการสร้างแบบจำลองการจำแนกประเภท SVM โดยใช้คุณสมบัติที่เลือกเป็นตัวทำนาย เราประเมินความถูกต้องของแบบจำลองการจำแนกประเภทโดยใช้แบบแผนการลาออกหนึ่งครั้งเช่นความถูกต้องในการจำแนกประเภทออกจากตัวอย่างถูกคำนวณสำหรับแต่ละคนที่เหลือจากนั้นคำนวณค่าเฉลี่ยของบุคคลทั้งหมด นัยสำคัญทางสถิติของความถูกต้องถูกประเมินโดยใช้การทดสอบการเปลี่ยนแปลง การแจกแจงโมฆะเชิงประจักษ์สำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่มนั้นถูกสร้างขึ้นโดยอนุญาตให้ป้ายชื่อของบุคคลและการวัดความแม่นยำที่เกี่ยวข้องกับป้ายกำกับที่อนุญาตซ้ำ ๆ เมื่อความแม่นยำที่วัดได้สำหรับป้ายกำกับที่ไม่ได้ส่งสูงกว่าหรือเท่ากับการแจกแจงโมฆะที่ p- ค่า 0.05 ซึ่งกำหนดให้แตกต่างอย่างมีนัยสำคัญจากระดับโอกาส (ความแม่นยำ = 50%) นอกจากนี้เมทริกซ์ความสับสนยังแสดงให้เห็นภาพเพื่ออธิบายความไวและความเฉพาะเจาะจงเกี่ยวกับความแตกต่างระหว่างแต่ละคู่ของทั้งสามกลุ่ม

การเลือกคุณสมบัติ

รูป Figure22 แสดงคุณสมบัติที่เลือกระหว่างคุณสมบัติ 108 พร้อมการประมาณค่าสัมประสิทธิ์และตาราง Table11 อธิบายข้อมูลการกระชับที่เกี่ยวข้องของรูปแบบการถดถอยโลจิสติกปกติสำหรับการจำแนกระหว่างแต่ละคู่ของทั้งสามกลุ่ม นอกจากนี้รูปที่ S1 แสดงให้เห็นว่าλให้ข้อผิดพลาด CV ขั้นต่ำและเลือกจำนวนฟีเจอร์ที่λ_1SE เช่นเดียวกับที่λ_MinErr. ข้อผิดพลาด CV ขั้นต่ำได้รับในการเลือกคุณสมบัติโดย lasso (lasso weight = 1) สำหรับการจัดหมวดหมู่ระหว่างผู้ที่ไม่ใช่นักเล่นเกมที่มีสุขภาพดีและนักเล่นเกมปกติและโดยสุทธิที่ยืดหยุ่น (lasso weight = 0.5) สำหรับการจำแนกประเภทอื่น

ในการเลือกปฏิบัติของนักเล่นเกมที่ไม่เป็นระเบียบจากผู้ที่ไม่ใช่ผู้เล่นที่มีสุขภาพดีคุณลักษณะของ 43 ที่เลือกไว้ที่λ_MinErr ประกอบด้วยความหนาของภูมิภาค 24 GM และ FA ของ 19 WM ผืนและคุณสมบัติ 34 ที่เลือกที่λ_1SE ประกอบด้วยความหนาของภูมิภาค 15 GM และ FA ของ 19 WM ผืน ในความแตกต่างของนักเล่นเกมทั่วไปจากผู้ที่ไม่ใช่นักเล่นเกมเพื่อสุขภาพคุณสมบัติของ 21 ที่เลือกไว้ที่λ_MinErr ประกอบด้วยความหนาของภูมิภาค 12 GM และ RD ของ 9 WM ผืนและคุณสมบัติ 12 ที่เลือกที่λ_1SE ประกอบด้วยความหนาของภูมิภาค 6 GM และ RD ของ 6 WM ผืน ในการจัดประเภทระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นทั่วไปคุณสมบัติของ 11 ที่เลือกไว้ที่λ_MinErr ประกอบด้วยปริมาณของภูมิภาค 7 GM และ MD ของ 4 WM ผืนและคุณสมบัติหนึ่งที่เลือกที่λ_1SE สอดคล้องกับปริมาณของภูมิภาคจีเอ็มหนึ่งแห่ง

ประสิทธิภาพการทำงานของคุณสมบัติที่เลือก

ระหว่างรุ่นที่มีฟีเจอร์ที่ลดลงและรุ่นที่มีฟีเจอร์ 108 ทั้งหมดประสิทธิภาพนั้นเทียบเท่าในแง่ของ AUC ในการแยกแยะระหว่างนักเล่นเกมแต่ละประเภทและผู้ที่ไม่ใช่ผู้มีสุขภาพดีโดย SVM (Figure3) .3) ในการจัดประเภทระหว่างผู้เล่นที่ไม่เป็นระเบียบและผู้เล่นปกติรุ่นที่มีคุณสมบัติที่เลือกจะอยู่ที่ at_MinErr (AUC = 0.83 p = 0.006) หรือที่λ_1SE (AUC = 0.72 p <0.001) พบว่ามีประสิทธิภาพต่ำกว่ารุ่นที่มีคุณสมบัติ 108 ประการ (AUC = 0.90)

ความแม่นยำในการจำแนกประเภท

ในการจำแนกประเภทโดย SVM โดยใช้คุณสมบัติที่เลือกที่λ_MinErrความแม่นยำมากกว่า 98% สูงกว่าระดับโอกาส (p <0.001) ในความแตกต่างของนักเล่นเกมแต่ละประเภทจากนักเล่นเกมที่ไม่แข็งแรง (รูปที่ (Figure4A) .4A) ความแม่นยำยังคงสูงกว่าระดับโอกาสอย่างมีนัยสำคัญ (p = 0.002) แต่ต่ำที่สุดเท่าที่ 69.8% ในการจัดประเภทระหว่างนักเล่นเกมที่ไม่เป็นระเบียบและปกติโดยเฉพาะการแสดงความไวต่ำ (47.4%) ในการระบุที่ถูกต้องของนักเล่นเกมที่วุ่นวาย คุณสมบัติตัวแยกคำที่กำหนดไว้ที่λ_1SE แสดงประสิทธิภาพที่คล้ายกัน (รูปที่ (Figure4B) 4B) แต่มีความไวที่ต่ำกว่ามาก (2.6%) ในความแตกต่างที่ถูกต้องของนักเล่นเกมที่ไม่เป็นระเบียบจากนักเล่นเกมทั่วไป

คำชี้แจงความขัดแย้งทางผลประโยชน์

ผู้เขียนประกาศว่าการวิจัยได้ดำเนินการในกรณีที่ไม่มีความสัมพันธ์ทางการค้าหรือทางการเงินใด ๆ ที่อาจตีความได้ว่าเป็นความขัดแย้งทางผลประโยชน์ที่อาจเกิดขึ้น

เงินทุน การวิจัยนี้ได้รับการสนับสนุนโดยโครงการวิจัยวิทยาศาสตร์สมองผ่านมูลนิธิวิจัยแห่งชาติเกาหลี (NRF) ซึ่งได้รับทุนสนับสนุนจากกระทรวงวิทยาศาสตร์และเทคโนโลยีสารสนเทศในเกาหลี (NRF-2014M3C7A1062893)