Original title: Detection of Digital Addiction from Brain Signals
Translated title: Detection of Digital Addiction from Brain Signals
Authors: Kalenda, Jan ; Zaheer, Muhammad Asad (referee) ; Malik, Aamir Saeed (advisor)
Document type: Bachelor's theses
Year: 2025
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Tato práce představuje nový přístup k detekci digitální závislosti pomocí elektroencefalografie (EEG) a hlubokého učení. Studie využívá EEG data v klidovém stavu z datasetu LEMON, která jsou předzpracována a spojena s výsledky testu závislosti na internetu (IAT). Uvedena je pokročilá architektura hlubokého učení, která kombinuje paralelní extraktory rysů z časové a frekvenční domény s víceškálovými konvolučními moduly, fúzí založenou na pozornosti a hierarchickými transformátorovými bloky. Model je trénován pomocí vlastní ztrátové funkce, která zmírňuje nevyváženost tříd a zabraňuje kolapsu modelu. Výsledky na neznámé testovací množině demonstrují účinnost tohoto přístupu, který dosahuje přesnosti 86,38%, výtěžnosti 90,03%, preciznosti 75,47%, specifičnosti 84,44% a kompozitního skóre 0,8369. Práce zdůrazňuje potenciál EEG pro neinvazivní diagnózu digitální závislosti a diskutuje o omezeních a možných budoucích směrech výzkumu. This thesis introduces a novel approach for detecting digital addiction using electroencephalography (EEG) and deep learning. The study leverages resting-state EEG data from the LEMON dataset, preprocessed and associated with Internet Addiction Test (IAT) scores. An advanced deep learning architecture is presented, combining parallel temporal and frequency-domain feature extractors with multi-scale convolutional modules, attention-based fusion, and hierarchical transformer blocks. The model is trained using a custom loss function to mitigate class imbalance and prevent model collapse. Results on an unseen test set demonstrate the effectiveness of the approach, achieving an accuracy of 86.38%, recall of 90.03%, precision of 75.47%, specificity of 84.44%, and a composite score of 0.8369. The work highlights the potential of EEG for the non-invasive assessment of digital addiction and discusses limitations and future research directions.
Keywords: Attention; Bioinformatika; Brain-Computer Interface; CNN; EEG; Elektroencefalografie; Fourierova transformace; Frekvenční analýza; Herní závislost; Hluboké učení; Inception; Internetová závislost; Konvoluční neuronové sítě; Long Short-Term Memory; LSTM; Mozek; PyTorch; Transformer; Závislost; Addiction; Attention; Bioinformatics; Brain; Brain-Computer Interface; CNN; Convolutional Neural Networks; Deep Learning; EEG; Electroencephalography; Fourier Transform; Frequency analysis; Gaming Addiction; Inception; Internet Addiction; Long Short-Term Memory; LSTM; PyTorch; Transformer

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/252769

Permalink: http://www.nusl.cz/ntk/nusl-683135


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses