在数位原生世代全面普及的背景下，网路使用行为快速渗透学习、社交与娱乐场域，「网路成瘾」已不再只是心理层面的讨论，而逐步演变为需要科学量测与精准介入的公共健康与产业议题。如何以客观、可量化的方式识别高风险族群，成为精神健康科技发展的重要突破囗。

国卫院与国立清华大学、阳明交通大学等团队合作，成功开发出网路成瘾状态自动分类系统，有助於早期识别风险、及时介入。

长期以来，网路成瘾的评估多仰赖主观自评量表，容易受到受试者认知偏误、社会期待或情绪状态影响，难以反映真实的神经功能变化。国卫院携手国立清华大学、阳明交通大学等跨校团队，结合神经科学与人工智能技术，成功开发出一套可自动分类网路成瘾状态的系统，为精神健康评估导入更客观的技术基础。

本研究由国卫院国家高龄医学暨健康福祉研究中心黄绪文助研究员，与清大原子科学院工程与系统科学系吴顺吉教授等人合作，首次将脑电波同步性指标━━包含可降低体积传导干扰的相位延迟指数（PLI）与加权相位延迟指数（WPLI）━━导入机器学习模型，用於辨识大学生的网路成瘾状态，并在国际顶尖期刊《Psychological Medicine》发表研究成果。

研究团队招募92名大学生进行实验，於静息状态下量测脑电波讯号，分析不同脑区之间的功能性连结。结果显示，网路成瘾族群在额叶delta频段，以及全脑、特别是枕叶的gamma频段，呈现显着较高的同步性，反映其在注意力调控、抑制控制与视觉处理相关脑区出现过度同步活化，推测与冲动控制与奖赏系统失衡有密切关联。

在技术实作上，研究团队比较多种机器学习模型後发现，以向量机（SVM）结合WPLI特徵的分类效果最隹，平均准确率达86%，明显优於传统问卷工具。此成果显示，脑波同步性可??成为具实用价值的神经生物标记，为精神健康科技产业提供新的核心技术路径。

研究团队指出，这项技术未来不仅可应用於校园健康筛检与精神科初步监别，也有潜力延伸至高龄族群的孤独、??郁与认知退化监测，补足现行主观评估工具的不足。结合非侵入性脑电量测与AI演算法，将有助於推动精神健康照护朝向「精准、即时、客观」发展。

国卫院国家高龄研究中心执行长许志成表示，此研究展现脑波技术与人工智慧在精神健康筛检上的高度应用潜力，未来团队将持续深化跨领域合作，期??加速技术落地，为青少年与高龄族群的心理健康预防与照护，打造具产业化潜力的新型解决方案。