論文の概要: Neural Responses to Affective Sentences Reveal Signatures of Depression

• arxiv url: http://arxiv.org/abs/2506.06244v1
• Date: Fri, 06 Jun 2025 17:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.564932
• Title: Neural Responses to Affective Sentences Reveal Signatures of Depression
• Title（参考訳）: 感情文に対する神経反応 : うつ病の徴候について
• Authors: Aditya Kommineni, Woojae Jeong, Kleanthis Avramidis, Colin McDaniel, Myzelle Hughes, Thomas McGee, Elsi Kaiser, Kristina Lerman, Idan A. Blank, Dani Byrd, Assal Habibi, B. Rael Cahn, Sudarsana Kadiri, Takfarinas Medani, Richard M. Leahy, Shrikanth Narayanan,
• Abstract要約: 大うつ病(Major Depressive Disorder、MDD)は、非常に一般的な精神疾患であり、その神経認知基盤の深い理解が不可欠である。 本研究では、自己参照感情文に対する神経反応を測定することにより、抑うつが感情処理の時間的ダイナミクスをどう変えるかを検討する。 以上の結果から,抑うつ状態における感情情報と自己参照情報の統合が阻害されたことが示唆された。
• 参考スコア（独自算出の注目度）: 18.304785509577766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Major Depressive Disorder (MDD) is a highly prevalent mental health condition, and a deeper understanding of its neurocognitive foundations is essential for identifying how core functions such as emotional and self-referential processing are affected. We investigate how depression alters the temporal dynamics of emotional processing by measuring neural responses to self-referential affective sentences using surface electroencephalography (EEG) in healthy and depressed individuals. Our results reveal significant group-level differences in neural activity during sentence viewing, suggesting disrupted integration of emotional and self-referential information in depression. Deep learning model trained on these responses achieves an area under the receiver operating curve (AUC) of 0.707 in distinguishing healthy from depressed participants, and 0.624 in differentiating depressed subgroups with and without suicidal ideation. Spatial ablations highlight anterior electrodes associated with semantic and affective processing as key contributors. These findings suggest stable, stimulus-driven neural signatures of depression that may inform future diagnostic tools.
• Abstract（参考訳）: 主要な抑うつ障害(MDD)は、非常に一般的な精神状態であり、その神経認知基盤の深い理解は、感情や自己参照処理などの中核的な機能がどのように影響を受けるかを特定するのに不可欠である。 健常者および抑うつ者における表層脳波(EEG)を用いて、自己参照感情文に対する神経応答を測定することにより、抑うつが情動処理の時間的ダイナミクスをどう変えるかを検討する。 以上の結果から,抑うつ状態における感情情報と自己参照情報の統合が阻害されたことが示唆された。 これらの反応に基づいて訓練された深層学習モデルは、健常者と抑うつ者とを区別する0.707の受信操作曲線(AUC)の領域を達成し、自殺の考えのない抑うつサブグループを区別する0.624の領域を達成している。 空間的アブレーションは、意味的および情緒的処理に関連する前電極をキーコントリビュータとして強調する。 これらの結果は、将来の診断ツールに影響を及ぼすであろううつ病の安定的で刺激による神経症状を示唆している。

関連論文リスト

• Wearable-Derived Behavioral and Physiological Biomarkers for Classifying Unipolar and Bipolar Depression Severity [5.13481745926985]
  うつ病は複雑な精神障害であり、伝統的な主観的評価を超える様々な観察可能な指標と測定可能な指標によって特徴づけられる。 近年の研究では、うつ病の生理的、行動的側面をより正確に把握するために、ウェアラブルデバイスを用いた客観的、受動的、継続的な監視に焦点を当てている。 本研究では、ウェアラブルデバイスを利用して、うつ病のサブタイプ(特異的に単極性、双極性)を予測し、診断精度を高め、パーソナライズされた治療戦略をサポートすることのできる特徴的なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2025-04-17T20:41:28Z)
• Neural Modulation Alteration to Positive and Negative Emotions in Depressed Patients: Insights from fMRI Using Positive/Negative Emotion Atlas [14.281212655952105]
  FMRIは、高空間分解能と動的時間情報で有名な最先端の医療画像技術である。 ポジティブ感情アトラス(PEA)とネガティブ感情アトラス(NEA)を作成した。 これらのアトラスを用いたうつ病患者の変化について検討し,機械学習による診断性能の評価を行った。
  論文  参考訳（メタデータ） (2024-07-26T03:52:08Z)
• Computational Analysis of Stress, Depression and Engagement in Mental Health: A Survey [62.31381724639944]
  ストレスと抑うつは相互に関連し、共に日々のタスクにおけるエンゲージメントに影響を与える。 この調査は、ストレス、抑うつ、エンゲージメントを分析する計算手法を同時に探求した最初のものである。
  論文  参考訳（メタデータ） (2024-03-09T11:16:09Z)
• The Relationship Between Speech Features Changes When You Get Depressed: Feature Correlations for Improving Speed and Performance of Depression Detection [69.88072583383085]
  この研究は、抑うつが音声から抽出した特徴間の相関を変化させることを示す。 このような洞察を用いることで、SVMとLSTMに基づく抑うつ検出器のトレーニング速度と性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-07-06T09:54:35Z)
• Handwriting and Drawing for Depression Detection: A Preliminary Study [53.11777541341063]
  精神健康に対する短期的コビデンスの影響は、不安や抑うつ症状の顕著な増加であった。 本研究の目的は、健康な人とうつ病患者を識別するために、オンライン手書き・図面解析という新しいツールを使用することである。
  論文  参考訳（メタデータ） (2023-02-05T22:33:49Z)
• Deep Multi-task Learning for Depression Detection and Prediction in Longitudinal Data [50.02223091927777]
  うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。 機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。 本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-05T05:14:14Z)
• Affective Conditioning on Hierarchical Networks applied to Depression Detection from Transcribed Clinical Interviews [0.0]
  抑うつは、被験者の気分だけでなく、言語の使用にも影響を及ぼす精神障害である。 我々は階層的注意ネットワークを用いて抑うつ者のインタビューを分類する。 我々は,情緒的レキシカから抽出した言語的特徴の条件付け機構により,モデルの注意層を増強する。
  論文  参考訳（メタデータ） (2020-06-04T20:55:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。