The human brain is characterized by complex structural, functional connections that integrate unique cognitive characteristics. There is a fundamental hurdle for the evaluation of both structural and functional connections of the brain and the effects in the diagnosis and treatment of neurodegenerative diseases. Currently, there is no clinically specific diagnostic biomarker capable of confirming the diagnosis of major depressive disorder (MDD). Therefore, exploring translational biomarkers of mood disorders based on deep learning (DL) has valuable potential with its recently underlined promising outcomes. In this article, an electroencephalography (EEG)-based diagnosis model for MDD is built through advanced computational neuroscience methodology coupled with a deep convolutional neural network (CNN) approach. EEG recordings are analyzed by modeling 3 different deep CNN structure, namely, ResNet-50, MobileNet, Inception-v3, in order to dichotomize MDD patients and healthy controls. EEG data are collected for 4 main frequency bands (Δ, θ, α, and β, accompanying spatial resolution with location information by collecting data from 19 electrodes. Following the pre-processing step, different DL architectures were employed to underline discrimination performance by comparing classification accuracies. The classification performance of models based on location data, MobileNet architecture generated 89.33% and 92.66% classification accuracy. As to the frequency bands, delta frequency band outperformed compared to other bands with 90.22% predictive accuracy and area under curve (AUC) value of 0.9 for ResNet-50 architecture. The main contribution of the study is the delineation of distinctive spatial and temporal features using various DL architectures to dichotomize 46 MDD subjects from 46 healthy subjects. Exploring translational biomarkers of mood disorders based on DL perspective is the main focus of this study and, though it is challenging, with its promising potential to improve our understanding of the psychiatric disorders, computational methods are highly worthy for the diagnosis process and valuable in terms of both speed and accuracy compared with classical approaches.
Bu çalışmanın amacı hem kadın hem de erkek örneklemlerinde bazı sosyo-demografik özelliklerle birlikte, bağlanma, aleksitimi ve psikolojik belirtilerin yordayıcı etkisi olup olmadığını incelemektir. Çalışmanın örneklem grubunu, yaşları 18'den büyük 24494 kişi oluşturmaktadır. Verilerin toplanmasında Sosyo-demografik Bilgi Formu, Yakın İlişkiler Yaşantı Formu II, Kısa Semptom Envanteri, Toronto Aleksitimi Ölçeği, Kişisel İyi Oluş İndeksi Yetişkin Formu kullanılmıştır. Erkek örnekleminde, duyguları tanımadaki güçlüğün, kaçınmacı bağlanmanın, depresyon düzeyinin, olumsuz benlik düzeyinin, alkol kullanım miktarının ve yaşın öznel iyi oluş düzeyini düşürdüğü; kadın örnekleminde de, duyguları tanıma güçlüğünün, kaçınmacı bağlanmanın, anksiyetenin, depresyonun, olumsuz benliğin, somatizasyonun, eğitim düzeyinin, sigara kullanımının, alkol kullanımının ve yaşın öznel iyi oluşu düşürdüğü belirlenmiştir. Elde edilen verilere göre, aleksitiminin, bağlanma stillerinin ve psikolojik semptomların öznel iyi oluşu yordamada etkili faktörler olduğu ifade edilebilir.
Yapılan bu araştırmada akademisyenlerdeki iş doyumunun empati becerisi ve sosyal beceri ile ilişkisinin incelenmesi amaçlanmıştır. Aynı zamanda çalışma içerisinde iş doyumu, empati becerisi, sosyal beceri ve sosyo demografik değişkenler arasındaki ilişkiler de incelenmiştir. Araştırma, Üsküdar Üniversitesi akademisyenlerinin katkısıyla yapılmıştır. Toplamda 84 akademik personel katılım sağlamıştır. Katılımcılara Sosyodemografik Veri Formu, Minnesota İş Doyumu Ölçeği, Empati Eğilim Ölçeği ve Sosyal Beceri Envanteri uygulanmıştır. Toplanan verilerin analizi için Tek Yönlü Varyans Analizi (ANOVA) ve bağımsız gruplarda ‘t-testi’ analizinden yararlanılmıştır. Ölçeklerin kendi aralarındaki ilişkiyi tespit edebilmek amacıyla ise Pearson Korelasyon Analiz Tekniği kullanılmıştır. Araştırmanın sonucunda akademisyenlerde iş doyumuyla empati becerisi ve sosyal beceri arasında anlamlı bir ilişki bulunamamıştır
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.