Neuroimaging and machine learning for psychiatric disorders : trauma, feedback processing and depression detection

Sawalma, Abdelrahman; Veselinovic, Tanja; Shah, Nadim Joni

doi:44333

Neuroimaging and machine learning for psychiatric disorders : trauma, feedback processing and depression detection

Sawalma, Abdelrahman^RWTH*

2024 & 2025

Verantwortlichkeitsangabevorgelegt von Abdelrahman Sawalma, M. Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025

Genehmigende Fakultät
Fak10

Hauptberichter/Gutachter
Veselinovic, Tanja (Thesis advisor)^RWTH* ; Shah, Nadim Joni (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-10-28

Online
DOI: 10.18154/RWTH-2025-00789
URL: https://publications.rwth-aachen.de/record/1002952/files/1002952.pdf

Einrichtungen

Projekte

Pilotprojekt zur Entwicklung eines palästinensisch-deutschen Forschungs- und Promotionsprogramms 'Palestinian-German Science Bridge' (01DH16027) (01DH16027)

Thematische Einordnung (Klassifikation)
DDC: 610

Kurzfassung
Das Ziel dieser Dissertation besteht darin, psychische Gesundheitsprobleme zu untersuchen, indem zwei verwandte Aspekte untersucht werden: die neuronalen Veränderungen, die mit kognitiven Prozessen nach einem Trauma verbunden sind, mithilfe von Neuroimaging-Techniken und die Verwendung von Persönlichkeitsdimensionen zur Erkennung von Depressionen. Um dies zu erreichen, haben wir zwei Experimente durchgeführt: Das erste Experiment konzentrierte sich darauf, zu verstehen, wie sich Trauma auf das Lernen aus Feedback auswirkt und welche möglichen Auswirkungen es auf die Entwicklung einer posttraumatischen Belastungsstörung (PTSD) hat. Die Studie ergab, dass Personen, die einem Trauma ausgesetzt waren, in Bezug auf das Lernen aus Feedback zwar ähnliche Leistungen erbrachten wie die Kontrollgruppe, es jedoch Unterschiede in der Feedbackverarbeitung gab, die durch die Analyse von Magnetenzephalographiedaten (MEG) beobachtet wurden. Diese Unterschiede wurden in bestimmten Gehirnregionen festgestellt, die an der Assoziationsbildung, der Reaktion auf positives Feedback, dem Lernen und der Fehlerkorrektur beteiligt sind. Die Unterschiede wurden auch im zeitlichen und Frequenzbereich der Gehirnaktivität festgestellt. Die Ergebnisse deuten darauf hin, dass Traumata das Lernen und die Bildung neuer Assoziationen nicht beeinträchtigen, jedoch die Feedbackverarbeitung auf einer subtilen Ebene beeinflussen. Der zweite Teil der Dissertation konzentrierte sich auf die Verwendung von Persönlichkeitsmerkmalen zur Vorhersage von Depressionen. Für die Studie wurden zwei Teilnehmergruppen rekrutiert, eine mit und eine ohne klinische Depression. Unser Ziel war es, Persönlichkeitsmerkmale zu nutzen, um mithilfe von maschinellem Lernen das Vorliegen einer Depression genau vorherzusagen. Die Studie nutzte den Tridimensional Personality Questionnaire (TPQ) in unseren beiden Teilnehmergruppen und nutzte ein Support-Vector-Machine-Modell (SVM), um das Vorliegen einer Depression vorherzusagen. Das ursprüngliche Modell erreichte eine gute Genauigkeit, hatte jedoch eine geringe Empfindlichkeit bei der Erkennung von Depressionen. Um das Modell zu verbessern, wurden unabhängige Persönlichkeitskomponenten mithilfe der unabhängigen Komponentenanalyse (ICA) extrahiert und mit anderen Faktoren kombiniert. Das verbesserte Modell führte zu einer höheren Genauigkeit und Empfindlichkeit bei der Erkennung von Depressionen. Die Ergebnisse legen nahe, dass der TPQ zur Erkennung von Depressionen mit akzeptabler Genauigkeit verwendet werden kann, Feature-Engineering-Techniken können die Vorhersagequalität jedoch weiter verbessern. Die Ergebnisse beider Experimente unterstreichen die Bedeutung der Präzisionsmedizin und zeigen das Potenzial von Neuroimaging und Datenwissenschaft bei der Verbesserung unseres Verständnisses und der Diagnose psychischer Störungen. Die Forschung bietet eine vielversprechende Richtung für zukünftige Studien zur präzisen psychischen Gesundheit.

This dissertation aimed to investigate mental health issues by studying two related aspects: the neural changes associated with cognitive processes after trauma using neuroimaging techniques, and the use of personality dimensions to detect depression. In order to achieve that, we performed two experiments: The first experiment focused on understanding how trauma affects learning from feedback and its potential impact on the development of post-traumatic stress disorder (PTSD). The study found that while trauma-exposed individuals performed similarly to the control group in terms of learning from feedback, there were differences in feedback processing observed through the analysis of magnetoencephalography (MEG) data. These differences were identified in specific brain regions involved in association formation, response to positive feedback, learning, and error correction. The differences were also found in the temporal and frequency domains of brain activity. The findings suggest that trauma does not impair learning and forming new associations but does affect feedback processing at a subtle level. The second part of the dissertation focused on using personality traits to predict depression. Two groups of participants, one with clinical depression and one without, were recruited for the study. We aimed to use personality traits in order to accurately predict the presence of depression with the help of machine learning. The study utilized the Tridimensional Personality Questionnaire (TPQ) in our two groups of participants, and used a support vector machine (SVM) model to predict the presence of depression. The initial model achieved good accuracy but had low sensitivity in detecting depression. To enhance the model, independent personality components were extracted using independent component analysis (ICA) and combined with other factors. The improved model resulted in higher accuracy and sensitivity in detecting depression. The results suggest that the TPQ can be used to detect depression with acceptable accuracy, but feature engineering techniques can further improve the prediction quality.The findings of both experiments emphasize the importance of precision medicine and demonstrate the potential of neuroimaging and data science in enhancing our understanding and diagnosis of mental disorders. The research offers a promising direction for future studies in precision mental health.

OpenAccess:
PDF
(additional files)