An fNIRS investigation of novel expressed emotion stimulations in schizophrenia
Notice bibliographique
Résumé
Living in high expressed emotion (EE) environments tends to increase the relapse rate in schizophrenia (SZ). At present, the neural substrates responsible for high EE in SZ remain poorly understood. Functional near-infrared spectroscopy (fNIRS) may be of great use to quantitatively assess cortical hemodynamics and elucidate the pathophysiology of psychiatric disorders. In this study, we designed novel low- (positivity and warmth) and high-EE (criticism, negative emotion, and hostility) stimulations, in the form of audio, to investigate cortical hemodynamics. We used fNIRS to measure hemodynamic signals while participants listened to the recorded audio. Healthy controls (HCs, [Formula: see text]) showed increased hemodynamic activation in the major language centers across EE stimulations, with stronger activation in Wernicke's area during the processing of negative emotional language. Compared to HCs, people with SZ ([Formula: see text]) exhibited smaller hemodynamic activation in the major language centers across EE stimulations. In addition, people with SZ showed weaker or insignificant hemodynamic deactivation in the medial prefrontal cortex. Notably, hemodynamic activation in SZ was found to be negatively correlated with the negative syndrome scale score at high EE. Our findings suggest that the neural mechanisms in SZ are altered and disrupted, especially during negative emotional language processing. This supports the feasibility of using the designed EE stimulations to assess people who are vulnerable to high-EE environments, such as SZ. Furthermore, our findings provide preliminary evidence for future research on functional neuroimaging biomarkers for people with psychiatric disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».