SwePub
Sök i LIBRIS databas

  Utökad sökning

L773:1872 7549 OR L773:0166 4328
 

Sökning: L773:1872 7549 OR L773:0166 4328 > Classifying social ...

  • Frick, AndreasUppsala universitet,Institutionen för psykologi (författare)

Classifying social anxiety disorder using multivoxel pattern analyses of brain function and structure

  • Artikel/kapitelEngelska2014

Förlag, utgivningsår, omfång ...

  • Elsevier BV,2014
  • printrdacarrier

Nummerbeteckningar

  • LIBRIS-ID:oai:DiVA.org:su-102293
  • https://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-102293URI
  • https://doi.org/10.1016/j.bbr.2013.11.003DOI
  • https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-213685URI
  • http://kipublications.ki.se/Default.aspx?queryparsed=id:128373641URI
  • https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-247765URI
  • https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-228225URI
  • http://kipublications.ki.se/Default.aspx?queryparsed=id:128839110URI

Kompletterande språkuppgifter

  • Språk:engelska
  • Sammanfattning på:engelska

Ingår i deldatabas

Klassifikation

  • Ämneskategori:ref swepub-contenttype
  • Ämneskategori:art swepub-publicationtype

Anmärkningar

  • AuthorCount:9;
  • Functional neuroimaging of social anxiety disorder (SAD) support altered neural activation to threat-provoking stimuli focally in the fear network, while structural differences are distributed over the temporal and frontal cortices as well as limbic structures. Previous neuroimaging studies have investigated the brain at the voxel level using mass-univariate methods which do not enable detection of more complex patterns of activity and structural alterations that may separate SAD from healthy individuals. Support vector machine (SVM) is a supervised machine learning method that capitalizes on brain activation and structural patterns to classify individuals. The aim of this study was to investigate if it is possible to discriminate SAD patients (n = 14) from healthy controls (n = 12) using SVM based on (1) functional magnetic resonance imaging during fearful face processing and (2) regional gray matter volume. Whole brain and region of interest (fear network) SVM analyses were performed for both modalities. For functional scans, significant classifications were obtained both at whole brain level and when restricting the analysis to the fear network while gray matter SVM analyses correctly classified participants only when using the whole brain search volume. These results support that SAD is characterized by aberrant neural activation to affective stimuli in the fear network, while disorder-related alterations in regional gray matter volume are more diffusely distributed over the whole brain. SVM may thus be useful for identifying imaging biomarkers of SAD.

Ämnesord och genrebeteckningar

Biuppslag (personer, institutioner, konferenser, titlar ...)

  • Gingnell, MalinUppsala universitet,Institutionen för psykologi,Obstetrik & gynekologi(Swepub:uu)malgi638 (författare)
  • Marquand, Andre F. (författare)
  • Howner, KatarinaKarolinska Institutet (författare)
  • Fischer, HåkanStockholms universitet,Psykologiska institutionen(Swepub:su)hkfi4392 (författare)
  • Kristiansson, MarianneKarolinska Institutet (författare)
  • Williams, Steven C. R. (författare)
  • Fredrikson, MatsUppsala universitet,Institutionen för psykologi(Swepub:uu)matsfred (författare)
  • Furmark, TomasUppsala universitet,Institutionen för psykologi(Swepub:uu)tomafurm (författare)
  • Uppsala universitetInstitutionen för psykologi (creator_code:org_t)

Sammanhörande titlar

  • Ingår i:Behavioural Brain Research: Elsevier BV75:9, s. 358S-358S0166-43281872-7549
  • Ingår i:Biological Psychiatry: Elsevier BV75:9, s. 358S-358S0006-32231873-2402

Internetlänk

Hitta via bibliotek

Till lärosätets databas

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

 
pil uppåt Stäng

Kopiera och spara länken för att återkomma till aktuell vy