Automatic characterization of affective states in individuals with mood disorders based on the analysis of brain-heart interactions

Azad, Mohammad Hasan (2025). Automatic characterization of affective states in individuals with mood disorders based on the analysis of brain-heart interactions. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

In 2019, approximately 9% of the Canadian population experienced mood disorders such as depression or bipolar disorder. The diagnosis and treatment of these conditions are often hindered by factors like social stigma, limited clinical resources, and the lack of reliable objective markers. To address this gap, this thesis explores the potential of integrating multiple bio-signals that capture both brain and heart activity to provide a more comprehensive understanding of mood disorders, particularly depression, during sleep.

The primary aim of this research is to investigate the pathophysiological mechanisms underlying mood disorders by analyzing the interaction between sleep electroencephalogram (EEG) and electrocardiogram (ECG) signals. This study introduces a coherence metric as a potential interrelated biomarker for depression, linking brain and heart activity. A secondary analysis of polysomnography data from 46 individuals with depression and 40 healthy controls was conducted, revealing significant differences in brain-heart coherence of depression and healthy groups across sleep stages and EEG channels, particularly in the 0-8 Hz frequency bands.

In parallel, this thesis develops SleepDepNet, a deep learning model designed to automate the detection of depression by leveraging EEG and ECG biomarkers such as relative power ratio, heart rate, and the introduced coherence metric. SleepDepNet combines convolutional neural networks with long short-term memory networks to analyze the temporal and spectral characteristics of these signals. The model demonstrated a high accuracy of 98.33% in classifying depression, validating the efficacy of using brain-heart interactions as diagnostic tools. These findings suggest that integrating EEG and ECG along with deep learning algorithms offers a promising approach for the objective identification of mood disorders and lays the groundwork for future research into their automated detection and prediction.

Titre traduit

Caractérisation automatique des états affectifs chez les individus atteints de troubles de l’humeur basée sur l’analyse des interactions cerveau-coeur

Résumé traduit

En 2019, environ 9% de la population canadienne a souffert de troubles de l’humeur, tels que la dépression ou le trouble bipolaire. Le diagnostic et le traitement de ces affections sont souvent freinés par des facteurs comme la stigmatisation sociale, des ressources cliniques limitées, et l’absence de marqueurs objectifs fiables. Pour combler cette lacune, cette thèse explore le potentiel d’intégration de plusieurs bio-signaux qui capturent à la fois l’activité cérébrale et cardiaque, afin de fournir une compréhension plus complète des troubles de l’humeur, en particulier la dépression, pendant le sommeil.

L’objectif de cette recherche est d’examiner les mécanismes pathophysiologiques sous-jacents aux troubles de l’humeur en analysant l’interaction entre les signaux d’électroencéphalogramme (EEG) et d’électrocardiogramme (ECG) pendant le sommeil. Cette étude introduit une mesure de cohérence comme biomarqueur potentiel interrelié pour la dépression, reliant l’activité cérébrale et cardiaque. Une analyse secondaire des données de polysomnographie de 46 personnes souffrant de dépression et de 40 témoins sains a été menée, révélant des différences significatives dans la cohérence cerveau-coeur entre les groupes dépressifs et sains à travers les stades du sommeil et les canaux EEG, en particulier dans les bandes de fréquence de 0 à 8 Hz.

En parallèle, cette thèse développe SleepDepNet, un modèle d’apprentissage profond conçu pour automatiser la détection de la dépression en exploitant des biomarqueurs EEG et ECG, tels que le rapport de puissance relative, la fréquence cardiaque, et la mesure de cohérence introduite. SleepDepNet combine des réseaux de neurones convolutifs avec des réseaux de mémoire à long terme pour analyser les caractéristiques temporelles et spectrales de ces signaux. Le modèle a démontré une haute précision de 98,33% dans la classification de la dépression, validant ainsi l’efficacité de l’utilisation des interactions cerveau-coeur comme outils diagnostiques. Ces résultats suggèrent que l’intégration de l’EEG et de l’ECG, associée aux algorithmes d’apprentissage profond, offre une approche prometteuse pour l’identification objective des troubles de l’humeur et jette les bases de recherches futures sur leur détection et prédiction automatisées.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 57-60).
Mots-clés libres:	dépression, électroencéphalogramme, électrocardiogramme, mesure de cohérence, apprentissage profond, réseaux de neurones convolutifs, mémoire à long terme et court terme, polysomnographie, détection automatisée, diagnostic de la santé mentale
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Forouzanfar, Mohamad
Codirecteur:	Codirecteur Robillard, Rebecca Lina, Jean-Marc
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	18 août 2025 14:38
Dernière modification:	18 août 2025 14:38
URI:	https://espace.etsmtl.ca/id/eprint/3671

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt