Abstract Technological and methodological innovations are equipping researchers with unprecedented capabilities for detecting and characterizing pathologic processes in the developing human brain. As a result, ambitions to achieve clinically useful tools to assist in the diagnosis and management of mental health and learning disorders are gaining momentum. To this end, it is critical to accrue large-scale multimodal datasets that capture a broad range of commonly encountered clinical psychopathology. The Child Mind Institute has launched the Healthy Brain Network (HBN), an ongoing initiative focused on creating and sharing a biobank of data from 10,000 New York area participants (ages 5–21). The HBN Biobank houses data about psychiatric, behavioral, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (resting and naturalistic viewing fMRI, diffusion MRI, morphometric MRI), electroencephalography, eye-tracking, voice and video recordings, genetics and actigraphy. Here, we present the rationale, design and implementation of HBN protocols. We describe the first data release ( n =664) and the potential of the biobank to advance related areas (e.g., biophysical modeling, voice analysis).

The COVID-19 pandemic and its social and economic consequences have had adverse impacts on physical and mental health worldwide and exposed all segments of the population to protracted uncertainty and daily disruptions. The CoRonavIruS health and Impact Survey (CRISIS) was developed for use as an easy to implement and robust questionnaire covering key domains relevant to mental distress and resilience during the pandemic. Ongoing studies using CRISIS include international studies of COVID-related ill health conducted during different phases of the pandemic and follow-up studies of cohorts characterized before the COVID pandemic. In the current work, we demonstrate the feasibility, psychometric structure, and construct validity of this survey. We then show that pre-existing mood states, perceived COVID risk, and lifestyle changes are strongly associated with negative mood states during the pandemic in population samples of adults and in parents reporting on their children in the US and UK. These findings are highly reproducible and we find a high degree of consistency in the power of these factors to predict mental health during the pandemic.

Abstract Background Universal access to assessment and treatment of mental health and learning disorders remains a significant and unmet need. There is a vast number of people without access to care because of economic, geographic, and cultural barriers as well as limited availability of clinical experts who could help advance our understanding of mental health. Objective To create an open, configurable software platform to build clinical measures, mobile assessments, tasks, and interventions without programming expertise. Specifically, our primary requirements include: an administrator interface for creating and scheduling recurring and customized questionnaires where end users receive and respond to scheduled notifications via an iOS or Android app on a mobile device. Such a platform would help relieve overwhelmed health systems, and empower remote and disadvantaged subgroups in need of accurate and effective information, assessment, and care. This platform has potential to advance scientific research by supporting the collection of data with instruments tailored to specific scientific questions from large, distributed, and diverse populations. Methods We conducted a search for tools that satisfy the above requirements. We designed and developed a new software platform called “MindLogger” that exceeds the above requirements. To demonstrate the tool’s configurability, we built multiple “applets” (collections of activities) within the MindLogger mobile application and deployed several, including a comprehensive set of assessments underway in a large-scale, longitudinal, mental health study. Results Of the hundreds of products we researched, we found 10 that met our primary requirements above with 4 that support end-to-end encryption, 2 that enable restricted access to individual users’ data, 1 that provides open source software, and none that satisfy all three. We compared features related to information presentation and data capture capabilities, privacy and security, and access to the product, code, and data. We successfully built MindLogger mobile and web applications, as well as web browser-based tools for building and editing new applets and for administering them to end users. MindLogger has end-to-end encryption, enables restricted access, is open source, and supports a variety of data collection features. One applet is currently collecting data from children and adolescents in our mental health study, and other applets are in different stages of testing and deployment for use in clinical and research settings. Conclusions We have demonstrated the flexibility and applicability of the MindLogger platform through its deployment in a large-scale, longitudinal, mobile mental health study, and by building a variety of other mental health-related applets. With this release, we encourage a broad range of users to apply the MindLogger platform to create and test applets to advance health care and scientific research. We hope that increasing availability of applets designed to assess and administer interventions will facilitate access to health care in the general population.

Technological and methodological innovations are equipping researchers with unprecedented capabilities for detecting and characterizing pathologic processes in the developing human brain. As a result, ambitions to achieve clinically useful tools to assist in the diagnosis and management of mental health and learning disorders are gaining momentum. To this end, it is critical to accrue large-scale multimodal datasets that capture a broad range of commonly encountered clinical psychopathology. The Child Mind Institute has launched the Healthy Brain Network (HBN), an ongoing initiative focused on creating and sharing a biobank of data from 10,000 New York area participants (ages 5-21). The HBN Biobank houses data about psychiatric, behavioral, cognitive, and lifestyle phenotypes, as well as multimodal brain imaging (resting and naturalistic viewing fMRI, diffusion MRI, morphometric MRI), electroencephalography, eye-tracking, voice and video recordings, genetics, and actigraphy. Here, we present the rationale, design and implementation of HBN protocols. We describe the first data release (n = 664) and the potential of the biobank to advance related areas (e.g., biophysical modeling, voice analysis).

Objective: To evaluate the feasibility and value of creating an extensible framework for psychiatric phenotyping that indexes both strengths and weaknesses of behavioral dimensions. The Extended Strengths and Weaknesses Assessment of Normal Behavior (E-SWAN) reconceptualizes each diagnostic criterion for selected DSM-5 disorders as a behavior, which can range from high (strengths) to low (weaknesses). Initial efforts have focused on Panic Disorder, Social Anxiety, Major Depression, and Disruptive Mood Dysregulation Disorder. Methods: Data were collected from 523 participants (ages: 5-21 years old) in the Child Mind Institute Healthy Brain Network - an ongoing community-referred study. Parents completed each of the four E-SWAN scales and traditional unidirectional scales addressing the same disorders. Distributional properties, Item Response Theory Analysis (IRT) and Receiver Operating Characteristic (ROC) curves (for diagnostic prediction) were used to assess and compare the performance of E-SWAN and traditional scales. Results: In contrast to the traditional scales, which exhibited truncated distributions, all four E-SWAN scales were found to have near-normal distributions. IRT analyses indicate the E-SWAN subscales provided reliable information about respondents throughout the population distribution; in contrast, traditional scales only provided reliable information about respondents at the high end of the distribution. Predictive value for DSM-5 diagnoses was comparable to prior scales. Conclusion: E-SWAN bidirectional scales can capture the full spectrum of the population distribution for DSM disorders. The additional information provided can better inform examination of inter-individual variation in population studies, as well as facilitate the identification of factors related to resiliency in clinical samples.

Neuropsychological test batteries provide normed assessments of cognitive performance across multiple functional domains. Although each test emphasizes a certain component of cognition, a poor score can reflect many possible processing deficits. Here we explore the use of simultaneous eye tracking and EEG to decompose test performance into interpretable components of cognitive processing. We examine the specific case of Symbol Search, a processing speed subtest of the WISC, which involves searching for the presence of either of two target symbols among five search symbols. To characterise the signatures of effective performance of the test, we asked 26 healthy adults to perform a computerized version of it while recording continuous EEG and eye-tracking. We first established basic gaze-shifting patterns in the task, such as more frequent and prolonged fixation of each target than each search symbol, and longer search symbol fixations and overall trial duration for target-absent trials. We then entered multiple such metrics into a least absolute shrinkage and selection operator (LASSO) analysis, which revealed that short trial completion times were mainly predicted by longer initial fixations on the targets and fewer subsequent confirmatory saccades directed back to the targets. Further, the tendency to make confirmatory saccades was associated with stronger gamma-amplitude modulation by mid-frontal theta-phase in the EEG during initial target symbol encoding. Taken together, these findings indicate that efficient Symbol Search performance depends more on effective memory encoding than on general processing speed.

We present a dataset combining electrophysiology and eye tracking intended as a resource for the investigation of information processing in the developing brain. The dataset includes high-density task-based and task-free EEG, eye tracking, and cognitive and behavioral data collected from 126 individuals (ages: 6-44). The task battery spans both the simple/complex and passive/active dimensions to cover a range of approaches prevalent in modern cognitive neuroscience. The active task paradigms facilitate principled deconstruction of core components of task performance in the developing brain, whereas the passive paradigms permit the examination of intrinsic functional network activity during varying amounts of external stimulation. Alongside these neurophysiological data, we include an abbreviated cognitive test battery and questionnaire-based measures of psychiatric functioning. We hope that this dataset will lead to the development of novel assays of neural processes fundamental to information processing, which can be used to index healthy brain development as well as detect pathologic processes.