Detecting artifacts produced in EEG data by muscle activity, eye blinks and electrical noise is a common and important problem in EEG research. It is now widely accepted that independent component analysis (ICA) may be a useful tool for isolating artifacts and/or cortical processes from electroencephalographic (EEG) data. We present results of simulations demonstrating that ICA decomposition, here tested using three popular ICA algorithms, Infomax, SOBI, and FastICA, can allow more sensitive automated detection of small non-brain artifacts than applying the same detection methods directly to the scalp channel data. We tested the upper bound performance of five methods for detecting various types of artifacts by separately optimizing and then applying them to artifact-free EEG data into which we had added simulated artifacts of several types, ranging in size from thirty times smaller (− 50 dB) to the size of the EEG data themselves (0 dB). Of the methods tested, those involving spectral thresholding were most sensitive. Except for muscle artifact detection where we found no gain of using ICA, all methods proved more sensitive when applied to the ICA-decomposed data than applied to the raw scalp data: the mean performance for ICA was higher and situated at about two standard deviations away from the performance distribution obtained on raw data. We note that ICA decomposition also allows simple subtraction of artifacts accounted for by single independent components, and/or separate and direct examination of the decomposed non-artifact processes themselves.

We show that during visual working memory, the electroencephalographic (EEG) process producing 5–7 Hz frontal midline theta (fmθ) activity exhibits multiple spectral modes involving at least three frequency bands and a wide range of amplitudes. The process accounting for the fmθ increase during working memory was separated from 71-channel data by clustering on time/frequency transforms of components returned by independent component analysis (ICA). Dipole models of fmθ component scalp maps were consistent with their generation in or near dorsal anterior cingulate cortex. From trial to trial, theta power of fmθ components varied widely but correlated moderately with theta power in other frontal and left temporal processes. The weak mean increase in frontal midline theta power with increasing memory load, produced entirely by the fmθ components, largely reflected progressively stronger theta activity in a relatively small proportion of trials. During presentations of letter series to be memorized or ignored, fmθ components also exhibited 12–15 Hz low-beta activity that was stronger during memorized than during ignored letter trials, independent of letter duration. The same components produced a brief 3-Hz burst 500 ms after onset of the Probe letter following each letter sequence. A new decomposition method, log spectral ICA, applied to normalized log time/frequency transforms of fmθ component Memorize-letter trials, showed that their low-beta activity reflected harmonic energy in continuous, sharp-peaked theta wave trains as well as independent low-beta bursts. Possibly, the observed fmθ process variability may index dynamic adjustments in medial frontal cortex to trial-specific behavioral context and task demands.

Independent component analysis (ICA) and blind source separation (BSS) methods are increasingly used to separate individual brain and non-brain source signals mixed by volume conduction in electroencephalographic (EEG) and other electrophysiological recordings. We compared results of decomposing thirteen 71-channel human scalp EEG datasets by 22 ICA and BSS algorithms, assessing the pairwise mutual information (PMI) in scalp channel pairs, the remaining PMI in component pairs, the overall mutual information reduction (MIR) effected by each decomposition, and decomposition 'dipolarity' defined as the number of component scalp maps matching the projection of a single equivalent dipole with less than a given residual variance. The least well-performing algorithm was principal component analysis (PCA); best performing were AMICA and other likelihood/mutual information based ICA methods. Though these and other commonly-used decomposition methods returned many similar components, across 18 ICA/BSS algorithms mean dipolarity varied linearly with both MIR and with PMI remaining between the resulting component time courses, a result compatible with an interpretation of many maximally independent EEG components as being volume-conducted projections of partially-synchronous local cortical field activity within single compact cortical domains. To encourage further method comparisons, the data and software used to prepare the results have been made available (http://sccn.ucsd.edu/wiki/BSSComparison).

We describe a set of complementary EEG data collection and processing tools recently developed at the Swartz Center for Computational Neuroscience (SCCN) that connect to and extend the EEGLAB software environment, a freely available and readily extensible processing environment running under Matlab. The new tools include (1) a new and flexible EEGLAB STUDY design facility for framing and performing statistical analyses on data from multiple subjects; (2) a neuroelectromagnetic forward head modeling toolbox (NFT) for building realistic electrical head models from available data; (3) a source information flow toolbox (SIFT) for modeling ongoing or event-related effective connectivity between cortical areas; (4) a BCILAB toolbox for building online brain-computer interface (BCI) models from available data, and (5) an experimental real-time interactive control and analysis (ERICA) environment for real-time production and coordination of interactive, multimodal experiments.

During concentration tasks, spontaneous attention shifts occurs towards self-centered matters. Little is known about the brain oscillatory activity underlying these mental phenomena. We recorded 128-channels electroencephalographic activity from 12 subjects performing a breath-counting task. Subjects were instructed to press a button whenever, based on their introspective experience, they realized their attention had drifted away from the task. Theta (4–7 Hz) and delta (2–3.5 Hz) EEG activity increased during mind wandering whereas alpha (9–11 Hz) and beta (15–30 Hz) decreased. A passive auditory oddball protocol was presented to the subjects to test brain-evoked responses to perceptual stimuli during mind wandering. Mismatch negativity evoked at 100 ms after oddball stimuli onset decreased during mind wandering whereas the brain-evoked responses at 200 ms after stimuli onset increased. Spectral analyses and evoked related potential results suggest decreased alertness and sensory processing during mind wandering. To our knowledge, our experiment is one of the first neuro-imaging studies that relies purely on subjects' introspective judgment, and shows that such judgment may be used to contrast different brain activity patterns.

The Brain Imaging Data Structure (BIDS) project is a rapidly evolving effort in the human brain imaging research community to create standards allowing researchers to readily organize and share study data within and between laboratories. Here we present an extension to BIDS for electroencephalography (EEG) data, EEG-BIDS, along with tools and references to a series of public EEG datasets organized using this new standard.

In electroencephalography, the classical event-related potential model often proves to be a limited method to study complex brain dynamics. For this reason, spectral techniques adapted from signal processing such as event-related spectral perturbation (ERSP) - and its variant event-related synchronization and event-related desynchronization - have been used over the past 20 years. They represent average spectral changes in response to a stimulus. These spectral methods do not have strong consensus for comparing pre- and post-stimulus activity. When computing ERSP, pre-stimulus baseline removal is usually performed after averaging the spectral estimate of multiple trials. Correcting the baseline of each single-trial prior to averaging spectral estimates is an alternative baseline correction method. However, we show that this method leads to positively skewed post-stimulus ERSP values. We eventually present new single-trial-based ERSP baseline correction methods that perform trial normalization or centering prior to applying classical baseline correction methods. We show that single-trial correction methods minimize the contribution of artifactual data trials with high-amplitude spectral estimates and are robust to outliers when performing statistical inference testing. We then characterize these methods in terms of their time-frequency responses and behavior compared to classical ERSP methods.

Long-term Vipassana meditators sat in meditation vs. a control rest (mind-wandering) state for 21 min in a counterbalanced design with spontaneous EEG recorded. Meditation state dynamics were measured with spectral decomposition of the last 6 min of the eyes-closed silent meditation compared to control state. Meditation was associated with a decrease in frontal delta (1-4 Hz) power, especially pronounced in those participants not reporting drowsiness during meditation. Relative increase in frontal theta (4-8 Hz) power was observed during meditation, as well as significantly increased parieto-occipital gamma (35-45 Hz) power, but no other state effects were found for the theta (4-8 Hz), alpha (8-12 Hz), or beta (12-25 Hz) bands. Alpha power was sensitive to condition order, and more experienced meditators exhibited no tendency toward enhanced alpha during meditation relative to the control task. All participants tended to exhibit decreased alpha in association with reported drowsiness. Cross-experimental session occipital gamma power was the greatest in meditators with a daily practice of 10+ years, and the meditation-related gamma power increase was similarly the strongest in such advanced practitioners. The findings suggest that long-term Vipassana meditation contributes to increased occipital gamma power related to long-term meditational expertise and enhanced sensory awareness.

Abstract Automated preprocessing methods are critically needed to process the large publicly-available EEG databases, but the optimal approach remains unknown because we lack data quality metrics to compare them. Here, we designed a simple yet robust EEG data quality metric assessing the percentage of significant channels between two experimental conditions within a 100 ms post-stimulus time range. Because of volume conduction in EEG, given no noise, most brain-evoked related potentials (ERP) should be visible on every single channel. Using three publicly available collections of EEG data, we showed that, with the exceptions of high-pass filtering and bad channel interpolation, automated data corrections had no effect on or significantly decreased the percentage of significant channels. Referencing and advanced baseline removal methods were significantly detrimental to performance. Rejecting bad data segments or trials could not compensate for the loss in statistical power. Automated Independent Component Analysis rejection of eyes and muscles failed to increase performance reliably. We compared optimized pipelines for preprocessing EEG data maximizing ERP significance using the leading open-source EEG software: EEGLAB, FieldTrip, MNE, and Brainstorm. Only one pipeline performed significantly better than high-pass filtering the data.