Most studies of continuous EEG data have used frequency transformation, which allows the quantification of brain states that vary over seconds. For the analysis of shorter, transient EEG events, it is possible to identify and quantify brain electric microstates as subsecond time epochs with stable field topography. These microstates may correspond to basic building blocks of human information processing. Microstate analysis yields a compact and comprehensive repertoire of short lasting classes of brain topographic maps, which may be considered to reflect global functional states. Each microstate class is described by topography, mean duration, frequency of occurrence and percentage analysis time occupied. This paper presents normative microstate data for resting EEG obtained from a database of 496 subjects between the age of 6 and 80 years. The extracted microstate variables showed a lawful, complex evolution with age. The pattern of changes with age is compatible with the existence of developmental stages as claimed by developmental psychologists. The results are discussed in the framework of state dependent information processing and suggest the existence of biologically predetermined top-down processes that bias brain electric activity to functional states appropriate for age-specific learning and behavior.

This is the final paper in a Comments and Controversies series dedicated to "The identification of interacting networks in the brain using fMRI: Model selection, causality and deconvolution". We argue that discovering effective connectivity depends critically on state-space models with biophysically informed observation and state equations. These models have to be endowed with priors on unknown parameters and afford checks for model Identifiability. We consider the similarities and differences among Dynamic Causal Modeling, Granger Causal Modeling and other approaches. We establish links between past and current statistical causal modeling, in terms of Bayesian dependency graphs and Wiener–Akaike–Granger–Schweder influence measures. We show that some of the challenges faced in this field have promising solutions and speculate on future developments.

Finding the means to efficiently summarize electroencephalographic data has been a long-standing problem in electrophysiology. A popular approach is identification of component modes on the basis of the time-varying spectrum of multichannel EEG recordings—in other words, a space/frequency/time atomic decomposition of the time-varying EEG spectrum. Previous work has been limited to only two of these dimensions. Principal Component Analysis (PCA) and Independent Component Analysis (ICA) have been used to create space/time decompositions; suffering an inherent lack of uniqueness that is overcome only by imposing constraints of orthogonality or independence of atoms. Conventional frequency/time decompositions ignore the spatial aspects of the EEG. Framing of the data being as a three-way array indexed by channel, frequency, and time allows the application of a unique decomposition that is known as Parallel Factor Analysis (PARAFAC). Each atom is the tri-linear decomposition into a spatial, spectral, and temporal signature. We applied this decomposition to the EEG recordings of five subjects during the resting state and during mental arithmetic. Common to all subjects were two atoms with spectral signatures whose peaks were in the theta and alpha range. These signatures were modulated by physiological state, increasing during the resting stage for alpha and during mental arithmetic for theta. Furthermore, we describe a new method (Source Spectra Imaging or SSI) to estimate the location of electric current sources from the EEG spectrum. The topography of the theta atom is frontal and the maximum of the corresponding SSI solution is in the anterior frontal cortex. The topography of the alpha atom is occipital with maximum of the SSI solution in the visual cortex. We show that the proposed decomposition can be used to search for activity with a given spectral and topographic profile in new recordings, and that the method may be useful for artifact recognition and removal.

There is much current interest in identifying the anatomical and functional circuits that are the basis of the brain's computations, with hope that functional neuroimaging techniques will allow the in vivo study of these neural processes through the statistical analysis of the time-series they produce. Ideally, the use of techniques such as multivariate autoregressive (MAR) modelling should allow the identification of effective connectivity by combining graphical modelling methods with the concept of Granger causality. Unfortunately, current time-series methods perform well only for the case that the length of the time-series Nt is much larger than p , the number of brain sites studied, which is exactly the reverse of the situation in neuroimaging for which relatively short time-series are measured over thousands of voxels. Methods are introduced for dealing with this situation by using sparse MAR models. These can be estimated in a two-stage process involving (i) penalized regression and (ii) pruning of unlikely connections by means of the local false discovery rate developed by Efron. Extensive simulations were performed with idealized cortical networks having small world topologies and stable dynamics. These show that the detection efficiency of connections of the proposed procedure is quite high. Application of the method to real data was illustrated by the identification of neural circuitry related to emotional processing as measured by BOLD.

We review the theory and algorithms of electrophysiological brain connectivity analysis. This tutorial is aimed at providing an introduction to brain functional connectivity from electrophysiological signals, including electroencephalography, magnetoencephalography, electrocorticography, and stereoelectroencephalography. Various connectivity estimators are discussed, and algorithms introduced. Important issues for estimating and mapping brain functional connectivity with electrophysiology are discussed.

SUMMARY In this paper, we describe a novel methodology, BC-VARETA, for estimating the Inverse Solution (sources activity) and its Precision Matrix (connectivity parameters) in the frequency domain representation of Stationary Time Series. The aims of this method are three. First: Joint estimation of Source Activity and Connectivity as a frequency domain linear dynamical system identification approach. Second: Achieve super high resolution in the connectivity estimation through Sparse Hermitian Sources Graphical Model. Third: To be a populational approach, preventing the Inverse Solution and Connectivity statistical analysis across subjects as a postprocessing, by modeling population features of Source Activity and Connectivity. Our claims are supported by a wide simulation framework using realistic head models, realistic Sources Setup, and Inverse Crime effects evaluation. Also, a fair quantitative analysis is performed, based on a diversification of quality measures on which state of the art Inverse Solvers were tested.

Abstract Several studies suggest that the pattern of co-fluctuations of neural activity within V1 (measured with fMRI) changes with variations in attention/perceptual organization of observed stimuli. Here we used multivariate pattern analysis of intra-V1 correlation matrices to predict the level and shape of the observed Navon letters. We examined the inter-individual stability of network topologies and then tested if they contained intra-individual information about stimulus shape or level that was tolerant to changes in the irrelevant feature. The inter-individual classification was accurate for all specific level and letter-shape tests. These results indicate that the association of V1 topologies and perceptual states is stable across participants. Intra-participant cross-classification of level (ignoring shape) was accurate but failed for shape (ignoring level). Cross-classification of stimulus level was more accurate when the stimulus-evoked response was suppressed in the fMRI time series and not present for correlations based on raw time series, stimulus-evoked beta-series, or simulations of the effects of eye movements measured in a control group. Furthermore, cross-classification weight maps evinced asymmetries of link strengths across the visual field that mirrored perceptual asymmetries. We hypothesize that feedback about level information drives the intra-V1 networks based on fMRI background activity. These intra-V1 networks can shed light on the neural basis of attention and perceptual organization.