Abstract Electroencephalographic (EEG) data is typically contaminated with non-neural artifacts which can confound the results of experiments. Artifact cleaning approaches are available, but often require time-consuming manual input and significant expertise. Advancements in artifact cleaning often only address a single artifact, are only compared against a small selection of pre-existing methods, and seldom assess whether a proposed advancement improves experimental outcomes. To address these issues, we developed RELAX (the Reduction of Electroencephalographic Artifacts), an automated EEG cleaning pipeline implemented within EEGLAB that reduces all artifact types. RELAX cleans continuous data using Multiple Wiener filtering [MWF] and/or wavelet enhanced independent component analysis [wICA] applied to artifacts identified by ICLabel [wICA_ICLabel]). Several versions of RELAX were tested using three datasets containing a mix of cognitive and resting recordings (N = 213, 60 and 23 respectively). RELAX was compared against six commonly used EEG cleaning approaches across a wide range of artifact cleaning quality metrics, including signal-to-error and artifact-to-residue ratios, measures of remaining blink and muscle activity, and the amount of variance explained by experimental manipulations after cleaning. RELAX with MWF and wICA_ICLabel showed amongst the best performance for cleaning blink and muscle artifacts while still preserving neural signal. RELAX with wICA_ICLabel (and no MWF) may perform better at detecting the effect of experimental manipulations on alpha oscillations in working memory tasks. The pipeline is easy to implement in MATLAB and freely available on GitHub. Given its high cleaning performance, objectivity, and ease of use, we recommend RELAX for data cleaning across EEG studies.

Electroencephalography (EEG) is commonly used to examine neural activity time-locked to the presentation of a stimulus, referred to as an Event-Related Potential (ERP). However, EEG is also influenced by non-neural artifacts, which can confound ERP comparisons. Artifact cleaning can reduce artifacts, but often requires time-consuming manual decisions. Most automated cleaning methods require frequencies <1Hz to be filtered out of the data, so are not recommended for ERPs (which often contain <1Hz frequencies). In our companion article, we introduced RELAX (the Reduction of Electroencephalographic Artifacts), an automated and modular cleaning pipeline that reduces artifacts with Multiple Wiener Filtering (MWF) and/or wavelet enhanced independent component analysis (wICA) applied to artifact components detected with ICLabel (wICA_ICLabel) (Bailey et al., 2022). To evaluate the suitability of RELAX for data cleaning prior to ERP analysis, multiple versions of RELAX were compared to four commonly used EEG cleaning pipelines. Cleaning performance was compared across a range of artifact cleaning metrics and in the amount of variance in ERPs explained by different conditions in a Go-Nogo task. RELAX with MWF and wICA_ICLabel cleaned the data the most effectively and produced amongst the most dependable ERP estimates. RELAX with wICA_ICLabel only or MWF_only may detect experimental effects better for some ERP measures. Importantly, RELAX can high-pass filter data at 0.25Hz, so is applicable to analyses involving ERPs. The pipeline is easy to implement via EEGLAB in MATLAB and is freely available on GitHub. Given its performance, objectivity, and ease of use, we recommend RELAX for EEG data cleaning.

Abstract Attention is a vital executive function, since other executive functions are largely dependent on it. Mindfulness meditation has been shown to enhance attention. However, the components of attention altered by meditation and the related neural activities are underexplored. In particular, the contributions of inhibitory processes and sustained attention are not well understood. Additionally, it is not clear whether improvements in attention are related to increases in the strength of typically activated brain areas, or the recruitment of additional or alternative brain areas. To address these points, 34 meditators were compared to 28 age and gender matched controls during electroencephalography (EEG) recordings of neural activity during a Go/Nogo response inhibition task. This task generates a P3 event related potential, which is related to response inhibition processes in Nogo trials, and attention processes across both trial types. Compared with controls, meditators were more accurate at responding to Go and Nogo trials. Meditators showed a more frontally distributed P3 to both Go and Nogo trials, suggesting more frontal involvement in sustained attention rather than activity specific to response inhibition. Unexpectedly, meditators also showed increased positivity over the right parietal cortex prior to visual information reaching the occipital cortex. Both results were positively related to increased accuracy across both groups. The results suggest that meditators have an increased capacity to modulate a range of neural processes in order to meet task requirements, including higher order processes, and sensory anticipation processes. This increased capacity may underlie the improved attentional function observed in mindfulness meditators.

Abstract Objectives Long-term meditation practice affects the brain’s ability to sustain attention. However, how this occurs is not well understood. Electroencephalography (EEG) studies have found that during dichotic oddball listening tasks, experienced meditators displayed altered attention-related neural markers including theta phase synchronisation (TPS) and event-related potentials (ERP; P200 and P300) to target tones while meditating compared to resting, and compared to non-meditators after intensive meditation interventions. Research is yet to establish whether the changes in the aforementioned neural markers are trait changes which may be observable in meditators irrespective of practice setting. Method The present study expanded on previous research by comparing EEG measures from a dichotic oddball task in a sample of community-based mindfulness meditators (n=22) to healthy controls with no meditation experience (n=22). To minimise state effects, neither group practiced meditation during / immediately prior to the EEG session. Results No group differences were observed in behavioural performance or either the global amplitude or distribution of theta phase synchronisation, P200 or P300. Bayes Factor analysis suggested evidence against group differences for the P200 and P300. Conclusions The results suggest that increased P200, P300 and TPS do not reflect trait-related changes in a community sample of mindfulness meditators. The present study used a larger sample size than previous research and power analayses suggested the study was suficiently powered to detect differences. These results add nuance to our understanding of which processes are affected by meditation and the amount of meditation required to generate differences in specific neural processes.

Abstract Background Obsessive-Compulsive Disorder (OCD) is a mental health condition causing significant decline in the quality of life of sufferers and the limited knowledge on the pathophysiology hinders successful treatment. The aim of the current study was to examine electroencephalographic (EEG) findings of OCD to broaden our understanding of the disease. Methods Resting-state eyes-closed EEG data was recorded from 25 individuals with OCD and 27 healthy controls (HC). The 1/f arrhythmic activity was removed prior to computing oscillatory powers of all frequency bands (delta, theta, alpha, beta, gamma). Cluster-based permutation was used for between-group statistical analyses, and comparisons were performed for the 1/f slope and intercept parameters. Functional connectivity (FC) was measured using coherence and debiased weighted phase lag index (d-wPLI), and statistically analysed using the Network Based Statistic method. Results Compared to HC, the OCD group showed increased oscillatory power in the delta and theta bands in the fronto-temporal and parietal brain regions. However, there were no significant between-group findings in other bands or 1/f parameters. The coherence measure showed significantly reduced FC in the delta band in OCD compared to HC but the d-wPLI analysis showed no significant differences. Conclusions OCD is associated with raised oscillatory power in slow frequency bands in the fronto-temporal brain regions, which agrees with the previous literature and therefore is a potential biomarker. Although delta coherence was found to be lower in OCD, due to inconsistencies found between measures and the previous literature, further research is required to ascertain definitive conclusions.

ABSTRACT Background Obsessive-Compulsive Disorder (OCD) is a psychiatric condition leading to significant distress and poor quality of life. Successful treatment of OCD is restricted by the limited knowledge about its pathophysiology. This study aimed to investigate the pathophysiology of OCD using electroencephalographic (EEG) event related potentials (ERP), elicited from multiple tasks to characterise disorder-related differences in underlying brain activity across multiple neural processes. Methods ERP data were obtained from 25 OCD patients and 27 age- and sex-matched healthy controls (HC) by recording EEG during Flanker and Go/Nogo tasks. Error-related negativity (ERN) was elicited by the Flanker task, while N200 and P300 were generated using the Go/Nogo task. Primary comparisons of the neural response amplitudes and the topographical distribution of neural activity were conducted using scalp field differences across all time points and electrodes. Results Compared to HC, the OCD group showed altered ERP distributions. Contrasting with the previous literature on ERN and N200 topographies in OCD where fronto-central negative voltages were reported, we detected positive voltages. Additionally, the P300 was found to be less negative in the frontal regions. None of these ERP findings were associated with OCD symptom severity. Conclusions These results indicate that individuals with OCD show altered frontal neural activity across multiple executive function related processes, supporting the frontal dysfunction theory of OCD. Furthermore, due to the lack of association between altered ERPs and OCD symptom severity, they may be considered potential candidate endophenotypes for OCD.

Automated EEG pre-processing pipelines provide several key advantages over traditional manual data cleaning approaches; primarily, they are less time-intensive and remove potential experimenter error/bias. Automated pipelines also require fewer technical expertise as they remove the need for manual artifact identification. We recently developed the fully automated Reduction of Electroencephalographic Artifacts (RELAX) pipeline and demonstrated its performance in cleaning EEG data recorded from adult populations. Here, we introduce the RELAX-Jr pipeline, which was adapted from RELAX to be designed specifically for pre- processing of data collected from children. RELAX-Jr implements multi-channel Wiener filtering (MWF) and/or wavelet-enhanced independent component analysis (wICA) combined with the adjusted-ADJUST automated independent component classification algorithm to identify and reduce all artifacts using algorithms adapted to optimally identify artifacts in EEG recordings taken from children. Using a dataset of resting-state EEG recordings (N = 136) from children spanning early-to-middle childhood (4-12 years), we assessed the cleaning performance of RELAX-Jr using a range of metrics including signal-to-error ratio, artifact-to-residue ratio, ability to reduce blink and muscle contamination, and differences in estimates of alpha power between eyes-open and eyes-closed recordings. We also compared the performance of RELAX- Jr against four publicly available automated cleaning pipelines. We demonstrate that RELAX-Jr provides strong cleaning performance across a range of metrics, supporting its use as an effective and fully automated cleaning pipeline for neurodevelopmental EEG data.

Abstract Objectives Mindfulness meditation (MM) is suggested to improve attention. Research has explored this using the ‘attentional-blink’ (AB) task, where stimuli are rapidly presented, and a second target stimulus (T2) is often missed if presented ∼300ms after an initial target stimulus (T1). This research showed improved task-accuracy and altered neural activity after an intensive 3-month MM retreat. We tested whether these results replicated in a community sample of typical meditators. Methods Thirty-one mindfulness meditators and 30 non-meditators completed an AB task while electroencephalography (EEG) was recorded. Between-group comparisons were made for task-accuracy, event-related potential activity (posterior-N2 and P3b), theta and alpha oscillatory phase synchronisation to stimuli presentation, and alpha-power. Primary aims examined effects within time windows reported by previous research. Additional exploratory aims assessed effects across broader time windows. Results No differences were detected in task-accuracy or neural activity within our primary hypotheses. However, exploratory analyses showed posterior-N2 and theta phase synchronisation effects indicating meditators prioritised attending to T2 stimuli (p < 0.01). Meditators also showed more alpha-phase synchronisation, and lower alpha-power when processing T2 stimuli (p < 0.025). Conclusions Our results showed multiple differences in neural activity that suggested enhanced attention in meditators. The neural activity patterns in meditators aligned with theoretical perspectives on activity associated with enhanced cognitive performance. These include enhanced alpha ‘gating’ mechanisms, increased oscillatory synchronisation to stimuli, and more equal allocation of neural activity across stimuli. However, meditators did not show higher task-accuracy, nor did effects align with our primary hypotheses or previous research. Preregistration This study was not preregistered.

Abstract Objectives Mindfulness meditation is associated with better attention function. Performance monitoring and error-processing are important aspects of attention. We investigated whether experienced meditators showed different neural activity related to performance monitoring and error-processing. Previous research has produced inconsistent results. This study used more rigorous analyses and a larger sample to resolve the inconsistencies. Methods We used electroencephalography (EEG) to measure the error-related negativity (ERN) and error positivity (Pe) following correct and incorrect responses to a Go/Nogo task from 27 experienced meditators and 27 non-meditators. Results No differences were found in the ERN (all p > 0.05). Meditators showed larger global field potentials (GFP) in the Pe after both correct responses and errors, indicating stronger neural responses ( p = 0.0190, FDR-p = 0.152, np 2 = 0.0951, BFincl = 2.691). This effect did not pass multiple comparison controls. However, single electrode analysis of the Pe did pass multiple comparison controls ( p = 0.002, FDR-p = 0.016, np 2 = 0.133, BFincl = 220.659). Meditators also showed a significantly larger Pe GFP for errors only, which would have passed multiple comparison controls, but was not a primary analysis (p = 0.0028, np 2 = 0.1493, BF10 = 9.999). Conclusions Meditation may strengthen neural responses related to performance monitoring (measured by the Pe), but not specifically to error monitoring (although measurements of the Pe after errors may be more sensitive to group differences). However, only the single electrode analysis passed multiple comparison controls, while analysis including all electrodes did not, so this conclusion remains tentative.

Abstract Previous research has examined resting electroencephalographic (EEG) data to explore brain activity related to meditation. However, previous research has mostly examined power in different frequency bands. Here we compared >7000 time-series features of the EEG signal to comprehensively characterize brain activity differences in meditators, using many measures that are novel in meditation research. Eyes-closed resting-state EEG data from 49 meditators and 46 non-meditators was decomposed into the top eight principal components (PCs). We extracted 7381 time-series features from each PC and each participant and used them to train classification algorithms to identify meditators. Highly differentiating individual features from successful classifiers were analysed in detail. Only the third PC (which had a central-parietal maximum) showed above-chance classification accuracy (67%, p FDR = 0.007), for which 405 features significantly distinguished meditators (all p FDR < 0.05). Top-performing features indicated that meditators exhibited more consistent statistical properties across shorter subsegments of their EEG time-series (higher stationarity) and displayed an altered distributional shape of values about the mean. By contrast, classifiers trained with traditional band-power measures did not distinguish the groups ( p FDR > 0.05). Our novel analysis approach suggests the key signatures of meditators’ brain activity are higher temporal stability and a distribution of time-series values suggestive of longer, larger, or more frequent non-outlying voltage deviations from the mean within the third PC of their EEG data. The higher temporal stability observed in this EEG component might underpin the higher attentional stability associated with meditation. The novel time-series properties identified here have considerable potential for future exploration in meditation research and the analysis of neural dynamics more broadly.