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 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.

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 Growing evidence supports functional network alterations in autism spectrum disorder, however much less is known about the neural mechanisms underlying autistic traits in typically developing children. Using resting-state electroencephalographic (EEG) recordings, we examined whether functional connectivity could predict autistic trait expression in 127 children aged between 4-12 years. Regression models showed that right anterior theta connectivity was a significant predictor of autistic traits (p = 0.013), with increased connectivity in this region associated with greater autistic trait expression. These results corroborate similar recent findings in adults, extending this observation to a cohort of children spanning early-to-middle childhood. These findings further highlight EEG-derived functional connectivity as a sensitive physiological correlate of autistic trait expression in neurotypical children.

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.

Abstract Electroencephalography (EEG) is a useful tool to measure neural activity. However, EEG data are usually contaminated with non-neural artifacts, including voltage shifts generated by eye movements and muscle activity, and other artifacts that are less easily characterizable. The confounding influence of artifacts is often addressed by decomposing data into components, subtracting probable artifactual components, then reconstructing data back into the electrode space. This approach is commonly applied using independent component analysis (ICA). Here, we demonstrate the counterintuitive finding that due to imperfect component separation, component subtraction can artificially inflate effect sizes for event-related potentials (ERPs) and connectivity measures, bias source localisation estimates, and remove neural signals. To address this issue, we developed a method that targets cleaning to the artifact periods of eye movement components and artifact frequencies of muscle components. When tested across different EEG systems and cognitive tasks, our results showed that the targeted artifact reduction method is effective in cleaning artifacts while also reducing the artificial inflation of ERP and connectivity effect sizes and minimizing source localisation biases. Our results suggest EEG pre-processing is better when targeted cleaning is applied, as this improves preservation of neural signals and mitigates effect size inflation and source localisation biases that result from approaches which subtract artifact components across the entire time-series. These improvements enhance the reliability and validity of EEG data analysis. Our method is provided in the freely available RELAX pipeline, which includes a graphical user interface for ease of use and is available as an EEGLAB plugin ( https://github.com/NeilwBailey/RELAX ).

Abstract Mindfulness meditation involves training attention, commonly towards the current sensory experience, with an attitude of non-judgemental awareness. Theoretical perspectives suggest meditation alters the brain’s predictive processing mechanisms, increasing the synaptic gain and precision with which sensory information is processed, and reducing the generation or elaboration of higher-order beliefs. Recent research suggests that forwards and backwards travelling cortical alpha waves provide an indication of these predictive processing functions. Here, we used electroencephalography (EEG) to test whether the strength of forwards and backwards travelling cortical alpha waves differed between experienced meditators and a matched sample of non-meditators, both during an eyes-closed resting state (N = 97) and during a visual cognitive (Go/No-go) task (N = 126). Our results showed that meditators produced stronger forwards travelling cortical alpha waves compared to non-meditators, both while resting with their eyes closed and during task performance. Meditators also exhibited weaker backwards travelling cortical alpha wave strength while resting with their eyes closed. These results may be indicative of a neural mechanism underpinning enhanced attention associated with meditation practice, as well as a potential neural marker of the reductions in resting mind-wandering that are suggested to be associated with meditation practice. The results also support models of brain function that suggest attention modification can be achieved by mental training aimed at increased processing of sensory information, which might be indexed by greater strength of forwards travelling cortical alpha waves.