SR
Setareh Rahimi
Author with expertise in Brain-Computer Interfaces in Neuroscience and Medicine
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
4
(100% Open Access)
Cited by:
8
h-index:
3
/
i10-index:
2
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
12

Identifying nonlinear Functional Connectivity with EEG/MEG using Nonlinear Time-Lagged Multidimensional Pattern Connectivity (nTL-MDPC)

Setareh Rahimi et al.Jan 20, 2023
Abstract Investigating task- and stimulus-dependent connectivity is key to understanding how brain regions interact to perform complex cognitive processes. Most existing connectivity analysis methods reduce activity within brain regions to unidimensional measures, resulting in a loss of information. While recent studies have introduced new functional connectivity methods that exploit multidimensional information, i.e., pattern-to-pattern relationships across regions, they have so far mostly been applied to fMRI data and therefore lack temporal information. We recently developed Time-Lagged Multidimensional Pattern Connectivity for EEG/MEG data, which detects linear dependencies between patterns for pairs of brain regions and latencies in event-related experimental designs (Rahimi et al., 2022b). Due to the linearity of this method, it may miss important nonlinear relationships between activity patterns. Thus, we here introduce nonlinear Time-Lagged Multidimensional Pattern Connectivity (nTL-MDPC) as a novel bivariate functional connectivity metric for event-related EEG/MEG applications. nTL-MDPC describes how well patterns in ROI X at time point t x can predict patterns of ROI Y at time point t y using artificial neural networks (ANNs). We evaluated this method on simulated data as well as on an existing EEG/MEG dataset of semantic word processing, and compared it to its linear counterpart (TL-MDPC). We found that nTL-MDPC indeed detected nonlinear relationships more reliably than TL-MDPC in simulations with moderate to high numbers of trials. However, in real brain data the differences were subtle, with identification of some connections over greater time lags but no change in the connections identified. The simulations and EEG/MEG results demonstrate that differences between the two methods are not dramatic, i.e. the linear method can approximate linear and nonlinear dependencies well. Highlights nTL-MDPC is a bivariate functional connectivity method for event-related EEG/MEG nTL-MDPC detects linear and nonlinear connectivity at zero and non-zero lags nTL-MDPC revealed connectivity between ATL hub and semantic control regions Differences between linear and nonlinear TL-MDPC were small
12

Time Lagged Multidimensional Pattern Connectivity (TL MDPC): An EEG/MEG Pattern Transformation Based Functional Connectivity Metric

Setareh Rahimi et al.May 23, 2022
Abstract Functional and effective connectivity methods are essential to study the complex information flow in brain networks underlying human cognition. Only recently have connectivity methods begun to emerge that make use of the full multidimensional information contained in patterns of brain activation, rather than univariate summary measures of these patterns. To date, these methods have mostly been applied to fMRI data, and no method allows vertex-vertex transformation with the temporal specificity of EEG/MEG data. Here, we introduce time-lagged multidimensional pattern connectivity (TL-MDPC) as a novel bivariate functional connectivity metric for EEG/MEG research. TL-MDPC estimates the vertex-to-vertex transformations among multiple brain regions and across different latency ranges. It determines how well patterns in ROI X at time point t x can linearly predict patterns of ROI Y at time point t y . In the present study, we use simulations to demonstrate TL-MDPC’s increased sensitivity to multidimensional effects compared to a univariate approach across realistic choices of number of trials and signal-to-noise ratio. We applied TL-MDPC, as well as its univariate counterpart, to an existing dataset varying the depth of semantic processing of visually presented words by contrasting a semantic decision and a lexical decision task. TL-MDPC detected significant effects beginning very early on, and showed stronger task modulations than the univariate approach, suggesting that it is capable of capturing more information. With TL-MDPC only, we observed rich connectivity between core semantic representation (left and right anterior temporal lobes) and semantic control (inferior frontal gyrus and posterior temporal cortex) areas with greater semantic demands. TL-MDPC is a promising approach to identify multidimensional connectivity patterns, typically missed by univariate approaches. Highlights TL-MDPC is a multidimensional functional connectivity method for event-related EMEG TL-MDPC captures both univariate and multidimensional connectivity TL-MDPC yields both zero-lag and time-lagged dependencies TL-MDPC produced richer connectivity than univariate approaches in a semantic task TL-MDPC identified connectivity between the ATL hubs and semantic control regions
0

Multivariate Time-Lagged Multidimensional Pattern Connectivity (mvTL-MDPC) for EEG/MEG Functional Connectivity Analysis

Setareh Rahimi et al.Jan 22, 2024
Abstract Multidimensional connectivity methods are critical to reveal the full pattern of complex interactions between brain regions over time. However, to date only bivariate multidimensional methods are available for time-resolved EEG/MEG data, which may overestimate connectivity due to the confounding effects of spurious and indirect dependencies. Here, we introduce a novel functional connectivity method which is both multivariate and multidimensional, Multivariate Time-lagged Multidimensional Pattern Connectivity (mvTL-MDPC), to address this issue in time-resolved EEG/MEG applications. This novel method extends its bivariate counterpart TL-MDPC to estimate how well patterns in an ROI 1 at time point t 1 can be linearly predicted from patterns of an ROI 2 at time point t 2 while partialling out the multivariate contributions from other brain regions. We compared the performance of mvTL-MDPC and TL-MDPC on simulated data designed to test their ability to identify true direct connections, using the Euclidean distance to the ground truth to measure goodness-of-fit. These simulations demonstrate that mvTL-MDPC produces more reliable and accurate results than the bivariate method. We therefore applied this method to an existing EEG/MEG dataset contrasting words presented in more or less demanding semantic tasks, to identify the dynamic brain network underlying controlled semantic cognition. As expected, mvTL-MDPC was more selective than TL-MDPC, identifying fewer connections, likely due to a reduction in the detection of spurious or indirect connections. Dynamic connections were identified between bilateral anterior temporal lobes, posterior temporal cortex and inferior frontal gyrus, in line with recent neuroscientific models of semantic cognition.
12

Task modulation of spatiotemporal dynamics in semantic brain networks: an EEG/MEG study

Setareh Rahimi et al.Jun 29, 2021
Abstract How does brain activity in distributed semantic brain networks evolve over time, and how do these regions interact to retrieve the meaning of words? We compared spatiotemporal brain dynamics between visual lexical and semantic decision tasks (LD and SD), analysing whole-cortex evoked responses and spectral functional connectivity (coherence) in source-estimated electroencephalography and magnetoencephalography (EEG and MEG) recordings. Our evoked analysis revealed generally larger activation for SD compared to LD, starting in primary visual area (PVA) and angular gyrus (AG), followed by left posterior temporal cortex (PTC) and left anterior temporal lobe (ATL). The earliest activation effects in ATL were significantly left-lateralised. Our functional connectivity results showed significant connectivity between left and right ATLs and PTC and right ATL in an early time window, as well as between left ATL and IFG in a later time window. The connectivity of AG was comparatively sparse. We quantified the limited spatial resolution of our source estimates via a leakage index for careful interpretation of our results. Our findings suggest that semantic task demands modulate visual and attentional processes early-on, followed by modulation of multimodal semantic information retrieval in ATLs and then control regions (PTC and IFG) in order to extract task-relevant semantic features for response selection. Whilst our evoked analysis suggests a dominance of left ATL for semantic processing, our functional connectivity analysis also revealed significant involvement of right ATL in the more demanding semantic task. Our findings demonstrate the complementarity of evoked and functional connectivity analysis, as well as the importance of dynamic information for both types of analyses. Highlights Semantic task demands affect activity and connectivity at different processing stages Earliest task modulations occurred in posterior visual brain regions ATL, PTC and IFG effects reflect task-relevant retrieval of multimodal information ATL effects left-lateralised for activation but bilateral for functional connectivity Dynamic evoked and connectivity data are essential to study semantic networks