Hierarchical predictive coding suggests that attention in humans emerges from increased precision in probabilistic inference, whereas expectation biases attention in favor of contextually anticipated stimuli. We test these notions within auditory perception by independently manipulating top-down expectation and attentional precision alongside bottom-up stimulus predictability. Our findings support an integrative interpretation of commonly observed electrophysiological signatures of neurodynamics, namely mismatch negativity (MMN), P300, and contingent negative variation (CNV), as manifestations along successive levels of predictive complexity. Early first-level processing indexed by the MMN was sensitive to stimulus predictability: here, attentional precision enhanced early responses, but explicit top-down expectation diminished it. This pattern was in contrast to later, second-level processing indexed by the P300: although sensitive to the degree of predictability, responses at this level were contingent on attentional engagement and in fact sharpened by top-down expectation. At the highest level, the drift of the CNV was a fine-grained marker of top-down expectation itself. Source reconstruction of high-density EEG, supported by intracranial recordings, implicated temporal and frontal regions differentially active at early and late levels. The cortical generators of the CNV suggested that it might be involved in facilitating the consolidation of context-salient stimuli into conscious perception. These results provide convergent empirical support to promising recent accounts of attention and expectation in predictive coding.

Theoretical advances in the science of consciousness have proposed that it is concomitant with balanced cortical integration and differentiation, enabled by efficient networks of information transfer across multiple scales. Here, we apply graph theory to compare key signatures of such networks in high-density electroencephalographic data from 32 patients with chronic disorders of consciousness, against normative data from healthy controls. Based on connectivity within canonical frequency bands, we found that patient networks had reduced local and global efficiency, and fewer hubs in the alpha band. We devised a novel topographical metric, termed modular span, which showed that the alpha network modules in patients were also spatially circumscribed, lacking the structured long-distance interactions commonly observed in the healthy controls. Importantly however, these differences between graph-theoretic metrics were partially reversed in delta and theta band networks, which were also significantly more similar to each other in patients than controls. Going further, we found that metrics of alpha network efficiency also correlated with the degree of behavioural awareness. Intriguingly, some patients in behaviourally unresponsive vegetative states who demonstrated evidence of covert awareness with functional neuroimaging stood out from this trend: they had alpha networks that were remarkably well preserved and similar to those observed in the controls. Taken together, our findings inform current understanding of disorders of consciousness by highlighting the distinctive brain networks that characterise them. In the significant minority of vegetative patients who follow commands in neuroimaging tests, they point to putative network mechanisms that could support cognitive function and consciousness despite profound behavioural impairment.

Abstract Automated systems for identifying and removing non-neural ICA components are growing in popularity among adult EEG researchers. Infant EEG data differs in many ways from adult EEG data, but there exists almost no specific system for automated classification of source components from paediatric populations. Here, we adapt one of the most popular systems for adult ICA component classification for use with infant EEG data. Our adapted classifier significantly outperformed the original adult classifier on samples of naturalistic free play EEG data recorded from 10 to 12-month-old infants, achieving agreement rates with the manual classification of over 75% across two validation studies (n=44, n=25). Additionally, we examined both classifiers ability to remove stereotyped ocular artifact from a basic visual processing ERP dataset, compared to manual ICA data cleaning. Here the new classifier performed on level with expert manual cleaning and was again significantly better than the adult classifier at removing artifact whilst retaining a greater amount of genuine neural signal, operationalised through comparing ERP activations in time and space. Our new system (iMARA) offers developmental EEG researchers a flexible tool for automatic identification and removal of artifactual ICA components.

Abstract Quantifying the complexity of neural activity has provided fundamental insights into cognition, consciousness, and clinical conditions. However, the most widely used approach to estimate the complexity of neural dynamics, Lempel-Ziv complexity (LZ), has fundamental limitations that substantially restrict its domain of applicability. In this article we leverage the information-theoretic foundations of LZ to overcome these limitations by introducing a complexity estimator based on state-space models —which we dub Complexity via State-space Entropy Rate (CSER). While having a performance equivalent to LZ in discriminating states of consciousness, CSER boasts two crucial advantages: 1) CSER offers a principled decomposition into spectral components, which allows us to rigorously investigate the relationship between complexity and spectral power; and 2) CSER provides a temporal resolution two orders of magnitude better than LZ, which allows complexity analyses of e.g. event-locked neural signals. As a proof of principle, we use MEG, EEG and ECoG datasets of humans and monkeys to show that CSER identifies the gamma band as the main driver of complexity changes across states of consciousness; and reveals early entropy increases that precede the standard ERP in an auditory mismatch negativity paradigm by approximately 20ms. Overall, by overcoming the main limitations of LZ and substantially extending its range of applicability, CSER opens the door to novel investigations on the fine-grained spectral and temporal structure of the signal complexity associated with cognitive processes and conscious states.

Understanding the neural substrate of altered conscious states is an important cultural, scientific, and clinical endeavour. Although hypnosis causes strong shifts in conscious perception and cognition, it remains largely unclear how hypnosis affects information processing in cortical networks. Here we manipulated the depth of hypnotic states to study information processing between cortical regions involved in attention and awareness. We used high-density Electroencephalography (EEG) to record resting-state cortical activity from 30 hypnosis experts during two hypnotic states with different depth. Each participant entered a light and a deep hypnotic state as well as two well-matched control states. Bridging top-down and lateralisation models of hypnosis, we found that interhemispheric frontoparietal connectivity distinguished hypnosis and control conditions, while no difference was found between the two hypnotic states. Using a graph-theoretic measure, we revealed that the amount of information passing through individual nodes (measured via betweenness centrality) is reduced during hypnosis relative to control states. Finally, we found that theta power was enhanced during hypnosis. Our result contributes to the current discussion around a role for theta power in bringing about hypnotic states, as well as other altered conscious states. Overall, our findings support the notion that altered top-down control in frontoparietal regions facilitates hypnosis by integrating information between cortical hemispheres.

Emotional communication between parents and children is crucial during early life, yet little is known about its neural underpinnings. Here, we adopt a dual-brain connectivity approach to assess how emotional valence modulates the parent-infant neural network. Fifteen mothers modelled positive and negative emotions toward pairs of objects during social interaction with their infants (aged 10.3 months) whilst their neural activity was concurrently measured using dual-EEG. Intra-brain and inter-brain network connectivity in the 6-9 Hz (infant Alpha) range was computed during maternal expression of positive and negative emotions using directed (partial directed coherence) and non-directed (phase-locking value) connectivity metrics. Graph theoretical metrics were used to quantify differences in network topology as a function of emotional valence. Inter-brain network indices (Density, Strength and Divisibility) consistently revealed that the integration of parents' and childrens' neural processes was significantly stronger during maternal demonstrations of positive than negative emotions. Further, directed inter-brain metrics indicated that mother-to-infant directional influences were stronger during the expression of positive than negative emotions. These results suggest that the parent-infant inter-brain network is modulated by the emotional quality and tone of dyadic social interactions, and that inter-brain graph metrics may be successfully applied to examine these changes in interpersonal network topology.

Detection of statistical irregularities, measured as a prediction error response, is fundamental to the perceptual monitoring of the environment. We studied whether prediction error response is generated by neural oscillations or asynchronous neuronal firing. Electrocorticography (ECoG) was carried out in three monkeys, who passively listened to the auditory roving oddball stimuli. Local field potentials (LFP) recorded over the auditory cortex underwent spectral principal component analysis, which decoupled broadband and rhythmic components of LFP signal. We found that broadband component generated prediction error response, whereas none of the rhythmic components encoded statistical irregularities of sounds. The broadband component displayed more stochastic, asymmetrical multifractal properties than the rhythmic components, which revealed more self-similar dynamics. We thus conclude that the prediction error response is encoded by asynchronous neuronal populations, defined by irregular dynamical states which, unlike oscillatory rhythms, appear to enable the neural representation of auditory prediction error response.

Abstract Neural connectivity analysis is often performed on continuous data that has been discretized into temporal windows of a fixed length. However, the selection of an optimal window length is non-trivial, and depends on the properties of the connectivity metric being used as well as the effects of interest within the data (e.g. developmental or inter-brain effects). A systematic investigation of these factors, and objective criteria for window size selection are currently missing in the literature, particularly in regard to pediatric datasets. Here, we provide a principled examination of the effect of window size on optimization of signal to noise ratio for linear and non-linear EEG connectivity, as applied to infant, adult and dyadic (infant-adult) datasets. We employed a linear weighted phase lag index (wPLI), and a nonlinear weighted symbolic mutual information (wSMI) metric to assess brain connectivity for each dataset. Our results showed a clear polar dissociation between linear and non-linear metrics, as well as between infant and adult datasets in optimal window size. Further, optimal dyadic (infant-adult) window size settings defaulted to one or the partner rather than reflecting an intermediate compromise. Given the specificity of these results (i.e. there was no single window size that was optimal for all contrasts), we conclude that a formal analysis of optimal window size may be useful prior to conducting any new connectivity analysis. Here, we recommend guiding principles, performance metrics and decision criteria for optimal and unbiased window size selection.

Recently, cortical correlates of specific dream contents have been reported, such as the activation of the sensorimotor cortex during dreamed hand clenching. Yet, the causal mechanisms underlying specific dream content remain largely elusive. Here, we investigated how alterations in the excitability of sensorimotor areas through transcranial direct current stimulation (tDCS) might alter dream content. Following bihemispheric tDCS or sham stimulation, participants who were awakened from REM sleep filled out a questionnaire on bodily sensations in dreams. tDCS, compared to sham stimulation, significantly decreased reports of dream movement, especially repetitive actions. Contrary to this, other types of bodily experiences, such as tactile or vestibular sensations, were not affected by tDCS, confirming the specificity of stimulation effects. In addition, tDCS reduced interhemispheric coherence in parietal areas and altered the phasic electromyography correlation between the two arms. These findings reveal that a complex reorganization of the motor network co-occurred with the reduction of dream movement, confirming spatial specificity of the stimulation site. We conclude that tDCS over the sensorimotor cortex causally interferes with dream movement during REM sleep.

Mental imagery is the process through which we retrieve and recombine information from our memory to elicit the subjective impression of seeing with the mind's eye . Many studies using imaging and neurophysiological techniques have shown several similarities in brain activity between visual imagery and visual perception. However, currently the dynamics of the brain in response to socially relevant stimuli, like faces, have not been studied. Elucidating brain dynamics during visual imagery of faces may help to understand the role of internal representation of socially relevant stimuli in the brain. Here we used electroencephalography to investigate brain dynamics during visual imagery of faces. We found that internal generation of visually imagined experiences is associated with long-range phase synchronization in gamma frequency band between frontal and parietal electrodes and theta frequency band between frontal electrodes. These results suggest that fronto-parietal gamma phase synchronization may be related to the endogenous binding of facial visual features transiently sustained in memory, whereas the interhemispheric frontal-theta synchrony might be encoding the memory reactivation of face stimuli.