Abstract Polysomnography (PSG) is the gold standard for recording sleep. However, the standard PSG systems are bulky, expensive, and often confined to lab environments. These systems are also time-consuming in electrode placement and sleep scoring. Such limitations render standard PSG systems less suitable for large-scale or longitudinal studies of sleep. Recent advances in electronics and artificial intelligence enabled ‘wearable’ PSG systems. Here, we present a study aimed at validating the performance of ZMax, a widely-used wearable PSG that includes frontal electroencephalography (EEG) and actigraphy but no submental electromyography (EMG). We analyzed 135 nights with simultaneous ZMax and standard PSG recordings amounting to over 900 hours from four different datasets, and evaluated the performance of the headband’s proprietary automatic sleep scoring (ZLab) alongside our open-source algorithm (DreamentoScorer) in comparison with human sleep scoring. ZLab and DreamentoScorer compared to human scorers with moderate and substantial agreement and Cohen’s kappa scores of 59.61% and 72.18%, respectively. We further analyzed the competence of these algorithms in determining sleep assessment metrics, as well as shedding more lights on the bandpower computation, and morphological analysis of sleep microstructural features between ZMax and standard PSG. Relative bandpower computed by ZMax implied an error of 5.5% (delta), 4.5% (theta), 1.6% (alpha), 0.5% (sigma), 0.8% (beta), and 0.2% (gamma), compared to standard PSG. In addition, the microstructural features detected in ZMax did not represent exactly the same characteristics as in standard PSG. Besides similarities and discrepancies between ZMax and standard PSG, we measured and discussed the technology acceptance rate, feasibility of data collection with ZMax, and highlighted essential factors for utilizing ZMax as a reliable tool for both monitoring and modulating sleep.

Abstract Here we present an update of the studyforrest ( http://studyforrest.org ) dataset that complements the previously released functional magnetic resonance imaging (fMRI) data for natural language processing with a new two-hour 3Tesla fMRI acquisition while 15 of the original participants were shown an audio-visual version of the stimulus motion picture. We demonstrate with two validation analyses that these new data support modeling specific properties of the complex natural stimulus, as well as a substantial within-subject BOLD response congruency in brain areas related to the processing of auditory inputs, speech, and narrative when compared to the existing fMRI data for audio-only stimulation. In addition, we provide participants’ eye gaze location as recorded simultaneously with fMRI, and an additional sample of 15 control participants whose eye gaze trajectories for the entire movie were recorded in a lab setting — to enable studies on attentional processes and comparative investigations on the potential impact of the stimulation setting on these processes.

Abstract Nocturnal human sleep consists of 4 – 6 ninety-minute cycles defined as episodes of non-rapid eye movement (non-REM) sleep followed by an episode of REM sleep. While sleep cycles are considered fundamental components of sleep, their functional significance largely remains unclear. One of the reasons for a lack of research progress in this field is the absence of a data-driven definition of sleep cycles. Here, we proposed to base such a definition on fractal (aperiodic) neural activity, a well-established marker of arousal and sleep stages. We explored temporal dynamics of fractal activity during nocturnal sleep using electroencephalography. Based on the observed pattern of fractal fluctuations, we introduced a new concept of fractal activity-based cycles of sleep or “fractal cycles” for short, defined as a time interval during which fractal activity descends from its local maximum to its local minimum and then leads back to the next local maximum. Next, we assessed correlations between fractal and classical (i.e., non-REM – REM) sleep cycle durations. We also studied cycles with skipped REM sleep, i.e., the cycles where the REM phase is expected to appear except that it does not, being replaced by lightening of sleep. Regarding the sample, we examined fractal cycles in healthy adults (age range: 18 – 75 years, n = 205) as well as in children and adolescents (range: 8 – 17 years, n = 21), the group characterized by deeper sleep and a higher frequency of cycles with skipped REM sleep. Further, we studied fractal cycles in major depressive disorder (n = 111), the condition characterized by altered REM sleep (in addition to its clinical symptoms). We found that fractal and classical cycle durations (89 ± 34 min vs 90 ± 25 min) correlated positively (r = 0.5, p < 0.001). Cycle-to-cycle overnight dynamics showed an inverted U-shape of both fractal and classical cycle durations and a gradual decrease in absolute amplitudes of the fractal descents and ascents from early to late cycles. In adults, the fractal cycle duration and participant’s age correlated negatively (r = -0.2, p = 0.006). Children and adolescents had shorter fractal cycles compared to young adults (76 ± 34 vs 94 ± 32 min, p < 0.001). The fractal cycle algorithm detected cycles with skipped REM sleep in 90/97 (95%) cases while the hypnogram-based agreement on the presence of skipped REM sleep between two human raters was 61% only; thus, 32% lower. Medicated patients with depression showed longer fractal cycles compared to their own unmedicated state (107 ± 51 min vs 92 ± 38 min, p < 0.001) and age-matched controls (104 ± 49 vs 88 ± 31 min, p < 0.001). In conclusion, fractal cycles are an objective, quantifiable, continuous and biologically plausible way to display sleep neural activity and its cycles. They are useful in healthy adult and pediatric populations as well as in patients with major depressive disorder. Fractal cycles should be extensively studied to advance theoretical research on sleep structure. Highlights - Fractal activity-based cycles of sleep or “fractal cycles” for short is a new concept based on cyclic changes in fractal (aperiodic) neural activity during sleep. - Durations of fractal and classical cycles correlate, and both show an inverted U-shape when seen from early to late cycles. - The fractal cycle algorithm is effective in detecting cycles with skipped REM sleep. - Older healthy adults shower shorter fractal – but not classical – cycle durations. - Fractal cycle duration is shorter in children and adolescents compared to young adults. - In major depressive disorder, antidepressant medication is associated with longer fractal cycles.

The state of becoming aware that one is dreaming within an ongoing dream, referred to as lucid dreaming (LD), can occur spontaneously. Yet, since the occurrence of spontaneous LD is relatively rare, various methods have been proposed to induce LD. Existing scientific literature, however, has been constrained by either small sample sizes with limited generalizability, or by reliance on subjective measures without physiological signals. To address these limitations, we recorded verifiable LD using 2-channel EEG and an open-source dream engineering toolbox (Dreamento) in a large sample size of 60 participants collected across a multi-center study in the Netherlands (NL), Italy (IT), and Canada (CA). We employed a novel combination of the senses-initiated lucid dreaming (SSILD) method and a targeted lucidity reactivation (TLR) protocol. Our final sample consists of 60 participants who came twice to the lab for morning naps with a pre-sleep lucidity training paired with multimodal sensory cues (visual, auditory, tactile). Cues were presented again in REM sleep in one of the two naps (stimulation and sham conditions counterbalanced). This preprint reports results from NL and IT in 40 participants: we successfully induced signal-verified lucid dreams (SVLD) in 65% and 45% of NL and IT participants, respectively. Among these, 45% and 35% (NL and IT) of REM cueing and 35% and 15% (NL and IT) of REM sham sessions resulted in at least one SVLD. In NL, the REM cueing sessions yielded 37 predefined eye signals with an average continuously verified lucidity duration of 78.75 +- 54.85 s. The REM sham sessions resulted in 15 eye signals in the presence of LD report (i.e, SVLD) and had an average duration of 47.80 +- 22.49 s. In IT, 48 predefined eye signals were identified within REM cueing sessions, with an average overall duration (i.e., from the first to the last predefined eye signal) of 506.33 +- 643.73 s and an average continuously verified (consecutive eye signals) duration of 91.13 +- 70.87 s. In contrast, 10 predefined eye signals were identified during REM sham sessions, with an average overall duration of 546.5 +- 744.58 s and a single continuously verified episode that lasted 20 s. Preliminary findings suggest that REM cueing aids the initiation and maintenance of lucidity, facilitates objective estimation of LD duration, and increases dream control. Future research should focus on automating the tools we provided and conducting larger-scale fully automatised studies at home to further explore factors contributing to such high success rates.

Abstract Lucid dreaming (LD) is a state of conscious awareness of the current dream state, predominantly associated with REM sleep. Research progress in uncovering the neurobiological basis of LD has been hindered by low sample sizes, diverse EEG setups, and specific artifact issues like saccadic eye movements and signal non-stationarity. To address these matters, we developed a multi-stage preprocessing pipeline that integrates standardized early-stage preprocessing, artifact subspace reconstruction, and signal-space projection. This approach enhanced data quality by precisely removing saccadic potential effects even in setups with minimal channels. To uncover the electrophysiological correlates of LD, we applied this methodology to LD data collected across laboratories and explored sensor- and source-level markers hypothesized to underlie LD. Compared to non-lucid REM sleep, in line with recent findings we observed few robust differences on the EEG sensor level. In contrast, on the source level, beta power (12-30 Hz) was reduced during LD in right central and parietal areas including the temporo-parietal junction, potentially associated with a conscious reassessment of the veridicality of the currently perceived reality. Gamma1 power (30-36 Hz) around the onset of LD eye signaling increased in right temporo-occipital regions including the right precuneus, in line with its involvement in self-referential thinking. Source-level connectivity analyses revealed alpha (8-12 Hz) mediated communication between anterior frontal and posterior areas, which are usually functionally disconnected during non-lucid REM sleep. Taken together, these findings illuminate the electrophysiological correlates of LD, laying the groundwork for decoding the mechanisms of this intriguing state of consciousness. Significance Statement Lucid dreaming (LD), the state of metacognitive insight into one’s current dream state, has fascinated humans for millennia. Despite decades of neuroscientific inquiry, the brain mechanisms underlying LD remain elusive. Leveraging a newly developed electrophysiological preprocessing pipeline to overcome signal artifacts and harmonize different recording set-ups, this study decoded the spectral nature of LD at the sensor and source levels within a high sample size dataset. Our results point to reductions in temporoparietal beta as well as increased gamma in precuneus in lucid over non-lucid REM sleep. These results enhance our understanding of LD’s mechanisms and ultimately pave the way for targeted induction protocols that will unlock LD’s full clinical potential.

Abstract Introduction Traditionally categorized as a uniform sleep phase, rapid eye movement (REM) sleep exhibits substantial heterogeneity with its phasic and tonic constituents showing marked differences regarding neuronal network activity, environmental alertness and information processing. Here, we investigate how tonic and phasic states differ with respect to aperiodic neural activity, a marker of arousal levels, sleep stages, depth of sleep and sleep intensity. We also attempt to challenge the binary categorisation of REM sleep states by introducing graduality into their definition. Specifically, we quantify the intensity of phasic oculomotor events and investigate their temporal relationships with aperiodic activity. Method We analyzed 57 polysomnographic recordings from three open-access datasets of healthy young volunteers aged 21.7±1.4 years. REM sleep heterogeneity was assessed using either binary phasic-tonic categorization or quantification of eye movement (EM) amplitudes detected by electrooculography with the YASA algorithm. Slopes of the aperiodic power component measured by electroencephalography in the low (2–30Hz) and high (30–48Hz) frequency bands were calculated using the Irregularly Resampled Auto-Spectral Analysis. For statistical analyses, we used ANOVA, Spearman correlations and cross-correlations. Results The binary approach revealed that the phasic state is characterized by steeper low-band aperiodic slopes compared to the tonic state with the strongest effect observed over the frontal area. The phasic state also showed flatter high-band slopes with the strongest effect over central and parietal areas. The gradual approach confirmed this result further showing that higher EM amplitudes are linked to steeper low-band and flatter high-band aperiodic slopes. The temporal analysis within REM episodes revealed that aperiodic activity preceding or following EM events did not cross-correlate with EM amplitudes. Conclusion This study demonstrates that aperiodic slopes can serve as a reliable objective marker able to differentiate between phasic and tonic constituents of REM sleep and reflect the intensity of phasic oculomotor events for instantaneous measurements. However, EM events could not be predicted by preceding aperiodic activity and vice versa, at least not with scalp electroencephalography.