Abstract Simultaneously recording network activity and ultrastructural changes of the synapse is essential for advancing our understanding of the basis of neuronal functions. However, the rapid millisecond-scale fluctuations in neuronal activity and the subtle sub-diffraction resolution changes of synaptic morphology pose significant challenges to this endeavour. Here, we use graphene microelectrode arrays (G-MEAs) to address these challenges, as they are compatible with high spatial resolution imaging across various scales as well as high temporal resolution electrophysiological recordings. Furthermore, alongside G-MEAs, we deploy an easy-to-implement machine learning-based algorithm to efficiently process the large datasets collected from MEA recordings. We demonstrate that the combined use of G-MEAs, machine learning (ML)-based spike analysis, and four-dimensional (4D) structured illumination microscopy (SIM) enables the monitoring of the impact of disease progression on hippocampal neurons which have been treated with an intracellular cholesterol transport inhibitor mimicking Niemann-Pick disease type C (NPC) and show that synaptic boutons, compared to untreated controls, significantly increase in size, which leads to a loss in neuronal signalling capacity.