Abstract Lower frequency, feedback, activity in the alpha and beta range is thought to predominantly originate from infragranular cortical layers, whereas feedforward signals in the gamma range stem largely from supragranular layers. Distinct anatomical and spectral channels may therefore play specialized roles in communication within hierarchical cortical networks; however, empirical evidence for this organization in humans is limited. We leverage high precision MEG to test this proposal, directly and non-invasively, in human participants during visually guided actions. Visual alpha activity mapped onto deep cortical laminae, whereas visual gamma activity predominantly arose from superficial laminae. This laminar-specificity was echoed in sensorimotor beta and gamma activity. Visual gamma activity scaled with task demands in a way compatible with feedforward signaling. For sensorimotor activity, we observed a more complex relationship with feedback and feedforward processes. Distinct frequency channels thus operate in a laminar-specific manner, but with dissociable functional roles across sensory and motor cortices.

Abstract Classical analyses of induced, frequency-specific neural activity typically average bandlimited power over trials. More recently, it has become widely appreciated that in individual trials, beta band activity occurs as transient bursts rather than amplitude-modulated oscillations. Most studies of beta bursts treat them as unitary, and having a stereotyped waveform. However, we show there is a wide diversity of burst shapes. Using a biophysical model of burst generation, we demonstrate that waveform variability is predicted by variability in the synaptic drives that generate beta bursts. We then use a novel, adaptive burst detection algorithm to identify bursts from human MEG sensor data recorded during a joystick-based reaching task, and apply principal component analysis to burst waveforms to define a set of dimensions, or motifs, that best explain waveform variance. Finally, we show that bursts with a particular range of waveform motifs, ones not fully accounted for by the biophysical model, differentially contribute to movement-related beta dynamics. Sensorimotor beta bursts are therefore not homogeneous events and likely reflect distinct computational processes.

Abstract Beta oscillations in human sensorimotor cortex are hallmark signatures of healthy and pathological movement. In single trials, beta oscillations include bursts of intermittent, transient periods of high-power activity. These burst events have been linked to a range of sensory and motor processes, but their precise spatial, spectral, and temporal structure remains unclear. Specifically, a role for beta burst activity in information coding and communication suggests spatiotemporal patterns, or travelling wave activity, along specific anatomical gradients. We here show in human magnetoencephalography recordings that burst activity in sensorimotor cortex occurs in planar spatiotemporal wave-like patterns that dominate along two axes either parallel or perpendicular to the central sulcus. Moreover, we find that the two propagation directions are characterised by distinct anatomical and physiological features. Finally, our results suggest that sensorimotor beta bursts occurring before and after a movement share the same generator but can be distinguished by their anatomical, spectral and spatiotemporal characteristics, indicating distinct functional roles.

Abstract Modulation of motor cortical activity in the beta frequency range is one of the strongest and most studied movement-related neural signals. At the single trial level, beta band activity is often characterized by transient bursting events rather than slowly modulating oscillations, suggesting a more rapid, information-encoding functional role than previously believed. Insight into how beta bursts are generated in sensorimotor circuits can provide important constraints to theories about their functional role for movement control. To this end, we leverage and extend recent developments in high precision MEG for temporally resolved laminar analysis of burst activity, combined with a neocortical circuit model that simulates the biophysical generators of the electrical currents which drive beta bursts. This approach pinpoints the generation of beta bursts in human motor cortex to distinct excitatory synaptic inputs to deep and superficial cortical layers, which drive current flow in opposite directions. These laminar dynamics of beta bursts in motor cortex align with prior invasive animal recordings within the somatosensory cortex, and suggest a conserved mechanism for somatosensory and motor cortical beta bursts. More generally, we demonstrate the ability for uncovering the laminar dynamics of event-related neural signals in human non-invasive recordings.

Abstract The layered architecture of cortex is thought to play a fundamental role in shaping cortical computations. However, direct electrophysiological measurements of layered activity are not possible non-invasively in humans. Recent advances have shown that a distinction of two layers can be achieved using magnetoencephalography in combination with head casts and advanced spatial modeling. In this technical note, we present a dynamic causal model of a single cortical microcircuit that models event related potentials. The model captures the average dynamics of a detailed two layered circuit. It combines a temporal model of neural dynamics with a spatial model of a layer specific lead field to facilitate layer separation. In simulations we show that the spatial arrangement of the two layers can be successfully recovered using Bayesian inference. The layered model can also be distinguished from a single dipole model. We conclude that precision magnetoencephalography in combination with detailed dynamical system modeling can be used to study non-invasively the fast dynamics of layered computations.

Magnetoencephalography (MEG) is a direct measure of neuronal current flow; its anatomical resolution is therefore not constrained by physiology but rather by data quality and the models used to explain these data. Recent simulation work has shown that it is possible to distinguish between signals arising in the deep and superficial cortical laminae given accurate knowledge of these surfaces with respect to the MEG sensors. This previous work has focused around a single inversion scheme (multiple sparse priors) and a single global parametric fit metric (free energy). In this paper we use several different source inversion algorithms and both local and global, as well as parametric and non-parametric fit metrics in order to demonstrate the robustness of the discrimination between layers. We find that only algorithms with some sparsity constraint can successfully be used to make laminar discrimination. Importantly, local t-statistics, global cross-validation and free energy all provide robust and mutually corroborating metrics of fit. We show that discrimination accuracy is affected by patch size estimates, cortical surface features, and lead field strength, which suggests several possible future improvements to this technique. This study demonstrates the possibility of determining the laminar origin of MEG sensor activity, and thus directly testing theories of human cognition that involve laminar- and frequency- specific mechanisms. This possibility can now be achieved using recent developments in high precision MEG, most notably the use of subject-specific head-casts, which allow for significant increases in data quality and therefore anatomically precise MEG recordings.

The left dorsolateral prefrontal cortex (dlPFC) has been linked to the accumulation and comparison of perceptual evidence for decision making independent of sensory and response modalities. We investigated the possible neural dynamics underlying the role of dlPFC in perceptual decision making, through a combination of noninvasive neurostimulation in humans and computational modeling. First, we used an established and biophysically realistic model of a decision making network that employs competition between neural populations. Simulation of depolarizing noninvasive brain stimulation in this model decreased decision time, while hyperpolarizing stimulation increased it. This behavioral effect was caused by an increase in the rate of neural activity integration via recurrent connections, as well as changes in the susceptibility of the network to noisy background inputs which modulated population firing rate differences prior to the onset of the stimulus. These pre-stimulus differences biased the response to one or the other option, thus speeding or slowing decisions. We then tested these model predictions in healthy participants performing a perceptual decision making task while receiving transcranial direct current stimulation (tDCS) over the left dlPFC, analogous to our simulated network stimulation. We found a striking match between model predictions and experimental results: depolarizing (inward) currents reduced and hyperpolarizing (outward) currents increased response times, but accuracy remained unaffected. Our results provide interventional evidence for the role of left dlPFC in perceptual decision making, and suggest that this region integrates and compares sensory evidence through competitive interactions between pyramidal cell populations which are selective for each response option. Mechanistically, our model suggests that stimulation of this region changes the rate at which evidence can be accumulated through recurrent activity and its susceptibility to background noise. More generally, our approach demonstrates that a linkage between computational modeling and noninvasive brain stimulation allows mechanistic accounts of brain function to be causally tested.

Resting state networks measured with magnetoencephalography (MEG) form transiently stable spatio-temporal patterns in the subsecond range, and therefore fluctuate more rapidly than previously appreciated. These states populate and interact across the whole brain, are simple to record, and possess the same dynamic structure of task related changes. They therefore provide a generic, heterogeneous, and plentiful functional substrate against which to test different MEG recording and reconstruction approaches. Here we validate a non-invasive method for quantifying the resolution of different inversion assumptions under different recording regimes (with and without head-casts) based on resting state MEG. Spatio-temporally partitioning of data into self-similar periods confirmed a rich and rapidly dynamic temporal structure with a small number of regularly reoccurring states. To test the anatomical precision that could be resolved through these transient states we then inverted these data onto libraries of systematically distorted, subject specific, cortical meshes and compared the quality of the fit using Cross Validation and a Free Energy metric. This revealed which inversion scheme was able to best support the least distorted (most accurate) anatomical models. Both datasets showed an increase in model fit as anatomical models moved towards the true cortical surface. In the head-cast MEG data, the Empirical Bayesian Beamformer (EBB) algorithm showed the best mean anatomical discrimination (3.7 mm) compared with Minimum Norm / LORETA (6.0 mm) and Multiple Sparse priors (9.4 mm). This pattern was replicated in the second (conventional dataset) although with a marginally poorer prediction of the missing (cross-validated) data. Our findings suggest that the abundant resting state data now commonly available could be used to refine and validate MEG source reconstruction methods or recording paradigms.

Determining the anatomical source of brain activity non-invasively measured from EEG or MEG sensors is challenging. In order to simplify the source localization problem, many techniques introduce the assumption that current sources lie on the cortical surface. Another common assumption is that this current flow is orthogonal to the cortical surface, thereby approximating the orientation of cortical columns. However, it is not clear which cortical surface to use to define the current source locations, and normal vectors computed from a single cortical surface may not be the best approximation to the orientation of cortical columns. We compared three different surface location priors and five different approaches for estimating dipole vector orientation, both in simulations and visual and motor evoked MEG responses. We show that models with source locations on the white matter surface and using methods based on establishing correspondences between white matter and pial cortical surfaces dramatically outperform models with source locations on the pial or combined pial/white surfaces and which use methods based on the geometry of a single cortical surface in fitting evoked visual and motor responses. These methods can be easily implemented and adopted in most M/EEG analysis pipelines, with the potential to significantly improve source localization of evoked responses.

Current efforts to build reliable brain-computer interfaces (BCI) span multiple axes from hardware, to software, to more sophisticated experimental protocols, and personalized approaches. However, despite these abundant efforts, there is still room for significant improvement. We argue that a rather overlooked direction lies in linking BCI protocols with recent advances in fundamental neuroscience. In light of these advances, and particularly the characterization of the burst-like nature of beta frequency band activity and the diversity of beta bursts, we revisit the role of beta activity in 9left vs. right hand9 motor imagery tasks. Current decoding approaches for such tasks take advantage of the fact that motor imagery generates time-locked changes in induced power in the sensorimotor cortex, and rely on band-pass filtered power changes or covariance matrices which also describe co-varying power changes in signals recorded from different channels. Although little is known about the dynamics of beta burst activity during motor imagery, we hypothesized that beta bursts should be modulated in a way analogous to their activity during performance of real upper limb movements. We show that classification features based on patterns of beta burst modulations yield decoding results that are equivalent to or better than typically used beta power across multiple open electroencephalography datasets, thus providing insights into the specificity of these bio-markers.