G protein-coupled receptors (GPCRs) are classically characterized as cell-surface receptors transmitting extracellular signals into cells. Here we show that central components of a GPCR signaling system comprised of the melatonin type 1 receptor (MT

Abstract Background Brain sensing devices are approved today for Parkinson’s, essential tremor, and epilepsy therapies. Clinical decisions for implants are often influenced by the premise that patients will benefit from using sensing technology. However, artifacts, such as ECG contamination, can render such treatments unreliable. Therefore, clinicians need to understand how surgical decisions may affect artifact probability. Objectives Investigate neural signal contamination with ECG activity in sensing enabled neurostimulation systems, and in particular clinical choices such as implant location that impact signal fidelity. Methods Electric field modelling and empirical signals from 85 patients were used to investigate the relationship between implant location and ECG contamination.a Results The impact on neural recordings depends on the difference between ECG signal and noise floor of the electrophysiological recording. Empirically, we demonstrate that severe ECG contamination was more than 3.2x higher in left-sided subclavicular implants (48.3%), when compared to right-sided implants (15.3%). Cranial implants did not show ECG contamination. Conclusions Given the relative frequency of corrupted neural signals, we conclude that implant location will impact the ability of brain sensing devices to be used for “closed-loop” algorithms. Clinical adjustments such as implant location can significantly affect signal integrity and need consideration. Highlights Chronic embedded brain sensing promises algorithm-based neurostimulation Algorithms for closed-loop stimulation can be impaired by artifacts The relationship of implant location to cardiac dipole has relevant impact on neural signal fidelity; simple models can provide guidance on the sensitivity ECG artifacts are present in up to 50% of neural signals from left subclavicular DBS systems Implanting DBS in a right subclavicular location significantly reduces frequency of ECG artifacts Cranial-mounted implants are relatively immune to artifacts

Abstract Brain signal decoding promises significant advances in the development of clinical brain computer interfaces (BCI). In Parkinson’s disease (PD), first bidirectional BCI implants for adaptive deep brain stimulation (DBS) are now available. Brain signal decoding can extend the clinical utility of adaptive DBS but the impact of neural source, computational methods and PD pathophysiology on decoding performance are unknown. This represents an unmet need for the development of future neurotechnology. To address this, we developed an invasive brain-signal decoding approach based on intraoperative sensorimotor electrocorticography (ECoG) and subthalamic LFP to predict grip-force, a representative movement decoding application, in 11 PD patients undergoing DBS. We demonstrate that ECoG is superior to subthalamic LFP for accurate grip-force decoding. Gradient boosted decision trees (XGBOOST) outperformed other model architectures. ECoG based decoding performance negatively correlated with motor impairment, which could be attributed to subthalamic beta bursts in the motor preparation and movement period. This highlights the impact of PD pathophysiology on the neural capacity to encode movement kinematics. Finally, we developed a connectomic analysis that could predict grip-force decoding performance of individual ECoG channels across patients by using their connectomic fingerprints. Our study provides a neurophysiological and computational framework for invasive brain signal decoding to aid the development of an individualized precision-medicine approach to intelligent adaptive DBS. Significance Statement Neurotechnology will revolutionize the treatment of neurological and psychiatric patients, promising novel treatment avenues for previously intractable brain disorders. However, optimal surgical and computational approaches and their interactions with neurological disorders are unknown. How can recent advances in machine learning and connectomics aid the precision and performance of invasive brain signal decoding strategies? Do the brain disorders treated with such approaches have impact on decoding performance? We propose a real time compatible advanced machine learning pipeline for invasively recorded brain signals in Parkinson’s disease (PD) patients. We report optimal movement decoding strategies with respect to signal source, model architecture and connectomic fingerprint and demonstrate that PD pathophysiology significantly and negatively impacts movement decoding. Our study has broad impacts for the development of smart brain implants for the treatment of PD and other brain disorders.

ABSTRACT Recent advances in multi-electrode array technology have made it possible to monitor large neuronal ensembles at cellular resolution. In humans, however, current approaches either restrict recordings to only a few neurons per penetrating electrode or combine the signals of thousands of neurons in local field potential (LFP) recordings. Here, we describe a new probe variant and set of techniques which enable simultaneous recording from over 200 well-isolated cortical single units in human participants during intraoperative neurosurgical procedures using silicon Neuropixels probes. We characterized a diversity of extracellular waveforms with eight separable single unit classes, with differing firing rates, positions along the length of the linear electrode array, spatial spread of the waveform, and modulation by LFP events such as inter-ictal discharges and burst suppression. While some additional challenges remain in creating a turn-key recording system, high-density silicon arrays provide a path for studying human-specific cognitive processes and their dysfunction at unprecedented spatiotemporal resolution.

Abstract Consciousness is not explained by a single mechanism, rather it involves multiple specialized neural systems overlapping in space and time. We hypothesize that synergistic, large-scale subcortical and cortical attention and signal processing networks encode conscious experiences. To identify brain activity in conscious perception without overt report, we classified visual stimuli as perceived or not using eye measurements. Report-independent event-related potentials and functional magnetic resonance imaging (fMRI) signals both occurred at early times after stimuli. Direct recordings revealed a novel thalamic awareness potential linked to conscious visual perception based on report. fMRI showed thalamic and cortical detection, arousal, attentional salience, task-positive, and default mode networks were involved independent of overt report. These findings identify a specific sequence of neural mechanisms in human conscious visual perception. One-Sentence Summary Human conscious visual perception engages large-scale subcortical and cortical networks even without overt report.

Abstract Background Electrical neuromodulation is an increasingly common therapy for a wide variety of neuropsychiatric diseases. Unfortunately, therapeutic efficacy is inconsistent, possibly a result of our limited understanding of the mechanisms and the massive stimulation parameter space. Objective/Hypothesis To better understand the role different parameters play in inducing a response, we systematically examined single pulse-induced cortico-cortico evoked potentials (CCEP) as a function of stimulation amplitude, duration and location in the brain and relative to grey and white matter. Methods We measured voltage peak amplitudes and area under the curve of intracranially recorded stimulation responses as a function of distance from the stimulation site, pulse width, current injected, location relative to grey and white matter, and brain region stimulated (N=52, n=719 stimulation sites). Results Increasing stimulation pulse width increased response values near the stimulation location. Increasing stimulation amplitude (current) increased responses nonlinearly. Locally (<15 mm from the stimulation site), stimulation closer to the grey matter-white matter boundary induced larger responses. In contrast, for distant sites (>15 mm), white matter stimulation consistently produced larger responses than stimulation in or near grey matter. These relationships were different between cingulate, lateral prefrontal, and lateral temporal cortical stimulation. Conclusion These results demonstrate the importance of location and stimulation parameters in inducing a specific output and indicate that a stronger local response may require stimulation in the grey-white boundary while stimulation in the white matter may be needed for network activation, suggesting that stimulation location can be tailored for a specific outcome, key to informed neuromodulatory therapy. Highlights Intracranial single pulse electrical stimulation (SPES) response increases with increased pulse duration mostly near the stimulation site SPES response varies nonlinearly with injected current with an effect of distance from the stimulation site. SPES near the grey-white boundary and 90° to the nearest cortical axis induces larger local responses, but white matter stimulation produces larger distant responses. The relationship between SPES location and responses depends on brain region stimulated

Abstract Cognitive acts take place over a large range of temporal scales. Numerous corresponding gradients in neurodynamic timescales and long-range cortical interactions are believed to provide organizational constraints to the brain and influence neural populations’ roles in cognition. However, it is unclear if gradients in various types of neural timescales and functional connectivity arise from related or distinct neurophysiological processes and if they influence behavior. Here, intracranial recordings from 4,090 electrode contacts in 35 individuals were used to systematically map gradients of multiple aspects of neurodynamics, neural timescales, and functional connectivity, and assess their interactions along category-selective ventral temporal cortex. Opposing functional connectivity gradients, with decreasing connectivity to visually responsive regions and increasing connectivity to regions that were not visually responsive, were observed along the ventral visual hierarchy. Endogenous neural timescales were correlated with functional connectivity to visually responsive regions after removing the effects of shared anatomical gradients, suggesting that these properties influence one another. Different stimulus evoked and endogenous timescales exhibited gradients with longer dynamics along the ventral visual hierarchy, but none of these timescales were significantly correlated with one another. This suggests that local neural timescales depend on neural and cognitive context and different timescales may arise through distinct neurophysiological processes. Furthermore, activity from neural populations with faster endogenous timescales and stronger functional connectivity to visually responsive regions was more predictive of perceptual behavior during a visual repeat detection task. These results reveal interrelationships and key distinctions among neural timescale and functional connectivity gradients that together can influence behavior.

Abstract There is great interest in identifying the neurophysiological underpinnings of speech production. Deep brain stimulation (DBS) surgery is unique in that it allows intracranial recordings from both cortical and subcortical regions in patients who are awake and speaking. The quality of these recordings, however, may be affected to various degrees by mechanical forces resulting from speech itself. Here we describe the presence of speech-induced artifacts in local-field potential (LFP) recordings obtained from mapping electrodes, DBS leads, and cortical electrodes. In addition to expected physiological increases in high gamma (60-200 Hz) activity during speech production, time-frequency analysis in many channels revealed a narrowband gamma component that exhibited a pattern similar to that observed in the speech audio spectrogram. This component was present to different degrees in multiple types of neural recordings. We show that this component tracks the fundamental frequency of the participant’s voice, correlates with the power spectrum of speech and has coherence with the produced speech audio. A vibration sensor attached to the stereotactic frame recorded speech-induced vibrations with the same pattern observed in the LFPs. No corresponding component was identified in any neural channel during the listening epoch of a syllable repetition task. These observations demonstrate how speech-induced vibrations can create artifacts in the primary frequency band of interest. Identifying and accounting for these artifacts is crucial for establishing the validity and reproducibility of speech-related data obtained from intracranial recordings during DBS surgery.

Abstract To explore whether the thalamus participates in lexical status encoding, local field potentials were recorded in patients undergoing deep brain stimulation lead implantation while they read aloud single-syllable words and nonwords. Bilateral decreases in thalamic beta (12-30Hz) activity were preferentially locked to stimulus presentation, and these decreases were greater when nonwords were read. Increased broadband gamma (70-150Hz) activity also was locked preferentially to speech onset bilaterally, but greater nonword-related increases in this activity were observed only on the left, demonstrating lateralization of thalamic gamma selectivity for lexical status. In addition, this lexical status effect was strongest in more anterior thalamic locations, regions which are more likely to receive pallidal than cerebellar afferents. These results provide evidence from intracranial thalamic recordings for the lateralization and topography of subcortical lexical status processing.

Abstract The application of machine learning to intracranial signal analysis has the potential to revolutionize deep brain stimulation (DBS) by personalizing therapy to dynamic brain states, specific to symptoms and behaviors. Most decoding pipelines for movement decoding in the context of adaptive DBS are based on single channel frequency domain features, neglecting spatial information available in multichannel recordings. Such features are extracted either from DBS lead recordings in the subcortical target and/or from electrocorticography (ECoG). To optimize the simultaneous use of both types of signals, we developed a supervised online-compatible movement decoding pipeline based on multichannel and multiple site recordings. We found that adding spatial information to the model has the potential to improve decoding. In addition, we demonstrate movement decoding from spatio-spectral features derived from cortical and subcortical oscillations. We demonstrate between-patients variability of the spatial neural maps and its relationship to feature decoding performance. This application of spatial filters to decode movement from combined cortical and subcortical recordings is an important step in developing machine learning approaches for intelligent DBS systems.