Abstract Intelligence describes the general cognitive ability level of a person. It is one of the most fundamental concepts in psychological science and is crucial for effective adaption of behavior to varying environmental demands. Changing external task demands have been shown to induce reconfiguration of functional brain networks. However, whether neural reconfiguration between different tasks is associated with intelligence has not yet been investigated. We used fMRI data from 812 subjects to show that higher scores of general intelligence are related to less brain network reconfiguration between resting state and seven different task states as well as to network reconfiguration between tasks. This association holds for all functional brain networks except the motor system, and replicates in two independent samples ( N = 138, N = 184). Our findings suggest that the intrinsic network architecture of individuals with higher intelligence scores is closer to the network architecture as required by various cognitive demands. Multi-task brain network reconfiguration may, therefore, represent a neural reflection of the behavioral positive manifold – the essence of the concept of general intelligence. Finally, our results support neural efficiency theories of cognitive ability and reveal insights into human intelligence as an emergent property from a distributed multi-task brain network.

Abstract Human functional brain connectivity can be temporally decomposed into states of high and low cofluctuation, defined as coactivation of brain regions over time. Rare states of particularly high cofluctuation have been shown to reflect fundamentals of intrinsic functional network architecture and to be highly subject-specific. However, it is unclear whether such network-defining states also contribute to individual variations in cognitive abilities – which strongly rely on the interactions among distributed brain regions. By introducing CMEP, a new eigenvector-based prediction framework, we show that as few as 16 temporally separated time frames (< 1.5% of 10min resting-state fMRI) can significantly predict individual differences in intelligence ( N = 263, p < .001). Against previous expectations, individual’s network-defining time frames of particularly high cofluctuation do not predict intelligence. Multiple functional brain networks contribute to the prediction, and all results replicate in an independent sample ( N = 831). Our results suggest that although fundamentals of person-specific functional connectomes can be derived from few time frames of highest connectivity, temporally distributed information is necessary to extract information about cognitive abilities. This information is not restricted to specific connectivity states, like network-defining high-cofluctuation states, but rather reflected across the entire length of the brain connectivity time series.

Abstract Introduction Animal‐assisted psychotherapy is an emerging field with great potential and growing popularity. However, empirical research on its effectiveness is insufficient, and consistent evidence about patients' commitment is missing. The present meta‐analysis addresses this gap by systematically comparing drop‐out rates in animal‐assisted psychotherapy and by relating the resulting across study drop‐out rate to across study drop‐out rates reported in meta‐analyses on conventional psychotherapy. Method Fifty‐seven studies published until August 2022 were identified as eligible for meta‐analytic comparison, that is, they conducted animal‐assisted psychotherapy on at least one group of psychiatric patients and reported drop‐out rates. Potential moderating influences of the type of animal and patients' disorder were considered, as well as multiple other demographic and study design variables. Results The across study drop‐out rate in animal‐assisted psychotherapy was 11.2%. This was significantly lower than the across meta‐analyses drop‐out rate of conventional psychotherapy ( d = −.45, p = .0005). Although effects of moderator variables could not be evaluated statistically due to too small and heterogeneous data sets, descriptive results suggest influences of the type of animal and patient disorder. However, study quality ratings identified serious shortcomings regarding proper research design, most critically concerning the report of effect size measures, the use of standardized intervention plans and Open Science practices. Conclusion Drop‐out constitutes a major problem of psychotherapeutic research and practice. By proposing that the inclusion of an animal in the psychotherapeutic setting can enhance patients' commitment and by outlining challenges and opportunity of animal‐assisted psychotherapy, this meta‐analysis offers a starting point for future research in this evolving field.

ABSTRACT Electroencephalography (EEG) has been used for decades to identify neurocognitive processes related to intelligence. Evidence is accumulating for associations with neural markers of higher-order cognitive processes (e.g., working memory); however, whether associations are specific to complex processes or also relate to earlier processing stages remains unclear. Addressing these issues has implications for improving our understanding of intelligence and its neural correlates. The mismatch negativity (MMN) is an event-related brain potential (ERP) that is elicited when, within a series of frequent standard stimuli, rare deviant stimuli are presented. As stimuli are typically presented outside the focus of attention, the MMN is suggested to capture automatic pre-attentive discrimination processes. However, the MMN and its relation to intelligence has largely only been studied in the auditory domain, thus preventing conclusions about the involvement of automatic discrimination processes in humans’ dominant sensory modality vision. Electroencephalography was recorded from 50 healthy participants during a passive visual oddball task that presented simple sequence violations as well as deviations within a more complex hidden pattern. Signed area amplitudes and fractional area latencies of the visual mismatch negativity (vMMN) were calculated with and without Laplacian transformation. Correlations between vMMN and intelligence (Raven’s Advanced Progressive Matrices) were of negligible to small effect sizes, differed critically between measurement approaches, and Bayes Factors provided anecdotal to substantial evidence for the absence of an association. We discuss differences between the auditory and visual MMN, the implications of different measurement approaches, and offer recommendations for further research in this evolving field. HIGHLIGHTS - Testing whether intelligence is related to automatic visual discrimination - Visual mismatch negativity (vMMN) as a neural indicator of pre-attentive processing - No association between intelligence and vMMN amplitudes or latencies - Critical differences between auditory and visual MMN? - Results partly depend on different measurement approaches

Human brain activity can be subdivided into different frequency bands associated with varying functions. Oscillatory activity of frontal brain regions in the theta range (4-8Hz) has been linked to cognitive processing and recent research suggests that it can be modulated by neurofeedback - a technique where participants receive real-time feedback about their brain activity and learn to modulate it. However, criticism of this technique evolved, and high heterogeneity of study designs complicates a valid evaluation of its effectiveness. This meta-analysis provides the first systematic overview over studies attempting to modulate frontal midline theta with neurofeedback in healthy human participants. Out of 1431 articles screened, 14 studies were eligible for systematic review and 11 studies for quantitative meta-analyses. Studies were evaluated following the DIAD model and the PRISMA guidelines. A significant across-study effect of medium size (Hedges g = .66; 95%-CI = −0.62, 1.73) with substantial between-study heterogeneity (Q(16) = 167.43, p < .0001) was observed. We discuss moderators of effect sizes and provide guidelines for future research in this dynamic field.

Individual differences in general cognitive ability (GCA) have a biological basis within the structure and function of the human brain. Network neuroscience investigations revealed neural correlates of GCA in structural as well as in functional brain networks. However, whether the relationship between structural and functional networks, the structural-functional brain network coupling (SC-FC coupling), is related to individual differences in GCA remains an open question. We used data from 1030 adults of the Human Connectome Project, derived structural connectivity from diffusion weighted imaging, functional connectivity from resting-state fMRI, and assessed GCA as a latent g-factor from 12 cognitive tasks. Two similarity measures and six communication measures were used to model possible functional interactions arising from structural brain networks. SC-FC coupling was estimated as the degree to which these measures align with the actual functional connectivity, providing insights into different neural communication strategies. At the whole-brain level, higher GCA was associated with higher SC-FC coupling, but only when considering path transitivity as neural communication strategy. Taking region-specific variations in the SC-FC coupling strategy into account and differentiating between positive and negative associations with GCA, allows for prediction of individual cognitive ability scores in a cross-validated prediction framework (correlation between predicted and observed scores: r = .25, p < .001). The same model also predicts GCA scores in a completely independent sample (N = 567, r = .19, p < .001). Our results propose structural-functional brain network coupling as a neurobiological correlate of GCA and suggest brain region-specific coupling strategies as neural basis of efficient information processing predictive of cognitive ability.

Attention-deficit/hyperactivity disorder (ADHD) is one of the most common neurodevelopmental disorders with significant and often lifelong effects on social, emotional, and cognitive functioning. Influential neurocognitive models of ADHD link behavioral symptoms to altered connections between and within functional brain networks. Here, we investigate whether network-based theories of ADHD can be generalized to understanding variations in ADHD-related behaviors within the normal (i.e., clinically unaffected) adult population. In a large and representative sample, self-rated presence of ADHD symptoms varied widely; only eight out of 291 participants scored in the clinical range. Subject-specific brain-network graphs were modeled from functional MRI resting-state data and revealed significant associations between (non-clinical) ADHD symptoms and region-specific profiles of between-module and within-module connectivity. Effects were located in brain regions associated with multiple neuronal systems including the default-mode network, the salience network, and the central executive system. Our results are consistent with network perspectives of ADHD and provide further evidence for the relevance of an appropriate information transfer between task-negative (default-mode) and task-positive brain regions. More generally, our findings support a dimensional conceptualization of ADHD and contribute to a growing understanding of cognition as an emerging property of functional brain networks.

Abstract Spontaneous brain activity builds the foundation for human cognitive processing during external demands. Neuroimaging studies based on functional magnetic resonance imaging (fMRI) identified specific characteristics of spontaneous (intrinsic) brain dynamics to be associated with individual differences in general cognitive ability, i.e., intelligence. However, fMRI research is inherently limited by low temporal resolution, thus, preventing conclusions about neural fluctuations within the range of milliseconds. Here, we used resting-state electroencephalographical (EEG) recordings from 144 healthy adults to test whether individual differences in intelligence (Raven’s Advanced Progressive Matrices scores) can be predicted from the complexity of temporally highly resolved intrinsic brain signals. We compared different operationalizations of brain signal complexity (multiscale entropy, Shannon entropy, Fuzzy entropy, and specific characteristics of microstates) regarding their relation to intelligence. The results indicate that associations between brain signal complexity measures and intelligence are of small effect sizes ( r ~ .20) and vary across different spatial and temporal scales. Specifically, higher intelligence scores were associated with lower complexity in local aspects of neural processing, and less activity in task-negative brain regions belonging to the defaultmode network. Finally, we combined multiple measures of brain signal complexity to show that individual intelligence scores can be significantly predicted with a multimodal model within the sample (10-fold cross-validation) as well as in an independent sample (external replication, N = 57). In sum, our results highlight the temporal and spatial dependency of associations between intelligence and intrinsic brain dynamics, proposing multimodal approaches as promising means for future neuroscientific research on complex human traits. Significance Statement Spontaneous brain activity builds the foundation for intelligent processing - the ability of humans to adapt to various cognitive demands. Using resting-state EEG, we extracted multiple aspects of temporally highly resolved intrinsic brain dynamics to investigate their relationship with individual differences in intelligence. Single associations were of small effect sizes and varied critically across spatial and temporal scales. However, combining multiple measures in a multimodal cross-validated prediction model, allows to significantly predict individual intelligence scores in unseen participants. Our study adds to a growing body of research suggesting that observable associations between complex human traits and neural parameters might be rather small and proposes multimodal prediction approaches as promising tool to derive robust brain-behavior relations despite limited sample sizes.

A growing body of research predicts individual cognitive ability from brain characteristics including functional brain connectivity. Most of this research aims for high prediction performances but lacks insight into neurobiological processes underlying the predicted concepts. Here, we encourage designing predictive modelling studies with an emphasis on interpretability to enhance our understanding of human cognition. As an example, we investigated in a preregistered study which functional brain links successfully predict general, crystallized, and fluid intelligence of 806 healthy adults (replication: N=322). The choice of the predicted intelligence component as well as the task during which connectivity was measured proved crucial for better understanding intelligence at the neural level. Further, partially redundant, system-wide functional characteristics better predicted intelligence than connectivity of brain regions proposed by established intelligence theories. In sum, our study showcases how future predictive studies on human cognition can enhance explanatory value by prioritizing comprehensive outcomes over maximizing prediction performance.