Abstract The human brain exhibits recurrent oscillatory activity in cortical networks of neuronal populations, which are thought to play a role in specialized cognitive functions. However, it is not known whether these oscillatory network states evolve over time in a structured or random matter. In this study, we introduce a new method for analyzing the long-term evolution of these states, and demonstrate that they follow a cyclical architecture when the brain is at rest, with typical cycle durations of 300-500 milliseconds. This cyclical organization structure positions the default mode network (DMN) and dorsal attention network (DAN) at opposite phases of the cycle, with the DMN preceded by higher frequency oscillations in sensorimotor networks and followed by lower frequency oscillations in frontotemporal networks respectively. The cyclical structure was robust in three large magnetoencephalography (MEG) resting state datasets, and persists in a visuo-motor task, where cycle phase predicts reaction time. Moreover, individual cyclical dynamics were predictive of demographics: older people deviate less from the cycle structure and show a general slowing of cycle rate, and cycle rate is strongly heritable. These findings suggest that the evolution of oscillatory network states in the human brain may be more organized than previously thought and provide potential biomarkers for health and disease.

Abstract Decoding of high temporal resolution, stimulus-evoked neurophysiological data is increasingly used to test theories about how the brain processes information. However, a fundamental relationship between the frequency spectra of the neural signal and the subsequent decoding accuracy timecourse is not widely recognised. We show that, in commonly used instantaneous signal decoding paradigms, each sinusoidal component of the evoked response is translated to double its original frequency in the subsequent decoding accuracy timecourses. We therefore recommend, where researchers use instantaneous signal decoding paradigms, that more aggressive low pass filtering is applied with a cut-off at one quarter of the sampling rate, to eliminate representational alias artefacts. However, this does not negate the accompanying interpretational challenges. We show that these can be resolved by decoding paradigms that utilise both a signal’s instantaneous magnitude and its local gradient information as features for decoding. On a publicly available MEG dataset, this results in decoding accuracy metrics that are higher, more stable over time, and free of the technical and interpretational challenges previously characterised. We anticipate that a broader awareness of these fundamental relationships will enable stronger interpretations of decoding results by linking them more clearly to the underlying signal characteristics that drive them. Highlights We investigate different decoding paradigms applied to epoched data and characterise the information content available to each over time. Under commonly used instantaneous signal decoding paradigms, sinusoidal components of the evoked response are translated to double their original frequency in decoding accuracy metrics, presenting technical and interpretational challenges. When instantaneous signal decoding is used, we recommend using low pass filters with a cut-off less than one quarter of the sampling rate to eliminate spurious representational alias artefacts. The interpretational issues associated with instantaneous signal decoding can be resolved with alternative paradigms such as complex spectrum decoding. We show that complex spectrum decoding results in decoding accuracy metrics that are higher, more stable over time, and free of representational aliasing.

Abstract Sustained attention has long been thought to benefit perception in a continuous fashion, but recent evidence suggests that it affects perception in a discrete, rhythmic way. Periodic fluctuations in behavioral performance over time, and modulations of behavioral performance by the phase of spontaneous oscillatory brain activity point to an attentional sampling rate in the theta or alpha frequency range. We investigated whether such discrete sampling by attention is reflected in periodic fluctuations in the decodability of visual stimulus orientation from magnetoencephalographic (MEG) brain signals. In this exploratory study, human subjects attended one of two grating stimuli while MEG was being recorded. We assessed the strength of the visual representation of the attended stimulus using a support vector machine (SVM) to decode the orientation of the grating (clockwise vs. counterclockwise) from the MEG signal. We tested whether decoder performance depended on the theta/alpha phase of local brain activity. While the phase of ongoing activity in visual cortex did not modulate decoding performance, theta/alpha phase of activity in the FEF and parietal cortex, contralateral to the attended stimulus did modulate decoding performance. These findings suggest that phasic modulations of visual stimulus representations in the brain are caused by frequency- specific top-down activity in the fronto-parietal attention network.

Abstract The analysis of EEG and MEG data typically requires a lengthy and complicated sequence of analysis steps, often requiring large amounts of computations, which are ideally represented in analysis scripts. These scripts are often written by researchers without formal training in computer science, resulting in the quality and readability of these analysis scripts to be highly dependent on individual coding expertise and style. Even though the computational outcomes and interpretation of the results can be correct, the inconsistent style and quality of analysis scripts make reviewing the details of the analysis difficult for other researchers that are either involved in the study or not, and the quality of the scripts might compromise the reproducibility of obtained results. This paper describes the design and implementation of a strategy that allows complete reproduction of MATLAB-based scripts with little extra efforts on behalf of the user, which we have implemented as part of the FieldTrip toolbox. Starting from the researchers’ idiosyncratic pipeline scripts, this new functionality allows researchers to automatically create and publish analysis pipeline scripts in a standardized format, along with all relevant intermediate data. We demonstrate the functionality and validate its effectiveness by applying it to the analysis of a recently published MEG study.

Abstract Neural activity contains rich spatio-temporal structure that corresponds to cognition. This includes oscillatory bursting and dynamic activity that span across networks of brain regions, all of which can occur on timescales of a tens of milliseconds. While these processes can be accessed through brain recordings and imaging, modelling them presents methodological challenges due to their fast and transient nature. Furthermore, the exact timing and duration of interesting cognitive events is often a priori unknown. Here we present the OHBA Software Library Dynamics Toolbox ( osl-dynamics ), a Python-based package that can identify and describe recurrent dynamics in functional neuroimaging data on timescales as fast as tens of milliseconds. At its core are machine learning generative models that are able to adapt to the data and learn the timing, as well as the spatial and spectral characteristics, of brain activity with few assumptions. osl-dynamics incorporates state-of-the-art approaches that can be, and have been, used to elucidate brain dynamics in a wide range of data types, including magneto/electroencephalography, functional magnetic resonance imaging, invasive local field potential recordings and electrocorticography. It also provides novel summary measures of brain dynamics that can be used to inform our understanding of cognition, behaviour and disease. We hope osl-dynamics will further our understanding of brain function, through its ability to enhance the modelling of fast dynamic processes. Highlights An open-source toolbox for identifying and describing brain dynamics in neuroimaging data on fast timescales. Includes visualisation and quantification of oscillatory bursting and network dynamics. Provides novel summary measures and group analysis tools of brain dynamics that can be used to inform our understanding of cognition, behaviour and disease. Implemented in Python and makes use of TensorFlow . Includes comprehensive documentation and tutorials.

An important approach for studying the human brain is to use functional neuroimaging combined with a task. In electrophysiological data this often involves a time-frequency analysis, in which recorded brain activity is time-frequency transformed and epoched around task events of interest, followed by trial-averaging of the power. Whilst this simple approach can reveal fast oscillatory dynamics, the brain regions are analysed one at a time. This causes difficulties for interpretation and a debilitating number of multiple comparisons. In addition, it is now recognised that the brain responds to tasks through the coordinated activity of networks of brain areas. As such, techniques that take a whole-brain network perspective are needed. Here, we show how the oscillatory task responses from conventional time-frequency approaches, can be represented more parsimoniously at the network level using two state-of-the-art methods: the HMM (Hidden Markov Model) and DyNeMo (Dynamic Network Modes). Both methods reveal frequency-resolved networks of oscillatory activity with millisecond resolution. Comparing DyNeMo, HMM and traditional oscillatory response analysis, we show DyNeMo can identify task activations/deactivations that the other approaches fail to detect. DyNeMo offers a powerful new method for analysing task data from the perspective of dynamic brain networks.

The efficiency of neuronal information transfer in activated brain networks may affect behavioral performance. Gamma-band synchronization has been proposed to be a mechanism that facilitates neuronal processing of behaviorally relevant stimuli. In line with this, it has been shown that strong gamma-band activity in visual cortical areas leads to faster responses to a visual go cue. We investigated whether there are directly observable consequences of trial-by-trial fluctuations in non-invasively observed gamma-band activity on the neuronal response. Specifically, we hypothesized that the amplitude of the visual evoked response to a go cue can be predicted by gamma power in the visual system, in the window preceding the evoked response. Thirty-three human subjects (22 female) performed a visual speeded response task while their magnetoencephalogram (MEG) was recorded. The participants had to respond to a pattern reversal of a concentric moving grating. We estimated single trial stimulus-induced visual cortical gamma power, and correlated this with the estimated single trial amplitude of the most prominent event-related field (ERF) peak within the first 100 ms after the pattern reversal. In parieto-occipital cortical areas, the amplitude of the ERF correlated positively with gamma power, and correlated negatively with reaction times. No effects were observed for the alpha and beta frequency bands, despite clear stimulus onset induced modulation at those frequencies. These results support a mechanistic model, in which gamma-band synchronization enhances the neuronal gain to relevant visual input, thus leading to more efficient downstream processing and to faster responses.

Rhythmic brain activity may provide a functional mechanism that facilitates dynamic interareal interactions and thereby give rise to complex behavior. It has been shown that low and high frequency oscillations propagate in opposite directions, but interactions between brain areas in various frequency bands are poorly understood. We investigated local and long-range synchrony in a brain-wide network and their relation to behavior, while human subjects executed a variant of the Simon task during MEG recording. We hypothesized that the behavioral difference for stimulus-response congruent (C) and incongruent (IC) trials is caused by differences in cortical synchrony, and that the relative behavioral benefit for trials following instances with the same stimulus-response contingency (i.e. the Gratton effect) is caused by contingency-induced changes in the state of the network. This would be achieved by temporarily upregulating the connectivity strength between behaviorally relevant network nodes. We identified regions-of-interest that differed in local synchrony during the response phase of the Simon task. Within this network, spectral power in none of the nodes in either of the studied frequencies was significantly different in the pre-cue window of the subsequent trial. Nor was there a significant difference in coherence between the task-relevant nodes that could explain the superior performance after compatible consecutive trials.

Abstract Multivariate pattern analysis (MVPA) of Magnetoencephalography (MEG) and Electroencephalography (EEG) data is a valuable tool for understanding how the brain represents and discriminates between different stimuli. Identifying the spatial and temporal signatures of stimuli is typically a crucial output of these analyses. Such analyses are mainly performed using linear, pairwise, sliding window decoding models. These allow for relative ease of interpretation, e.g. by estimating a time-course of decoding accuracy, but are computationally intensive and can have limited decoding performance. On the other hand, full epoch decoding models, commonly used for brain-computer interface (BCI) applications, can provide better decoding performance. However, they lack methods for interpreting the contributions of spatial and temporal features. In this paper, we propose an approach that combines a multiclass, full epoch decoding model with supervised dimensionality reduction, while still being able to reveal the contributions of spatiotemporal and spectral features using permutation feature importance. We demonstrate the approach on 3 different task MEG datasets using image presentations. Our results demonstrate that this approach consistently achieves higher accuracy than the peak accuracy of a sliding window decoder while estimating the relevant spatiotemporal features in the MEG signal. Finally, we show that our multiclass model can also be used for pairwise decoding, eliminating the computational burden of training separate models for each pairwise combination of stimuli.