Abstract Understanding the neural processes governing the human gut-brain connection has been challenging due to the inaccessibility of the body’s interior. Here, we investigated neural responses to gastrointestinal sensation using a minimally invasive mechanosensory probe by quantifying brain, stomach, and perceptual responses following the ingestion of a vibrating capsule. Participants successfully perceived capsule stimulation under two vibration conditions (normal and enhanced), as evidenced by above chance accuracy scores. Perceptual accuracy improved significantly during the enhanced relative to normal stimulation, which was associated with a more rapid detection of the stimulation and reduced reaction time variability. Stomach stimulation induced early and late neural responses in parieto-occipital leads near the midline. Moreover, these ‘gastric evoked potentials’ showed intensity-dependent increases in amplitude and were significantly correlated with perceptual accuracy. These findings highlight a unique form of enterically-focused sensory monitoring within the human brain, with implications for understanding gut-brain interactions in healthy and clinical populations.

Abstract Electroencephalography microstates (EEG-ms) capture and reflect the spatio-temporal neural dynamics of the brain. A growing literature is employing EEG-ms-based analyses to study various mental illnesses and to evaluate brain mechanisms implicated in cognitive and emotional processing. The spatial and functional interpretation of the EEG-ms is still being investigated. Previous works studied the association of EEG-ms time courses with blood-oxygen-level-dependent (BOLD) functional magnetic resonance imaging (fMRI) signal and suggested an association between EEG-ms and resting-state networks (RSNs). However, the distinctive association between EEG-ms temporal dynamics and brain neuronal activities is still not clear, despite the assumption that EEG-ms are an electrophysiological representation of RSNs activity. Recent works suggest a role for brain spontaneous EEG rhythms in contributing to and modulating canonical EEG-ms topographies and determining their classes (coined A through D) and metrics. This work simultaneously utilized EEG and fMRI to understand the EEG-ms and their properties further. We adopted the canonical EEG-ms analysis to extract three types of regressors for EEG-informed fMRI analyses: EEG-ms direct time courses, temporal activity per microstate, and pairwise temporal transitions among microstates (the latter two coined activity regressors). After convolving EEG-ms regressors with a hemodynamic response function, a generalized linear model whole-brain voxel-wise analysis was conducted to associate EEG-ms regressors with fMRI signals. The direct time course regressors replicated prior findings of the association between the fMRI signal and EEG-ms time courses but to a smaller extent. Notably, EEG-ms activity regressors were mostly anticorrelated with fMRI, including brain regions in the somatomotor, visual, dorsal attention, and ventral attention fMRI networks with no significant overlap for default mode, limbic or frontoparietal networks. A similar pattern emerged in using the transition regressors among microstates but not in self-transitions. The relatively short duration of each EEG-ms and the significant association of EEG-ms activity regressors with fMRI signals suggest that EEG-ms manifests successive transition from one brain functional state to another rather than being associated with specific brain functional state or RSN networks.

Abstract Sex is an important biological variable often used in analyzing and describing the functional organization of the brain during cognitive and behavioral tasks. Several prior studies have shown that blood-oxygen-level-dependent (BOLD) functional MRI (fMRI) functional connectivity (FC) can be used to differentiate sex among individuals. Herein, we demonstrate that sex can be further classified with high accuracy using the intrinsic BOLD signal fluctuations from resting-state fMRI (rs-fMRI). We adopted the amplitude of low-frequency fluctuation (ALFF), and the fraction of ALFF (fALFF) features from the automated anatomical atlas (AAL) and Power’s functional atlas as an input to different machine learning (ML) methods. Using datasets from five independently acquired subject cohorts and with eight fMRI scanning sessions, we comprehensively assessed unbiased performance using nested-cross validation for within-sample and across sample accuracies. The results demonstrated high prediction accuracies for the Human Connectome Project (HCP) dataset (area under cure (AUC) > 0.89). The yielded accuracies suggest that sex difference is embodied and well-pronounced in the low-frequency BOLD signal fluctuation. The performance degrades with the heterogeneity of the cohort and suggests that other factors,.e.g. psychiatric disorders and demographics influences the BOLD signal and may interact with the classification of sex. In addition, the results revealed high learning generalizability with the HCP scan, but not across different datasets. The intraclass correlation coefficient (ICC) across HCP scans showed moderate - to-good reliability based on atlas selection (ICC = 0.65 [0.63-0.67] and ICC= 0.78 [0.76-0.80].). We also assessed the effect of scan duration on the predictability of sex and showed that sex differences could be detected even with a short rs-fMRI scan (e.g., 2 minutes). Moreover, we provided statistical maps of the brain regions differentially recruited by or predicting sex using Shapely values and determined an overlap with previous reports of brain response due to sex differences. Altogether, our analysis suggests that sex differences are well-pronounced in rs-fMRI and should be considered seriously in any study design, analysis, or interpretation.

Abstract Differences in the correlated activity of networked brain regions have been reported in individuals with generalized anxiety disorder (GAD) but an overreliance on the null-hypothesis significance testing (NHST) framework limits the identification and characterization of disorder-relevant relationships. In this preregistered study, we applied a Bayesian statistical framework as well as NHST to the analysis of resting-state fMRI scans from females with GAD and demographically matched healthy comparison females. Eleven a-priori hypotheses about functional correlativity (FC) were evaluated using Bayesian (multilevel model) and frequentist ( t -test) inference. Reduced FC between the ventromedial prefrontal cortex (vmPFC) and the posterior-mid insula (PMI) was confirmed by both statistical approaches. FC between the vmPFC-anterior insula, the amygdala-PMI, and the amygdala-dorsolateral prefrontal cortex (dlPFC) region pairs did not survive multiple comparison correction using the frequentist approach. However, the Bayesian model provided evidence for these region pairs having decreased FC in the GAD group. Leveraging Bayesian modeling, we demonstrate decreased FC of the vmPFC, insula, amygdala, and dlPFC in females with GAD. Exploiting the Bayesian framework revealed FC abnormalities between region pairs excluded by the frequentist analysis, as well as other previously undescribed regions, demonstrating the benefits of applying this statistical approach to resting state FC data.