Abstract In analogy to the friction ridges of a human finger, the functional connectivity patterns of the human brain can be used to identify a given individual from a population. In other words, functional connectivity patterns constitute a marker of human identity, or a ‘ brain fingerprint ’. Yet remarkably, very little is known about whether brain fingerprints are preserved in brain ageing and in the presence of cognitive decline due to Alzheimer’s disease (AD). Using fMRI data from two independent datasets of healthy and pathologically ageing subjects, here we show that individual functional connectivity profiles remain unique and highly heterogeneous across early and late stages of cognitive decline due to AD. Yet, the patterns of functional connectivity making subjects identifiable, change across health and disease, revealing a functional reconfiguration of the brain fingerprint. We observed a fingerprint change towards between-functional system connections when transitioning from healthy to dementia, and to lower-order cognitive functions in the earliest stages of the disease. These findings show that functional connectivity carries important individualised information to evaluate regional and network dysfunction in cognitive impairment and highlight the importance of switching the focus from group differences to individual variability when studying functional alterations in AD. The present data establish the foundation for clinical fingerprinting of brain diseases by showing that functional connectivity profiles maintain their uniqueness, yet go through functional reconfiguration, during cognitive decline. These results pave the way for a more personalised understanding of functional alterations during cognitive decline, moving towards brain fingerprinting in personalised medicine and treatment optimization during cognitive decline.

Abstract Individual characterization of subjects based on their functional connectome (FC), termed “FC fingerprinting”, has become a highly sought-after goal in contemporary neuroscience research. Recent functional magnetic resonance imaging (fMRI) studies have demonstrated unique characterization and accurate identification of individuals as an accomplished task. However, FC fingerprinting in magnetoencephalography (MEG) data is still widely unexplored. Here, we study resting-state MEG data from the Human Connectome Project to assess the MEG FC fingerprinting and its relationship with several factors including amplitude- and phase-coupling functional connectivity measures, spatial leakage correction, frequency bands, and behavioral significance. To this end, we first employ two identification scoring methods, differential identifiability and success rate, to provide quantitative fingerprint scores for each FC measurement. Secondly, we explore the edgewise and nodal MEG fingerprinting patterns across the different frequency bands (delta, theta, alpha, beta, and gamma). Finally, we investigate the cross-modality fingerprinting patterns obtained from MEG and fMRI recordings from the same subjects. We assess the behavioral significance of FC across connectivity measures and imaging modalities using partial least square correlation analyses. Our results suggest that fingerprinting performance is heavily dependent on the functional connectivity measure, frequency band, identification scoring method, and spatial leakage correction. We report higher MEG fingerprints in phase-coupling methods, central frequency bands (alpha and beta), and in the visual, frontoparietal, dorsal-attention, and default-mode networks. Furthermore, cross-modality comparisons reveal a certain degree of spatial concordance in fingerprinting patterns between the MEG and fMRI data, especially in the visual system. Finally, the multivariate correlation analyses show that MEG connectomes have strong behavioral significance, which however depends on the considered connectivity measure and temporal scale. This comprehensive, albeit preliminary investigation of MEG connectome test-retest identification offers a first characterization of MEG fingerprinting in relation to different methodological and electrophysiological factors and contributes to the understanding of fingerprinting cross-modal relationships. We hope that this first investigation will contribute to setting the grounds for MEG connectome identification.

Abstract Brain communication, defined as information transmission through white-matter connections, is at the foundation of the brain’s computational capacities that subtend almost all aspects of behavior: from sensory perception shared across mammalian species, to complex cognitive functions in humans. How did communication strategies in macroscale brain networks adapted across evolution to accomplish increasingly complex functions? By applying a graph- and information-theory approach to assess information-related pathways in mouse, macaque and human brains, we show a brain communication gap between selective information transmission in non-human mammals, where brain regions share information through single polysynaptic pathways, and parallel information transmission in humans, where regions share information through multiple parallel pathways. In humans, parallel transmission acts as a major connector between unimodal and transmodal systems. The layout of information-related pathways is unique to individuals across different mammalian species, pointing at the individual-level specificity of information routing architecture. Our work provides evidence that different communication patterns are tied to the evolution of mammalian brain networks.

Abstract Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

Abstract Functional dissociations in the brain observed during non-rapid eye movement (NREM) sleep have been mainly associated with reduced information integration and impaired consciousness that accompany increasing sleep depth. Most of the studies that evaluated this relation have mostly been focused on spatial alterations of brain networks across various vigilance states. Here, we explored the dynamical properties of large-scale functional brain networks derived from transients or moments of activity changes in fMRI using two complementary studies of simultaneous EEG-fMRI recordings of sleep. Our results revealed distinct alterations in the individual network’s dynamical characteristics across wakefulness and NREM sleep. Positive activations of visual-sensory areas simultaneously deactivate focal subcortical regions known to be involved with arousal regulation. The cerebellum is also found to dissociate into posterior and anterior regions, with the former being predominantly present during wakefulness than in the deep sleep. Most surprisingly, we found that global network activity and pair-wise network interactions increased significantly in NREM stage 2 before an abrupt loss of communication is observed in NREM stage 3. Thus, by providing a spatiotemporal and more accurate network-level representation of brain organization, we were able to capture new features of information integration of consciousness during sleep, and provide concrete evidence for the presence of unstable yet distributed global synchronization in NREM stage 2.

Abstract Moving from association to causal analysis of neuroimaging data is crucial to advance our understanding of brain function. The arrow-of-time (AoT), i.e ., the known asymmetric nature of the passage of time, is the bedrock of causal structures shaping physical phenomena. However, almost all current time series metrics do not exploit this asymmetry, probably due to the difficulty to account for it in modelling frameworks. Here, we introduce an AoT-sensitive metric that captures the intensity of causal effects in multivariate time series, and apply it to high-resolution functional neuroimaging data. We find that that causal effects underlying brain function are more clearly localized in space and time than functional activity or connectivity, thereby allowing us to trace neural pathways recruited in different conditions. Overall, we provide a mapping of the causal brain that challenges the association paradigm of brain function.

Abstract Electroencephalography (EEG) data entail a complex spatiotemporal structure that reflects ongoing organization of brain activity. Characterization of the spatial patterns is an indispensable step in numerous EEG processing pipelines within the setting of brain-computer interface systems as well as cognitive neuroscience. We present an approach for transforming EEG data into a spectral representation by using the harmonic basis of a graph structure that is learned from the data. The harmonic basis is obtained by integrating principles from graph learning and graph signal processing (GSP). First, we learn subject-specific graphs from each subject’s EEG data. Second, by eigendecomposition of the normalized Laplacian matrix of each subject’s graph, an orthonormal basis is obtained onto which each EEG map can be decomposed, providing a spectral representation of the data. We show that energy of the EEG maps is strongly associated with low frequency components of the learned basis, reflecting the smooth topography of EEG maps as expected. As a proof-of-concept for this alternative view of EEG data, we consider the task of decoding two-class motor imagery (MI) data. To this aim, the spectral representations are first mapped into a discriminative subspace for differentiating two-class data using a projection matrix obtained by the Fukunaga-Koontz transform (FKT), providing a minimal subspace from which features are extracted. An SVM classifier is then trained and tested on the resulting features to differentiate MI classes. The proposed method is evaluated on Dataset IVa of the BCI Competition III and its performance is compared to using features extracted from a subject-specific functional connectivity matrix and four state-of-the-art alternative methods. Experimental results indicate the superiority of the proposed method over alternative approaches, reflecting the added benefit of i) decomposing EEG data using data-driven, subject-specific harmonic bases, and ii) accounting for class-specific temporal variations in spectral profiles via the FKT. The proposed method and results underline the importance of integrating spatial and temporal characteristics of EEG signals in extracting features that can more powerfully differentiate MI classes.

Abstract The extraction of “fingerprints” from human brain connectivity data has become a new frontier in neuroscience. However, the time scales of human brain identifiability have not been addressed yet. In other words, what temporal features make our brains more “identifiable”? We here explore the dynamics of brain fingerprints (or brainprints) along two complementary axes: 1) what is the optimal time scale at which brainprints integrate sufficient information, 2) when best identification happens. Using dynamic identifiability, we show that the best identification emerges at longer time scales (~300 s ); however, short transient “bursts of identifiability” persist even when looking at shorter functional interactions. We find that these bursts of identifiability might be strongly associated with neuronal activity. Furthermore, we report evidence that different parts of connectome fingerprints relate to different time scales: i.e., more visual-somatomotor at short temporal windows, more frontoparietal-DMN driven by increasing temporal windows. Finally, using a meta-analytic approach, we show that there is a broad spectrum of associations between brainprints and behavior. At faster time scales, human brain fingerprints are linked to multisensory stimulation, eye movements, affective processing, visuospatial attention. At slower time scales instead, we find higher-cognitive functions, such as language and verbal semantics, awareness, declarative and working memory, social cognition. We hope that this first investigation of the temporality of the human brain fingerprint will pave the way towards a better understanding of what and when makes our brains unique.

Abstract An open discussion in studies of intrinsic brain functional connectivity is the mitigation of head motion-related artifacts, particularly in the presence of peculiar symptomatology such as in Parkinson’s disease (PD). Previous studies show that Independent Component Analysis (ICA) denoising improves the reproducibility of functional connectivity findings by detecting sources of non-neural signals. However, there is still no consensus about which pre-processing pipeline should be applied in natural high motion populations such as PD, particularly in relation to novel functional network descriptions derived from dynamic connectivity analyses. In this study, we investigated how different pre-processing pipelines affect intrinsic brain connectivity metrics, both static and dynamic, derived from a group of young healthy controls (HC) and a group of PD participants. A total of 20 HC and 20 PD subjects participated in this 3 T MRI study. Resting-state functional MRI images were used to test the effects of the pre-processing pipeline of static (sFC) and temporal-varying functional connectivity (dFC) estimations. Both MRI datasets were pre-processed using three different workflows differing in the motion correction approach: (i) standard motion realignment ( mc ); (ii) motion outlier detection and deweighting based on image intensity change estimations ( DVARS ) and (iii) ICA-based noise removal using reference noise features ( AROMA ). Furthermore, the PD dataset was also processed with a fourth method by applying an ICA-based denoising ( FIX ), previously trained on the HC group. sFC analysis was performed using Group ICA, by temporally concatenating different pre-processing types in pairs of different runs. Two types of dFC analyses were considered: innovation-driven co-activation patterns (iCAPs) and co-activation patterns (CAPs). CAPs allow dFC estimations that do not require the deconvolution of the hemodynamic response function and its derivative, thus potentially being less sensitive to head-motion related noise. We found that regardless of substantial head motion differences in the two groups, sFC results were consistent across denoising strategies. Conversely, dFC was extremely sensitive to denoising strategies, particularly for the PD group with the transient-based dFC analyses. Indeed, the use of the peak-based dFC framework enables the detection of time-varying networks but in a way that is highly dependent on the motion correction pipeline. In conclusion, we show that dynamic functional network representations are highly sensitive to both head motion and to fMRI denoising methods. These findings stress the importance of considering and reporting these experimental aspects to help with the reproducibility and interpretation of different studies. Future work is needed to further investigate transient-based dFC strategies that are more robust to head motion.

Summary Hallucinations in Parkinson’s disease (PD) are one of the most disturbing non-motor symptoms, affect half of the patients, and constitute a major risk factor for adverse clinical outcomes such as psychosis and dementia. Here we report a robotics-based approach, enabling the induction of a specific clinically-relevant hallucination (presence hallucination, PH) under controlled experimental conditions and the characterization of a PD subgroup with enhanced sensorimotor sensitivity for such robot-induced PH. Using MR-compatible robotics in healthy participants and lesion network mapping analysis in neurological non-PD patients, we identify a fronto-temporal network that was associated with PH. This common PH-network was selectively disrupted in a new and independent sample of PD patients and predicted the presence of symptomatic PH. These robotics-neuroimaging findings determine the behavioral and neural mechanisms of PH and reveal pathological cortical sensorimotor processes of PH in PD, identifying a more severe form of PD associated with psychosis and cognitive decline.