Abstract Background Transcranial magnetic stimulation (TMS) is widely used in brain research and treatment of various brain dysfunctions. However, the optimal way to target stimulation and administer TMS therapies, for example, where and in which electric field direction the stimuli should be given, is yet to be determined. Objective To develop an automated closed-loop system for adjusting TMS parameters (in this work, the stimulus orientation) online based on TMS-evoked brain activity measured with electroencephalography (EEG). Methods We developed an automated closed-loop TMS–EEG set-up. In this set-up, the stimulus parameters are electronically adjusted with multi-locus TMS. As a proof of concept, we developed an algorithm that automatically optimizes the stimulation orientation based on single-trial EEG responses. We applied the algorithm to determine the electric field orientation that maximizes the amplitude of the TMS– EEG responses. The validation of the algorithm was performed with six healthy volunteers, repeating the search twenty times for each subject. Results The validation demonstrated that the closed-loop control worked as desired despite the large variation in the single-trial EEG responses. We were often able to get close to the orientation that maximizes the EEG amplitude with only a few tens of pulses. Conclusion Optimizing stimulation with EEG feedback in a closed-loop manner is feasible and enables effective coupling to brain activity.

Abstract State-dependent non-invasive brain stimulation (NIBS) informed by electroencephalography (EEG) has contributed to the understanding of NIBS inter-subject and inter-session variability. While these approaches focused on local EEG characteristics, it is acknowledged that the brain exhibits an intrinsic long-range dynamic organization in networks. This proof-of-concept study explores whether EEG connectivity of the primary motor cortex (M1) in the pre-stimulation period aligns with the motor network (MN) and how MN state affects responses to transcranial magnetic stimulation (TMS) of M1. One thousand suprathreshold TMS pulses were delivered to left M1 in 8 subjects at rest, with simultaneous EEG. Motor evoked potentials (MEPs) were measured from the right hand. Source-space functional connectivity of left M1 to the whole-brain was assessed using the imaginary part of the Phase Locking Value at the frequency of the sensorimotor µ-rhythm in a 1-second window before the pulse. Group-level connectivity revealed functional links between left M1, left supplementary motor area, and right M1. Also, pulses delivered at high MN connectivity states result in a greater MEP amplitude compared to low connectivity states. At single-subject level, this relation is more expressed in subjects that feature an overall high cortico-spinal excitability. In conclusion, this study paves the way for MN connectivity based NIBS. Highlights EEG pre-stimulus connectivity of left M1 largely corresponds to the motor network Stronger motor network (MN) connectivity corresponds to greater MEP amplitudes Linear regression models based on MN connectivity predicts MEP amplitude

The corticospinal responses of the motor network to transcranial magnetic stimulation (TMS) are highly variable. While often regarded as noise, this variability provides a way of probing dynamic brain states related to excitability. We aimed to uncover spontaneously occurring cortical states that alter corticospinal excitability.

Transcranial magnetic stimulation (TMS) protocols often include a manual search of an optimal location and orientation of the coil or peak stimulating electric field to elicit motor responses in a target muscle. This target search is laborious, and the result is user-dependent. Here, we present a closed-loop search method that utilizes automatic electronic adjustment of the stimulation based on the previous responses. The electronic adjustment is achieved by multi-locus TMS, and the adaptive guiding of the stimulation is based on the principles of Bayesian optimization to minimize the number of stimuli (and time) needed in the search. We compared our target-search method with other methods, such as systematic sampling in a predefined cortical grid. Validation experiments on five healthy volunteers and further offline simulations showed that our adaptively guided search method needs only a relatively small number of stimuli to provide outcomes with good accuracy and precision. The automated method enables fast and user-independent optimization of stimulation parameters in research and clinical applications of TMS.

Combining Non-Invasive Brain Stimulation (NIBS) techniques with the recording of brain electrophysiological activity is an increasingly widespread approach in neuroscience. Particularly successful has been the simultaneous combination of Transcranial Magnetic Stimulation (TMS) and Electroencephalography (EEG). Unfortunately, the strong magnetic pulse required to effectively interact with brain activity inevitably induces artifacts in the concurrent EEG acquisition. Therefore, a careful but aggressive pre-processing is required to efficiently remove artifacts. Unfortunately, as already reported in the literature, different preprocessing approaches can introduce variability in the results. Here we aim at characterizing the three main TMS-EEG preprocessing pipelines currently available, namely ARTIST (Wu et al., 2018), TESA (Rogasch et al., 2017) and SOUND/SSP-SIR (Mutanen et al., 2018, 2016), providing an insight to researchers who need to choose between different approaches. Differently from previous works, we tested the pipelines using a synthetic TMS-EEG signal with a known ground-truth (the artifacts-free to-be-reconstructed signal). In this way, it was possible to assess the reliability of each pipeline precisely and quantitatively, providing a more robust reference for future research. In summary, we found that all pipelines performed well, but with differences in terms of the spatio-temporal precision of the ground-truth reconstruction. Crucially, the three pipelines impacted differently on the inter-trial variability, with ARTIST introducing inter-trial variability not already intrinsic to the ground-truth signal.