Abstract Epilepsy is a neurological disorder characterized by recurrent seizures, affecting over 65 million people worldwide. Treatment typically commences with the use of anti-seizure medications, both mono- and poly-therapy. However more invasive therapies such as surgery, electrical stimulation and focal drug delivery may also be considered in an attempt to render the person seizure free. Although a significant portion ultimately benefit from these treatment options, treatment responses often fluctuate over time.The physiological mechanisms underlying these temporal variations are poorly understood, making prognosis one of the biggest challenges for treating epilepsy. In this work, we use a dynamic network model of seizure transition to understand how seizure propensity may vary over time as a consequence of changes in excitability. Through computer simulations, we explore the relationship between the impact of treatment on dynamic network properties and their vulnerability over time that permit a return to states of high seizure propensity. We show that, for small networks, vulnerability can be fully characterised by the size of the first transitive component (FTC). For larger networks, we find measures of network efficiency, incoherence and heterogeneity (degree variance) correlate with robustness of networks to increasing excitability. These results provide a set of potential prognostic markers for therapeutic interventions in epilepsy. Such markers could be used to support the development of personalized treatment strategies, ultimately contributing to understanding of long-term seizure freedom.

Abstract Chronotype - the relationship between the internal circadian physiology of an individual and the external 24-hour light-dark cycle - is increasingly implicated in mental health and cognition. Individuals presenting with a late chronotype have an increased likelihood of developing depression, and can display reduced cognitive performance during the societal 9-5 day. However, the interplay between physiological rhythms and the brain networks that underpin cognition and mental health are not well understood. To address this issue, we use resting state fMRI collected from 16 people with an early chronotype and 22 people with a late chronotype to study if differentiable information about chronotype is embedded in functional brain networks. We develop a classifier utilising the Network Based-Statistic (NBS) methodology, using rigorous selection criteria to select t-statistic thresholds within the NBS approach. We find significant differences in functional networks measured in early and late chronotypes and describe conditions under which the classifier achieves 97.3% accuracy. Revealing differences in functional brain networks based on extreme chronotype suggests future avenues of research that may ultimately better characterise the relationship between internal physiology, external perturbations, brain networks and disease.

Objective: Current explanatory concepts suggest seizures emerge from ongoing dynamics of brain networks. It is unclear how brain network properties determine focal or generalised seizure onset, or how network properties can be described in a clinically-useful manner. Understanding network properties would cast light on seizure-generating mechanisms and allow to quantify in the clinic the extent to which a seizure is focal or generalised. Methods: 68 people with epilepsy and 38 healthy controls underwent 19 channel scalp EEG recording. Functional brain networks were estimated in each subject using phase-locking between EEG channels in the 6-9Hz band from segments of 20s without interictal discharges. Simplified brain dynamics were simulated using a computer model. We introduce three concepts: Critical Coupling (Cc), the ability of a network to generate seizures; Onset Index (OI), the tendency of a region to generate seizures; and Participation Index (PI), the tendency of a region to become involved in seizures. Results: Cc was lower in both patient groups compared with controls. OI and PI were more variable in focal-onset than generalised-onset cases. No regions showed higher OI and PI in generalised-onset cases than in healthy controls; in focal cases, the regions with highest OI and PI corresponded to the side of seizure onset. Conclusions: Properties of interictal functional networks from scalp EEG can be estimated using a computer model and used to predict seizure likelihood and onset patterns. Our framework, consisting of three clinically-meaningful measures, could be implemented in the clinic to quantify the diagnosis and seizure onset pattern.

ABSTRACT People are routinely forced to undertake cognitive challenges under the effect of sleep deprivation, due to professional and social obligations forcing them to ignore their circadian clock. However, low intra-individual and high inter-individual differences in behavioural outcomes are known to occur when people are sleep deprived, leading to the conclusion that trait-like differences to sleep deprivation could explain the differing levels of resilience. Within this study we consider if trait-like resilience to sleep deprivation, measured using psychomotor vigilance tests over a 40h constant routine protocol, could be associated with graph metrics (mean node strength, clustering coefficient, characteristic path length and stability) calculated from EEG functional networks acquired when participants are well rested (baseline). Furthermore, we investigated how stability (the consistency of a participant’s functional network over time measured using 2-D correlation) changed over the constant routine. We showed evidence of strong significant correlations between high mean node strength, low characteristic path length and high stability at baseline with a general resilience to extended sleep deprivation, although the same features lead to vulnerability during the period of natural sleep onset, highlighting non-uniform correlations over time. We also show significant differences in the levels of stability between resilient and vulnerable groups.

Abstract Epilepsy is a serious neurological disorder characterised by a tendency to have recurrent, spontaneous, seizures. Classically, seizures are assumed to occur at random. However, recent research has uncovered underlying rhythms both in seizures and in key signatures of epilepsy - so-called interictal epileptiform activity - with timescales that vary from hours and days through to months. Understanding the physiological mechanisms that determine these rhythmic patterns of epileptiform discharges remains an open question. Many people with epilepsy identify precipitants of their seizures, the most common of which include stress, sleep deprivation and fatigue. To quantify the impact of these physiological factors, we analysed 24-hour EEG recordings from a cohort of 107 people with idiopathic generalized epilepsy. We found two subgroups with distinct distributions of epileptiform discharges: one with highest incidence during sleep and the other during day-time. We interrogated these data using a mathematical model that describes the transitions between background and epileptiform activity in large-scale brain networks. This model was extended to include a time-dependent forcing term, where the excitability of nodes within the network could be modulated by other factors. We calibrated this forcing term using independently-collected human cortisol (the primary stress-responsive hormone characterised by circadian and ultradian patterns of secretion) data and sleep-staged EEG from healthy human participants. We found that either the dynamics of cortisol or sleep stage transition, or a combination of both, could explain most of the observed distributions of epileptiform discharges. Our findings provide conceptual evidence for the existence of underlying physiological drivers of rhythms of epileptiform discharges. These findings should motivate future research to explore these mechanisms in carefully designed experiments using animal models or people with epilepsy. Author summary 65 million people have epilepsy worldwide. Many of these people report specific triggers that make their seizures (the primary symptom of epilepsy) more likely. Here, we use a mathematical model to understand the relationship between possible triggers and rhythms in epileptiform activity observed across the day. The mathematical model describes the activity of connected brain regions, and how the excitability of these regions can change in response to different stimuli. Based on data collected from people with idiopathic generalized epilepsy, we identify transitions between sleep stages and variation in concentration of the stress-hormone cortisol as candidate factors that influence how likely it is for epileptiform activity to occur. By including those factors into the model, we show they can explain most of the daily variability. More broadly, our approach provides a framework for better understanding what factors drive the occurrence of epileptiform activity and offers the potential to suggest experiments that can validate model predictions.