Abstract Methods for electro- or magnetoencephalography (EEG/MEG) based brain source imaging (BSI) using sparse Bayesian learning (SBL) have been demonstrated to achieve excellent performance in situations with low numbers of distinct active sources, such as event-related designs. This paper extends the theory and practice of SBL in three important ways. First, we reformulate three existing SBL algorithms under the majorization-minimization (MM) framework. This unification perspective not only provides a useful theoretical framework for comparing different algorithms in terms of their convergence behavior, but also provides a principled recipe for constructing novel algorithms with specific properties by designing appropriate bounds of the Bayesian marginal likelihood function. Second, building on the MM principle, we propose a novel method called LowSNR-BSI that achieves favorable source reconstruction performance in low signal-to-noise-ratio (SNR) settings. Third, precise knowledge of the noise level is a crucial requirement for accurate source reconstruction. Here we present a novel principled technique to accurately learn the noise variance from the data either jointly within the source reconstruction procedure or using one of two proposed cross-validation strategies. Empirically, we could show that the monotonous convergence behavior predicted from MM theory is confirmed in numerical experiments. Using simulations, we further demonstrate the advantage of LowSNR-BSI over conventional SBL in low-SNR regimes, and the advantage of learned noise levels over estimates derived from baseline data. To demonstrate the usefulness of our novel approach, we show neurophysiologically plausible source reconstructions on averaged auditory evoked potential data.

Abstract We consider the reconstruction of brain activity from electroencephalography (EEG). This inverse problem can be formulated as a linear regression with independent Gaussian scale mixture priors for both the source and noise components. Crucial factors influencing the accuracy of the source estimation are not only the noise level but also its correlation structure, but existing approaches have not addressed the estimation of noise covariance matrices with full structure. To address this shortcoming, we develop hierarchical Bayesian (type-II maximum likelihood) models for observations with latent variables for source and noise, which are estimated jointly from data. As an extension to classical sparse Bayesian learning (SBL), where across-sensor observations are assumed to be independent and identically distributed, we consider Gaussian noise with full covariance structure. Using the majorization-maximization framework and Riemannian geometry, we derive an efficient algorithm for updating the noise covariance along the manifold of positive definite matrices. We demonstrate that our algorithm has guaranteed and fast convergence and validate it in simulations and with real MEG data. Our results demonstrate that the novel framework significantly improves upon state-of-the-art techniques in the real-world scenario where the noise is indeed non-diagonal and full-structured. Our method has applications in many domains beyond biomagnetic inverse problems.

ABSTRACT Sleep is a highly stereotyped phenomenon, requiring robust spatial and temporal coordination of neural activity. How the brain coordinates neural activity with sleep onset can provide insight into the physiological functions subserved by sleep and pathologic phenomena associated with sleep onset. We quantified whole-brain network changes in synchrony and information flow during the transition from wake to non-rapid eye movement (NREM) sleep using magnetoencephalography imaging in healthy subjects. In addition, we performed computational modeling to infer excitatory and inhibitory properties of local neural activity. The sleep transition was identified to be encoded in spatially and temporally specific patterns of local and long-range neural synchrony. Patterns of information flow revealed that mesial frontal regions receive hierarchically organized inputs from broad cortical regions upon sleep onset. Finally, biophysical neural mass modeling demonstrated spatially heterogeneous properties of cortical excitation-to-inhibition from wake to NREM. Together, these findings reveal whole-brain corticocortical structure in the sleep-wake transition and demonstrate the orchestration of local and long-range, frequency-specific cortical interactions that are fundamental to sleep onset.

Abstract Understanding the connection between the brain’s structural connectivity and its functional connectivity is of immense interest in computational neuroscience. Although some studies have suggested that whole brain functional connectivity is shaped by the underlying structure, the rule by which anatomy constraints brain dynamics remains an open question. In this work, we introduce a computational framework that identifies a joint subspace of eigenmodes for both functional and structural connectomes. We found that a small number of those eigenmodes are sufficient to reconstruct functional connectivity from the structural connectome, thus serving as low-dimensional basis function set. We then develop an algorithm that can estimate the functional eigen spectrum in this joint space from the structural eigen spectrum. By concurrently estimating the joint eigenmodes and the functional eigen spectrum, we can reconstruct a given subject’s functional connectivity from their structural connectome. We perform elaborate experiments and demonstrate that the proposed algorithm for estimating functional connectivity from the structural connectome using joint space eigenmodes gives competitive performance as compared to the existing benchmark methods with better interpretability.

Abstract We explore the stability and dynamic properties of a hierarchical, linearized, and analytic spectral graph model for neural oscillations that integrates the structuring wiring of the brain. Previously we have shown that this model can accurately capture the frequency spectra and the spatial patterns of the alpha and beta frequency bands obtained from magnetoencephalography recordings without regionally varying parameters. Here, we show that this macroscopic model based on long-range excitatory connections exhibits dynamic oscillations with a frequency in the alpha band even without any oscillations implemented at the mesoscopic level. We show that depending on the parameters, the model can exhibit combinations of damped oscillations, limit cycles, or unstable oscillations. We determined bounds on model parameters that ensure stability of the oscillations simulated by the model. Finally, we estimated time-varying model parameters to capture the temporal fluctuations in magnetoencephalography activity. We show that a dynamic spectral graph modeling framework with a parsimonious set of biophysically interpretable model parameters can thereby be employed to capture oscillatory fluctuations observed in electrophysiological data in various brain states and diseases.

The human sensorimotor system has a remarkable ability to quickly and efficiently learn movements from sensory experience. A prominent example is sensorimotor adaptation, learning that characterizes the sensorimotor system9s response to persistent sensory errors by adjusting future movements to compensate for those errors. Despite being essential for maintaining and fine-tuning motor control, mechanisms underlying sensorimotor adaptation remain unclear. A component of sensorimotor adaptation is implicit (i.e., the learner is unaware of the learning process) which has been suggested to result from sensory prediction errors-the discrepancies between predicted sensory consequences of motor commands and actual sensory feedback. However, to date no direct neurophysiological evidence that sensory prediction errors drive adaptation has been demonstrated. Here, we examined prediction errors via magnetoencephalography (MEG) imaging of the auditory cortex during sensorimotor adaptation of speech to altered auditory feedback, an entirely implicit adaptation task. Specifically, we measured how speaking-induced suppression (SIS)-a neural representation of auditory prediction errors-changed over the trials of the adaptation experiment. SIS refers to the suppression of auditory cortical response to speech onset (in particular, the M100 response) to self-produced speech when compared to the response to passive listening to identical playback of that speech. SIS was reduced (reflecting larger prediction errors) during the early learning phase compared to the initial unaltered feedback phase. Furthermore, reduction in SIS positively correlated with behavioral adaptation extents, suggesting that larger prediction errors were associated with more learning. In contrast, such a reduction in SIS was not found in a control experiment in which participants heard unaltered feedback and thus did not adapt. In addition, in some participants who reached a plateau in the late learning phase, SIS increased (reflecting smaller prediction errors), demonstrating that prediction errors were minimal when there was no further adaptation. Together, these findings provide the first neurophysiological evidence for the hypothesis that prediction errors drive human sensorimotor adaptation.

Reality monitoring is defined as the ability to distinguish internally self-generated information from externally-derived information. Functional imaging studies have consistently found that the medial prefrontal cortex (mPFC) is a key brain region subserving reality monitoring. The aim of this study was to determine a causal role for mPFC in reality monitoring using navigated repetitive transcranial magnetic stimulation (nrTMS). In a subject-blinded sham-controlled crossover design, healthy individuals received either active or sham nrTMS targeting mPFC. Active modulation of mPFC using rTMS at a frequency of 10 Hz, significantly improved identification of both self-generated and externally-derived information during reality monitoring, when compared to sham or baseline. Targeted excitatory modulation of mPFC also improved positive mood ratings, reduced negative mood ratings and increased overall alertness/arousal. These results establish both the dosing and tolerability for nrTMS targeting of mPFC. Importantly, these findings provide the first direct evidence that mPFC plays a causal role in reality monitoring and mood.

Unifying integration and segregation in the brain has been a fundamental puzzle in neuroscience ever since the conception of the "binding problem." Here, we introduce a novel framework that places integration and segregation within a continuum based on a fundamental property of the brain--its structural connectivity graph Laplacian harmonics and a new feature we term the gap-spectrum. This framework organizes harmonics into three regimes--integrative, segregative, and degenerate--that together account for various group-level properties. Integrative and segregative harmonics occupy the ends of the continuum, and they share properties such as reproducibility across individuals, stability to perturbation, and involve "bottom-up" sensory networks. Degenerate harmonics are in the middle of the continuum, and they are subject-specific, flexible, and involve "top-down" networks. The proposed framework accommodates inter-subject variation, sensitivity to changes, and structure-function coupling in ways that offer promising avenues for studying development, precision medicine, and treatment response in the brain.

Abstract Active neurons impact cell types with which they are functionally connected. Both activity and functional connectivity are heterogeneous across the brain, but the nature of their relationship is not known. Here we employ brain-wide calcium imaging at cellular resolution in larval zebrafish to record spontaneous activity of >12,000 neurons in the forebrain. By classifying their activity and functional connectivity into three levels (high, medium, low), we find that highly active neurons have low functional connections and highly connected neurons are of low activity. Intriguingly, deploying the same analytical methods on functional magnetic resonance imaging (fMRI) data from the resting state human brain, we uncover a similar relationship between activity and functional connectivity, that is, regions of high activity are non-overlapping with those of high connectivity. These findings reveal a previously unknown and evolutionarily conserved brain organizational principle that have implications for understanding disease states and designing artificial neuronal networks.

Resting state functional MRI (rs-fMRI) is a popular and widely used technique to explore the brain's functional organization and to examine if it is altered in neurological or mental disorders. The most common approach for its analysis targets the measurement of the synchronized fluctuations between brain regions, characterized as functional connectivity (FC), typically relying on pairwise correlations in activity across different brain regions. While hugely successful in exploring state- and disease-dependent network alterations, these statistical graph theory tools suffer from two key limitations. First, they discard useful information about the rich frequency content of the fMRI signal. The rich spectral information now achievable from advances in fast multiband acquisitions is consequently being under-utilized. Second, the analyzed FCs are phenomenological without a direct neurobiological underpinning in the underlying structures and processes in the brain. There does not currently exist a complete generative model framework for whole brain resting fMRI that is informed by its underlying biological basis in the structural connectome. Here, we propose that a different approach can solve both challenges at once: the use of an appropriately realistic yet parsimonious biophysical signal generation model followed by graph spectral (i.e. eigen) decomposition. We call this model a Spectral Graph Model (SGM) for fMRI, using which we can not only quantify the structure-function relationship in individual subjects, but also condense the variable and individual-specific repertoire of fMRI signal's spectral and spatial features into a small number of biophysically-interpretable parameters. We expect this model-based inference of rs-fMRI that seamlessly integrates with structure can be used to examine state and trait characteristics of structure-function relations in a variety of brain disorders.