Abstract Brain activity during rest displays complex, rapidly evolving patterns in space and time. Structural connections comprising the human connectome are hypothesized to impose constraints on the dynamics of this activity. Here, we use magnetoencephalography (MEG) to quantify the extent to which fast neural dynamics in the human brain are constrained by structural connections inferred from diffusion MRI tractography. We characterize the spatio-temporal unfolding of whole-brain activity at the millisecond scale from source-reconstructed MEG data, estimating the probability that any two brain regions will significantly deviate from baseline activity in consecutive time epochs. We find that the structural connectome relates to, and likely affects, the rapid spreading of neuronal avalanches, evidenced by a significant association between these transition probabilities and structural connectivity strengths (r=0.37, p<0.0001). This finding opens new avenues to study the relationship between brain structure and neural dynamics.

Abstract Brain connectome fingerprinting is rapidly rising as a novel influential field in brain network analysis. Yet, it is still unclear whether connectivity fingerprints could be effectively used for mapping and predicting disease progression from human brain data. We hypothesize that dysregulation of brain activity in disease would reflect in worse subject identification. Hence, we propose a novel framework, Clinical Connectome Fingerprinting , to detect individual connectome features from clinical populations. We show that “clinical fingerprints” can map individual variations between elderly healthy subjects and patients undergoing cognitive decline in functional connectomes extracted from magnetoencephalography data. We find that identifiability is reduced in patients as compared to controls, and show that these connectivity features are predictive of the individual Mini-Mental State Examination (MMSE) score in patients. We hope that the proposed methodology can help in bridging the gap between connectivity features and biomarkers of brain dysfunction in large-scale brain networks.

Abstract The menstrual cycle is known to influence the behaviour. The neuronal bases of this phenomenon are poorly understood. We hypothesized that hormones, might affect the large-scale organization of the brain functional networks and that, in turn, such changes might have behavioural correlates in terms of the affective state. To test our hypothesis, we took advantage of magnetoencephalography to investigate brain topology in early follicular, ovulatory and luteal phases, in twenty-four naturally-cycling women without signs of anxiety and/or depression. We show that in the alpha band the betweenness centrality (BC) of the right posterior cingulate gyrus (PCG) during the ovulatory phase is increased and the rise is predicted by the levels of estradiol. We also demonstrate that the increase in the BC is related to improved subjective well-being that, in turn, is correlated to the estradiol levels. The increased topological centrality of the PCG during the ovulatory phase could have implications in reproductive psychology.

Abstract Two structurally connected brain regions are more likely to interact, with the lengths of the structural bundles, their widths, myelination, and the topology of the structural connectome influencing the timing of the interactions. We introduce an in vivo approach for measuring functional delays across the whole brain using magneto/electroencephalography and integrating them with the structural bundles. The resulting topochronic map of the functional delays/velocities shows that larger bundles have faster velocities. We estimated the topochronic map in multiple sclerosis patients, who have damaged myelin sheaths, and controls, demonstrating greater delays in patients across the network and that structurally lesioned tracks were slowed down more than unaffected ones. We provide a novel framework for estimating functional transmission delays in vivo at the single-subject and single-fiber level. One-Sentence Summary A non-invasive estimation of the individual deterministic spatio-temporal scaffold underlying the evolution of brain dynamics.

ABSTRACT The use of rhythmic acoustic stimulation (RAS) in improving gait and balance in healthy elderly subjects has been widely investigated. However, methodologies and results are often controversial. In this study, we hypothesize that both the kinematic features of gait and stability, depend on the frequency at which RAS is administered. Our aim was to observe, through 3D Gait Analysis, the effect of different types of RAS (at a fixed frequency or based on the average cadence of each subject) on both gait spatio-temporal parameters and stability. The latter was estimated through an innovative measure, the trunk displacement index (TDI) that we have recently implemented. We observed that the low frequencies RAS led to a general slowdown of gait, which did not provide any clear benefit and produced harmful effects on stability when the frequency became too low compared to the individual natural frequency. On the contrary, the high frequencies of RAS showed a slight acceleration of gait, accompanied by better stability (as documented by a lower TDI value), regardless of the type of RAS. Finally, the RAS equal to the individual natural cadence also produced an increase in stability.

Abstract The possibility to identify subjects from their brain activity was met enthusiastically, as it bears the possibility to individualize brain analyses. However, the nature of the processes generating subject-specific features remains unknown, as the literature does not point to specific mechanisms. In particular, most of the current literature uses techniques that are based on the assumption of stationarity (e.g. Pearson’s correlation), which do not hypothesize any mechanisms, and crashes against a large body of literature showing the complex, highly non-linear nature of brain activity. In this paper, we hypothesize that intermittent moments when large, non-linear perturbations spread across the brain (defined as neuronal avalanches in the context of critical dynamics) are the ones that carry subject-specific information, and that contribute the most to identifiability. To test this hypothesis, we apply the recently-developed avalanche transition matrix (ATM) to source reconstructed magnetoencephalographic data, as to characterize subject-speficic fast dynamics. Then, we perform identifiability analysis based on the ATMs, and compared the performance to more classical ways of estimating large-scale connections (which assume stationareity). We demonstrate that selecting the moments and places where neuronal avalanches spread improves identifiability (p<0.0001, permutation testing), despite the fact that most ot the data (i.e. the linear part) are discarded. Our results show that the non-linear part of the brain signals carries most of the subject-specific information, shading light on the nature of the processes that underlie subject-identifiability. Borrowing from statistical mechanics, a solid branch of physics, we provide a principled way to link emergent large-scale personalized activations to non-observable, microscopic processes.

Abstract BACKGROUND Parkinson’s disease (PD) is characterized by motor impairment, affecting quality of life and increasing fall risk, due to ineffective postural control. To this day, the diagnosis remains based on clinical approach. Similarly, motor evaluation is based on heterogeneous, operator-dependent observational criteria. A synthetic, replicable index to quantify motor impairment is still lacking. In this paper, we build upon the idea that the trunk is crucial in balance control. Hence, we have designed a new measure of postural stability which assesses the trunk displacement in relation to the center of mass, that we named trunk displacement index (TDI). METHODS Twenty-three PD patients and twenty-three healthy controls underwent clinical (UPDRS-III) and motor examination (3D gait analysis). The TDI was extracted from kinematic measurements using a stereophotogrammetric system. A correlation analysis was performed to assess the relationship of TDI with typical gait parameters, to verify its biomechanical value, and UPDRS-III, to observe its clinical relevance. Finally, its sensitivity was measured, comparing pre- and post-L-DOPA subclinical intake. RESULTS The TDI showed significant correlations with many gait parameters, including both velocity and stability characteristics of gait, and with the UPDRS-III. Finally, the TDI resulted capable in discriminating between off and on state in PD, whereas typical gait parameters failed two show any difference between those two conditions. CONCLUSIONS Our results suggest that the TDI may be considered a highly sensitive biomechanical index, reflecting the overall motor condition in PD, and provided of clinical relevance due to the correlation with the clinical evaluation.

Abstract Effective human movement requires the coordinated participation of the whole musculoskeletal system. Here we propose to represent the human body movements as a network (that we named “kinectome”), where nodes are body parts, and edges are defined as the correlations of the accelerations between each pair of body parts during gait. We apply this framework in healthy individuals and patients with Parkinson’s disease (PD). The network dynamics in Parkinson’s display high variability, as conveyed by the high variance and the modular structure in the patients’ kinectomes. Furthermore, our analysis identified a set of anatomical elements that are specifically related to the balance impairment in PD. Furthermore, each participant could be identified based on its kinectome patterns, akin to a “fingerprint” of movement, confirming that our approach captures relevant features of gait. We hope that applying network approaches to human kinematics yields new insights to characterize human movement.

Abstract Although the aetio‐pathogenesis of inflammatory bowel diseases (IBD) is not entirely clear, the interaction between genetic and adverse environmental factors may induce an intestinal dysbiosis, resulting in chronic inflammation having effects on the large‐scale brain network. Here, we hypothesized inflammation‐related changes in brain topology of IBD patients, regardless of the clinical form [ulcerative colitis (UC) or Crohn's disease (CD)]. To test this hypothesis, we analysed source‐reconstructed magnetoencephalography (MEG) signals in 25 IBD patients (15 males, 10 females; mean age ± SD, 42.28 ± 13.15; mean education ± SD, 14.36 ± 3.58) and 28 healthy controls (HC) (16 males, 12 females; mean age ± SD, 45.18 ± 12.26; mean education ± SD, 16.25 ± 2.59), evaluating the brain topology. The betweenness centrality (BC) of the left hippocampus was higher in patients as compared with controls, in the gamma frequency band. It indicates how much a brain region is involved in the flow of information through the brain network. Furthermore, the comparison among UC, CD and HC showed statistically significant differences between UC and HC and between CD and HC, but not between the two clinical forms. Our results demonstrated that these topological changes were not dependent on the specific clinical form, but due to the inflammatory process itself. Broader future studies involving panels of inflammatory factors and metabolomic analyses on biological samples could help to monitor the brain involvement in IBD and to clarify the clinical impact.

Abstract Objective Brain oscillations, broadband 1 /f activity and neuronal avalanches (NA) are valuable conceptualizations extensively used to interpret brain data, yet, these perspectives have mainly progressed in parallel with no current consensus on a rationale linking them. This study aims to reconcile these viewpoints using source-reconstructed MEG data obtained in healthy humans during eyes-closed resting state. Methods We analyzed NA in source-reconstructed MEG data from 47 subjects. For this, we introduced custom measures and a comprehensive array of features characterizing the statistical, spatiotemporal and spectral properties of NA. By using the complex baseband representation of signals we provide an analytical description of the mechanisms underlying the emergence of NA from the Fourier spectral constituents of the brain activity. Results The observed NA disclose a significant spectral signature in the alpha band, suggesting that the large-scale spreading of alpha bursts occurs mainly via brain avalanches. Besides, the NA detected in our MEG dataset can be segregated based on their spectral signature in two main groups having different propagation patterns, where cluster 2 avalanches is mainly related to the spread of narrowband alpha bursts across the brain network, whereas cluster 1 avalanches correspond to more spatially localized fluctuations promoted by the broadband 1 /f activity. We also provide an analytical framework for the evidence showing that a) spectral group delay consistency in specific narrow frequency bands, b) transient cross-regional coherent oscillations and c) broadband 1 /f activity, are all key ingredients for the emergence of realistic avalanches. Significance The proposed analytical arguments, supported by extensive model and experimental evidence, show how NA emerge from narrowband oscillations and broad-band arrhythmic activity co-existing in the human brain. Our results suggest that large-scale spreading of specific narrowband oscillations takes place in a transient manner mainly via NA, which may play a functional role as a long-range interaction mechanism in the resting human brain. Highlights Neuronal avalanches propagating across the brain during spontaneous resting state activity, are highly structured in terms of their spatial, temporal and spectral properties. The link between local above-threshold fluctuations and oscillations can be understood in terms of the group delay consistency across the spectral components of the neuronal activity (spectral group delay consistency). Spectral group delay consistency, transient cross-regional coherent oscillations and broadband 1 /f activity, are all key ingredients for the emergence of realistic avalanches. Observed neuronal avalanches can be segregated based on their spectral signature in two main groups having different propagation patterns, where cluster 2 avalanches is specifically related to the spread of narrowband alpha bursts across the brain network, whereas cluster 1 avalanches correspond to more spatially localized fluctuations promoted by the broadband 1 /f activity. Large-scale spreading of alpha bursts occurs mainly via brain avalanches, which may play a functional role as a long-range interaction mechanism in the resting human brain.