Abstract Successful surgical treatment of drug-resistant epilepsy traditionally relies on the identification of seizure onset zones (SOZs). Connectome-based analyses of electrographic data from stereo electroencephalography (SEEG) may empower improved detection of SOZs. Specifically, connectome-based analyses based on the interictal suppression hypothesis posit that when the patient is not having a seizure, SOZs are inhibited by non-SOZs through high inward connectivity and low outward connectivity. However, it is not clear whether there are other motifs that can better identify potential SOZs. Thus, we sought to use unsupervised machine learning to identify network motifs that elucidate SOZs and investigate if there is another motif that outperforms the ISH. Resting-state SEEG data from 81 patients with drug-resistant epilepsy undergoing a pre-surgical evaluation at Vanderbilt University Medical Center were collected. Directed connectivity matrices were computed using the alpha band (8–13 Hz). Principal component analysis (PCA) was performed on each patient’s connectivity matrix. Each patient’s components were analysed qualitatively to identify common patterns across patients. A quantitative definition was then used to identify the component that most closely matched the observed pattern in each patient. A motif characteristic of the interictal suppression hypothesis (high-inward and low-outward connectivity) was present in all individuals and found to be the most robust motif for identification of SOZs in 64/81 (79%) patients. This principal component demonstrated significant differences in SOZs compared to non-SOZs. While other motifs for identifying SOZs were present in other patients, they differed for each patient, suggesting that seizure networks are patient specific, but the ISH is present in nearly all networks. We discovered that a potentially suppressive motif based on the interictal suppression hypothesis was present in all patients, and it was the most robust motif for SOZs in 79% of patients. Each patient had additional motifs that further characterized SOZs, but these motifs were not common across all patients. This work has the potential to augment clinical identification of SOZs to improve epilepsy treatment.

Abstract Aging and some dementias feature parallel declines in the basal forebrain and cognitive capacity. Here, we tested the potential of one-hour daily intermittent basal forebrain stimulation to restore cognitive performance in aged male and female monkeys. Stimulation improved working memory in weeks, with performance remaining above study entry through the 15 month duration of the intervention. Effects persisted for at least 12 weeks after stimulation ceased. Parallel studies with a cholinesterase inhibitor did not produce lasting improvements in behavior. Brain stimulation led to immediate increases in tissue plasminogen activator levels in cerebrospinal fluid, and long-term increases in PET measures of glucose utilization. Intermittent basal forebrain stimulation thus triggers key components of neurotrophic signaling and leads to improved brain metabolism and better performance in working memory in senescent monkeys.

Risk taking behavior is a symptom of multiple neuropsychiatric disorders and often lacks effective treatments. Reward circuitry regions including the amygdala, orbitofrontal cortex, insula, and anterior cingulate have been implicated in risk-taking by neuroimaging studies. Electrophysiological activity associated with risk taking in these regions is not well understood in humans. Further characterizing the neural signalling that underlies risk-taking may provide therapeutic insight into disorders associated with risk-taking. Eleven patients with pharmacoresistant epilepsy who underwent stereotactic electroencephalography with electrodes in the amygdala, orbitofrontal cortex, insula, and/or anterior cingulate participated. Patients participated in a gambling task where they wagered on a visible playing card being higher than a hidden card, betting $5 or $20 on this outcome, while local field potentials were recorded from implanted electrodes. We used cluster-based permutation testing to identify reward prediction error signals by comparing oscillatory power following unexpected and expected rewards. We also used cluster-based permutation testing to compare power preceding high and low bets in high-risk (<50% chance of winning) trials and two-way ANOVA with bet and risk level to identify signals associated with risky, risk averse, and optimized decisions. We used linear mixed effects models to evaluate the relationship between reward prediction error and risky decision signals across trials, and a linear regression model for associations between risky decision signal power and Barratt Impulsiveness Scale scores for each patient. Reward prediction error signals were identified in the amygdala (p=0.0066), anterior cingulate (p=0.0092), and orbitofrontal cortex (p=6.0E-4, p=4.0E-4). Risky decisions were predicted by increased oscillatory power in high-gamma frequency range during card presentation in the orbitofrontal cortex (p=0.0022), and by increased power following bet cue presentation across the theta-to-beta range in the orbitofrontal cortex (

ABSTRACT The progress of developing an effective closed-loop neuromodulation system for many neurological pathologies is hindered by the difficulties in accurately capturing a useful representation of a brain’s instantaneous functional state. Existing approaches rely on expert labeling of electroencephalography data to develop biomarkers of neurophysiological pathology. These techniques do not capture the highly complex functional states of the brain that are presumed to exist between labeled states or allow for the likely possibility of variation among identically labeled states. Thus, we propose BrainState, a self-supervised technique to model an arbitrarily complex instantaneous functional state of a brain using neural multivariate timeseries data. Application of BrainState to intracranial electroencephalography data from patients with epilepsy was able to capture diverse pre-seizure states and quantify nuanced effects of neuromodulation. We anticipate that BrainState will enable the development of sophisticated closed-loop neuromodulation systems for a diverse array of neurological pathologies.

Background and Objectives: While historically cortico-basal ganglia-thalamocortical loops were believed to process limbic and sensorimotor data in parallel, there is now evidence to suggest that the two information streams can be processed in a single open loop. However, the limbic-motor interface remains insufficiently characterized. We sought to further investigate how extrastriatal regions may regulate motor output by examining electrophysiological activity in these areas during a response inhibition paradigm. Methods: We recorded local field potentials (LFPs) from epilepsy patients implanted with intracranial depth electrodes for seizure localization purposes. Participants performed the stop-signal task, during which they made speeded choice reactions to go stimuli and occasionally inhibited their reactions in the incident of a stop signal. To compare power during movement and the absence of movement, we applied a Wilcoxon signed-rank test. Additionally, we performed a linear mixed-effects model to relate power in limbic regions to power in the motor cortex. Finally, we implemented exploratory analyses to identify power differences for correct go versus correct stop trials and for correct stop versus incorrect stop trials using cluster-based permutation testing. Results: 14 patients participated. A comparison between movement and baseline fixation revealed that motor response is associated with reduced beta (15-35 Hz) power in the amygdala, hippocampus, and motor cortex and reduced gamma (35-100 Hz) power in the amygdala and hippocampus. Moreover, average beta and gamma power in the amygdala and hippocampus during motor execution were positively associated with average beta and gamma power in the motor cortex. Additionally, we identified significant differences between correct go and stop trials in delta (1-4 Hz) power for all three regions and in theta (4-8 Hz) power for the amygdala and motor cortex. Likewise, we identified significant differences between correct and incorrect stop trials in delta power for the hippocampus and motor cortex, in theta power for the motor cortex, in alpha (8-15 Hz) and beta power for the amygdala and motor cortex, and in gamma power for all three areas. Discussion: These correlations between neural oscillations in the hippocampus and amygdala and movement strengthen the notion of mesolimbic modulation of motor activity.

Abstract In drug resistant temporal lobe epilepsy, automated tools for seizure onset zone (SOZ) localization using brief interictal recordings would supplement presurgical evaluations and improve care. Thus, we sought to localize SOZs by training a multi-channel convolutional neural network on stereo-EEG (SEEG) cortico-cortical evoked potentials. We performed single pulse electrical stimulation with 10 drug resistant temporal lobe epilepsy patients implanted with SEEG. Using the 500,000 unique post-stimulation SEEG epochs, we trained a multi-channel one-dimensional convolutional neural network to determine whether an SOZ was stimulated. SOZs were classified with a mean leave-one-patient-out testing sensitivity of 78.1% and specificity of 74.6%. To achieve maximum accuracy, the model requires a 0-350 ms post stimulation time period. Post-hoc analysis revealed that the model accurately classified unilateral vs bilateral mesial temporal lobe seizure onset, and neocortical SOZs. This is the first demonstration, to our knowledge, that a deep learning framework can be used to accurately classify SOZs using cortico-cortical evoked potentials. Our findings suggest accurate classification of SOZs relies on a complex temporal evolution of evoked potentials within 350 ms of stimulation. Validation in a larger dataset could provide a practical clinical tool for the presurgical evaluation of drug resistant epilepsy.

Abstract Periventricular nodular heterotopia (PVNH) is a well-defined developmental disorder characterized by failed neuronal migration, which forms ectopic neuronal nodules along the ventricular walls. Previous studies mainly focus on clinical symptoms caused by the PVNH tissue, such as seizures. However, little is known about whether and how neurons in the PVNH tissue functionally communicate with neurons in the neocortex. To probe this, we applied magnetoencephalography (MEG) and stereo-electroencephalography (sEEG) recordings to patients with PVNH during resting and task states. By estimating frequency-resolved phase coupling strength of the source-reconstructed neural activities, we found that the PVNH tissue was spontaneously coupled with the neocortex in the α to β frequency range, which was consistent with the synchronization pattern within the neocortical network. Furthermore, the coupling strength between PVNH and sensory areas effectively modulated the local neural activity in sensory areas. In both MEG and sEEG visual experiments, the PVNH tissue exhibited visual evoked responses, with a similar pattern and latency as the ipsilateral visual cortex. These findings demonstrate that PVNH is functionally integrated into cognition-related cortical circuits, suggesting a co-development perspective of ectopic neurons after their migration failure.

Abstract Why are people with focal epilepsy not constantly seizing? Previous molecular work has implicated gamma-aminobutyric acid balance as integral to seizure generation and termination, but is the high-level distributed brain network involved in suppressing seizures? Recent intracranial electrographic evidence has suggested that seizure onset zones have an increased inward connectivity. Accordingly, we hypothesize that seizure onset zones are actively suppressed by the rest of the brain network during interictal states. We tested this hypothesis on 81 subjects with drug resistant focal epilepsy undergoing presurgical evaluation. We utilized intracranial electrographic resting-state and neurostimulation recordings to evaluate the network connectivity of seizure onset, propagative, and non-involved regions. We then utilized diffusion imaging to acquire estimates of white matter connectivity to evaluate structure-function coupling effects on connectivity findings. Finally, using our observations, we generated a resting-state classification model to assist clinicians in detecting seizure onset and propagative zones without the need for multiple ictal recordings. Our findings indicate that seizure onset and propagative zones demonstrate markedly increased inward connectivity and decreased outward connectivity on both resting-state and neurostimulation analyses. When controlling for distance between regions, the difference between inward vs. outward connectivity remained stable up to 80 mm between brain connections. Structure-function coupling analyses revealed that seizure onset zones exhibit abnormally enhanced coupling (hypercoupling) of surrounding regions compared to presumably healthy tissue. Using these observations, our classification models achieved a maximum held-out testing set accuracy of 92.0±2.2%. These results indicate that seizure onset zones are actively segregated and suppressed by a widespread brain network. Furthermore, this electrographically observed functional suppression is disproportionate to any observed structural connectivity alterations of the seizure onset zones. These findings have implications for the identification of seizure onset zones using only brief resting-sate recordings to reduce patient morbidity and augment the presurgical evaluation of drug resistant epilepsy. Furthermore, testing of the interictal suppression hypothesis can provide insight into potential new resective, ablative, and neuromodulation approaches to improve surgical success rates in those suffering from drug resistant focal epilepsy.

Abstract The nucleus basalis of Meynert (NBM) is a key subcortical structure that is important in arousal, cognition, brain network modulation, and has been explored as a deep brain stimulation target. It has also been implicated in several disease states, including Alzheimer’s disease, Parkinson’s disease, and temporal lobe epilepsy (TLE). Given the small size of NBM and variability between patients, NBM is difficult to study; thus, accurate, patient-specific segmentation is needed. We investigated whether a deep learning network could produce accurate, patient-specific segmentations of NBM on commonly utilized 3T MRI. It is difficult to accurately segment NBM on 3T MRI, with 7T being preferred. Paired 3T and 7T MRI datasets of 21 healthy subjects were obtained, with 6 completely withheld for testing. NBM was expertly segmented on 7T MRI, providing accurate labels for the paired 3T MRI. An external dataset of 14 patients with TLE was used to test the model on brains with neurological disorders. A 3D-Unet convolutional neural network was constructed, and a 5-fold cross-validation was performed. The model was evaluated on healthy subjects using the held-out test dataset and the external dataset of TLE patients. The model demonstrated significantly improved dice coefficient over the standard probabilistic atlas for both healthy subjects (0.68MEAN±0.08SD vs. 0.47±0.06, p=0.0089, t-test) and TLE patients (0.63±0.08 vs. 0.38±0.19, p=0.0001). Additionally, the centroid distance was significantly decreased when using the model in patients with TLE (1.22±0.33mm, 3.25±2.57mm, p=0.0110). We developed the first model, to our knowledge, for automatic and accurate patient-specific segmentation of the NBM.

Oscillatory activity is thought to be a marker of cognitive processes, although its role and distribution across the brain during working memory has been a matter of debate. To understand how oscillatory activity differentiates tasks and brain areas in humans, we recorded local field potentials (LFPs) in 12 adults as they performed visual-spatial and shape-matching memory tasks. Tasks were designed to engage working memory processes at a range of delay intervals between stimulus delivery and response initiation. LFPs were recorded using intracranial depth electrodes implanted to localize seizures for management of intractable epilepsy. Task-related LFP power analyses revealed an extensive network of cortical regions that were activated during the presentation of visual stimuli and during their maintenance in working memory, including occipital, parietal, temporal, insular, and prefrontal cortical areas, and subcortical structures including the amygdala and hippocampus. Across most brain areas, the appearance of a stimulus produced broadband power increase, while gamma power was evident during the delay interval of the working memory task. Notable differences between areas included that occipital cortex was characterized by elevated power in the high gamma (100-150 Hz) range during the 500 ms of visual stimulus presentation, which was less pronounced or absent in other areas. A decrease in power centered in beta frequency (16-40 Hz) was also observed after the stimulus presentation, whose magnitude differed across areas. These results reveal the interplay of oscillatory activity across a broad network, and region-specific signatures of oscillatory processes associated with visual working memory.