Global signal regression (GSR) is one of the most debated preprocessing strategies for resting-state functional MRI. GSR effectively removes global artifacts driven by motion and respiration, but also discards globally distributed neural information and introduces negative correlations between certain brain regions. The vast majority of previous studies have focused on the effectiveness of GSR in removing imaging artifacts, as well as its potential biases. Given the growing interest in functional connectivity fingerprinting, here we considered the utilitarian question of whether GSR strengthens or weakens associations between resting-state functional connectivity (RSFC) and multiple behavioral measures across cognition, personality and emotion. By applying the variance component model to the Brain Genomics Superstruct Project (GSP), we found that behavioral variance explained by whole-brain RSFC increased by an average of 47% across 23 behavioral measures after GSR. In the Human Connectome Project (HCP), we found that behavioral variance explained by whole-brain RSFC increased by an average of 40% across 58 behavioral measures, when GSR was applied after ICA-FIX de-noising. To ensure generalizability, we repeated our analyses using kernel regression. GSR improved behavioral prediction accuracies by an average of 64% and 12% in the GSP and HCP datasets respectively. Importantly, the results were consistent across methods. A behavioral measure with greater RSFC-explained variance (using the variance component model) also exhibited greater prediction accuracy (using kernel regression). A behavioral measure with greater improvement in behavioral variance explained after GSR (using the variance component model) also enjoyed greater improvement in prediction accuracy after GSR (using kernel regression). Furthermore, GSR appeared to benefit task performance measures more than self-reported measures. Since GSR was more effective at removing motion-related and respiratory-related artifacts, GSR-related increases in variance explained and prediction accuracies were unlikely the result of motion-related or respiratory-related artifacts. However, it is worth emphasizing that the current study focused on whole-brain RSFC, so it remains unclear whether GSR improves RSFC-behavioral associations for specific connections or networks. Overall, our results suggest that at least in the case for young healthy adults, GSR strengthens the associations between RSFC and most (although not all) behavioral measures. Code for the variance component model and ridge regression can be found here: https://github.com/ThomasYeoLab/CBIG/tree/master/stable_projects/preprocessing/Li2019_GSR.

Abstract There is significant interest in using neuroimaging data to predict behavior. The predictive models are often interpreted by the computation of feature importance, which quantifies the predictive relevance of an imaging feature. Tian and Zalesky (2021) suggest that feature importance estimates exhibit low split-half reliability, as well as a trade-off between prediction accuracy and feature importance reliability across parcellation resolutions. However, it is unclear whether the trade-off between prediction accuracy and feature importance reliability is universal. Here, we demonstrate that, with a sufficient sample size, feature importance (operationalized as Haufe-transformed weights) can achieve fair to excellent split-half reliability. With a sample size of 2600 participants, Haufe-transformed weights achieve average intra-class correlation coefficients of 0.75, 0.57 and 0.53 for cognitive, personality and mental health measures respectively. Haufe-transformed weights are much more reliable than original regression weights and univariate FC-behavior correlations. Original regression weights are not reliable even with 2600 participants. Intriguingly, feature importance reliability is strongly positively correlated with prediction accuracy across phenotypes. Within a particular behavioral domain, there is no clear relationship between prediction performance and feature importance reliability across regression models. Furthermore, we show mathematically that feature importance reliability is necessary, but not sufficient, for low feature importance error. In the case of linear models, lower feature importance error is mathematically related to lower prediction error. Therefore, higher feature importance reliability might yield lower feature importance error and higher prediction accuracy. Finally, we discuss how our theoretical results relate with the reliability of imaging features and behavioral measures. Overall, the current study provides empirical and theoretical insights into the relationship between prediction accuracy and feature importance reliability.

Background: There is considerable interest in a dimensional transdiagnostic approach to psychiatry. Most transdiagnostic studies have derived factors based only on clinical symptoms, which might miss possible links between psychopathology, cognitive processes and personality traits. Furthermore, many psychiatric studies focus on higher-order association brain networks, thus neglecting the potential influence of huge swaths of the brain. Methods: A multivariate data-driven approach (partial least squares; PLS) was utilized to identify latent components linking a large set of clinical, cognitive and personality measures to whole-brain resting-state functional connectivity (RSFC) patterns across 224 participants. The participants were either healthy (N=110) or diagnosed with bipolar disorder (N=40), attention-deficit/hyperactivity disorder (N=37), schizophrenia (N=29) or schizoaffective disorder (N=8). In contrast to traditional case-control analyses, the diagnostic categories were not utilized in the PLS analysis, but were helpful for interpreting the components. Results: Our analyses revealed three latent components corresponding to general psychopathology, cognitive dysfunction and impulsivity. Each component was associated with a unique whole-brain RSFC signature and shared across all participants. The components were robust across multiple control analyses and replicated using independent task functional magnetic resonance imaging data from the same participants. Strikingly, all three components featured connectivity alterations within the somatosensory-motor network, and its connectivity with subcortical structures and cortical executive networks. Conclusions: We identified three distinct dimensions with dissociable (but overlapping) whole-brain RSFC signatures across healthy individuals and individuals with psychiatric illness, providing potential intermediate phenotypes that span across diagnostic categories. Our results suggest expanding the focus of psychiatric neuroscience beyond higher-order brain networks.

Sleep is essential for optimal functioning and health. Interconnected to multiple biological, psychological and socio-environmental factors (i.e., biopsychosocial factors), the multidimensional nature of sleep is rarely capitalized on in research. Here, we deployed a data-driven approach to identify sleep-biopsychosocial profiles that linked self-reported sleep patterns to inter-individual variability in health, cognition, and lifestyle factors in 770 healthy young adults. We uncovered five profiles, including two profiles reflecting general psychopathology associated with either reports of general poor sleep or an absence of sleep complaints (i.e., sleep resilience) respectively. The three other profiles were driven by sedative-hypnotics-use and social satisfaction, sleep duration and cognitive performance, and sleep disturbance linked to cognition and mental health. Furthermore, identified sleep-biopsychosocial profiles displayed unique patterns of brain network organization. In particular, somatomotor network connectivity alterations were involved in the relationships between sleep and biopsychosocial factors. These profiles can potentially untangle the interplay between individuals' variability in sleep, health, cognition and lifestyle - equipping research and clinical settings to better support individual's well-being.

There is significant interest in using resting-state functional connectivity (RSFC) to predict human behavior. Good behavioral prediction should in theory require RSFC to be sufficiently distinct across participants; if RSFC were the same across participants, then behavioral prediction would obviously be poor. Therefore, we hypothesize that removing common resting-state functional magnetic resonance imaging (rs-fMRI) signals that are shared across participants would improve behavioral prediction. Here, we considered 803 participants from the human connectome project (HCP) with four rs-fMRI runs. We applied the common and orthogonal basis extraction (COBE) technique to decompose each HCP run into two subspaces: a common (group-level) subspace shared across all participants and a subject-specific subspace. We found that the first common COBE component of the first HCP run was localized to the visual cortex and was unique to the run. On the other hand, the second common COBE component of the first HCP run and the first common COBE component of the remaining HCP runs were highly similar and localized to regions within the default network, including the posterior cingulate cortex and precuneus. Overall, this suggests the presence of run-specific (state-specific) effects that were shared across participants. By removing the first and second common COBE components from the first HCP run, and the first common COBE component from the remaining HCP runs, the resulting RSFC improves behavioral prediction by an average of 11.7% across 58 behavioral measures spanning cognition, emotion and personality.

The brain exhibits substantial diurnal variation in physiology and function but neuroscience studies rarely report or consider the effects of time of day. Here, we examined variation in resting-state fMRI in around 900 subjects scanned between 8am to 10pm on two different days. Multiple studies across animals and humans have demonstrated that the brain's global signal amplitude (henceforth referred to as "fluctuation") increases with decreased arousal. Thus, in accord with known circadian variation in arousal, we hypothesised that global signal fluctuation would be lowest in the morning, increase in the mid-afternoon and dip in the early evening. Instead, we observed a cumulative decrease (22% between 9am to 9pm) in global signal fluctuation as the day progressed. To put the magnitude of this decrease in context, we note that task-evoked fMRI responses are typically in the order of 1% to 3%. Respiratory variation also decreased with time of day, although control analyses suggested that this did not account for the reduction in GS fluctuation. Finally, time of day was associated with marked decreases in resting state functional connectivity across the whole brain. The magnitude of decrease was significantly stronger than associations between functional connectivity and behaviour (e.g. fluid intelligence). These findings reveal unexpected effects of time of day on the resting human brain, which challenge the prevailing notion that the brain's global signal reflects mostly arousal and physiological artefacts. We conclude by discussing potential mechanisms for the observed diurnal variation in resting brain activity and the importance of accounting for time of day in future studies.

The results of most neuroimaging studies are reported in volumetric (e.g., MNI152) or surface (e.g., fsaverage) coordinate systems. Accurate mappings between volumetric and surface coordinate systems can facilitate many applications, such as projecting fMRI group analyses from MNI152/Colin27 to fsaverage for visualization, or projecting resting-state fMRI parcellations from fsaverage to MNI152/Colin27 for volumetric analysis of new data. However, there has been surprisingly little research on this topic. Here, we evaluated three approaches for mapping data between MNI152/Colin27 and fsaverage coordinate systems by simulating the above applications: projection of group-average data from MNI152/Colin27 to fsaverage and projection of fsaverage parcellations to MNI152/Colin27. Two of the approaches are currently widely used. A third approach (registration fusion) was previously proposed, but not widely adopted. Two implementations of the registration fusion (RF) approach were considered, with one implementation utilizing the Advanced Normalization Tools (ANTs). We found that RF-ANTs performed the best for mapping between fsaverage and MNI152/Colin27, even for new subjects registered to MNI152/Colin27 using a different software tool (FSL FNIRT). This suggests that RF-ANTs would be useful even for researchers not using ANTs. Finally, it is worth emphasizing that the most optimal approach for mapping data to a coordinate system (e.g., fsaverage) is to register individual subjects directly to the coordinate system, rather than via another coordinate system. Only in scenarios where the optimal approach is not possible (e.g., mapping previously published results from MNI152 to fsaverage), should the approaches evaluated in this manuscript be considered. In these scenarios, we recommend RF-ANTs (https://github.com/ThomasYeoLab/CBIG/tree/master/stable_projects/registration/Wu 2017_RegistrationFusion).