Neural oscillations are ubiquitous across recording methodologies and species, broadly associated with cognitive tasks, and amenable to computational modelling that investigates neural circuit generating mechanisms and neural population dynamics. Because of this, neural oscillations offer an exciting potential opportunity for linking theory, physiology and mechanisms of cognition. However, despite their prevalence, there are many concerns-new and old-about how our analysis assumptions are violated by known properties of field potential data. For investigations of neural oscillations to be properly interpreted, and ultimately developed into mechanistic theories, it is necessary to carefully consider the underlying assumptions of the methods we employ. Here, we discuss seven methodological considerations for analysing neural oscillations. The considerations are to (1) verify the presence of oscillations, as they may be absent; (2) validate oscillation band definitions, to address variable peak frequencies; (3) account for concurrent non-oscillatory aperiodic activity, which might otherwise confound measures; measure and account for (4) temporal variability and (5) waveform shape of neural oscillations, which are often bursty and/or nonsinusoidal, potentially leading to spurious results; (6) separate spatially overlapping rhythms, which may interfere with each other; and (7) consider the required signal-to-noise ratio for obtaining reliable estimates. For each topic, we provide relevant examples, demonstrate potential errors of interpretation, and offer suggestions to address these issues. We primarily focus on univariate measures, such as power and phase estimates, though we discuss how these issues can propagate to multivariate measures. These considerations and recommendations offer a helpful guide for measuring and interpreting neural oscillations.

Abstract Neuronal oscillations emerge in early human development. These periodic oscillations are thought to rapidly change in infancy and stabilize during maturity. Given their numerous connections to physiological and cognitive processes, as well as their pathological divergence, understanding the trajectory of oscillatory development is important for understanding healthy human brain development. This understanding is complicated by recent evidence that assessment of periodic neuronal oscillations is confounded by aperiodic neuronal activity, which is an inherent feature of electrophysiological neuronal recordings. Recent cross-sectional evidence shows that this aperiodic signal progressively shifts from childhood through early adulthood, and from early adulthood into later life. None of these studies, however, have been performed in infants, nor have they been examined longitudinally. Here, we analyzed non-invasive EEG data from 22 typically developing infants, across multiple time points, ranging between 38 and 203 days old. We show that the progressive flattening of the EEG power spectrum begins in very early development, continuing through the first several months of life. These results highlight the importance of separating the periodic and aperiodic neuronal signals, because the aperiodic signal can bias measurement of neuronal oscillations. Given the infrequent, bursting nature of oscillations in infants, we recommend the use of quantitative time domain approaches that isolate bursts and uncover changes in waveform properties of oscillatory bursts.

Abstract Electrical recordings of human brain activity via electroencephalography (EEG) show prominent, rhythmic voltage fluctuations. These periodic oscillations have been linked to nearly every cognitive and perceptual process, as well numerous disease states. Recent methodological and theoretical advances, however, have given rise to evidence for a functional role for non-oscillatory, aperiodic neural activity. Physiologically, this aperiodic activity has been linked to the relative contributions of neuronal excitatory and inhibitory signaling. Most importantly, however, traditional data analysis methods often conflate oscillations and aperiodic activity, masking the potentially separate roles these processes play in perception, cognition, and disease. Here we present a reanalysis of intracranial human EEG recordings from Fellner et al., 2019, using new methods for separately parameterizing oscillations and aperiodic activity in a time-resolved manner. We find that human memory encoding is not related to just oscillations or aperiodic activity, but rather that both processes are rapidly co-modulated during memory encoding. These results provide strong evidence for event-related dynamics of aperiodic and oscillatory activity in human memory, paving the way for future investigations into the unique functional roles of these two independent, but linked, processes in human cognition.

Abstract Analyzing non-invasive recordings of electroencephalography (EEG) and magnetoencephalography (MEG) directly in sensor space, using the signal from individual sensors, is a convenient and standard way of working with this type of data. However, volume conduction introduces considerable challenges for sensor space analysis. While the general idea of signal mixing due to volume conduction in EEG/MEG is recognized, the implications have not yet been clearly exemplified. Here, we illustrate how different types of activity overlap on the level of individual sensors. We show spatial mixing in the context of alpha rhythms, which are known to have generators in different areas of the brain. Using simulations with a realistic 3D head model and lead field and data analysis of a large resting-state EEG dataset, we show that electrode signals can be differentially affected by spatial mixing by computing a sensor complexity measure. While prominent occipital alpha rhythms result in less heterogeneous spatial mixing on posterior electrodes, central electrodes show a diversity of rhythms present. This makes the individual contributions, such as the sensorimotor mu-rhythm and temporal alpha rhythms, hard to disentangle from the dominant occipital alpha. Additionally, we show how strong occipital rhythms rhythms can contribute the majority of activity to frontal channels, potentially compromising analyses that are solely conducted in sensor space. We also outline specific consequences of signal mixing for frequently used assessment of power, power ratios and connectivity profiles in basic research and for neurofeedback application. With this work, we hope to illustrate the effects of volume conduction in a concrete way, such that the provided practical illustrations may be of use to EEG researchers to in order to evaluate whether sensor space is an appropriate choice for their topic of investigation.

Abstract Neural oscillations are associated with diverse computations in the mammalian brain. The waveform shape of oscillatory activity measured in cortex relates to local physiology, and can be informative about aberrant or dynamically changing states. However, how waveform shape differs across distant yet functionally and anatomically related cortical regions is largely unknown. In this study, we capitalize on simultaneous recordings of local field potentials (LFPs) in the auditory and frontal cortices of awake, male Carollia perspicillata bats to examine, on a cycle-by-cycle basis, waveform shape differences across cortical regions. We find that waveform shape differs markedly in the fronto-auditory circuit even for temporally correlated rhythmic activity in comparable frequency ranges (i.e. in the delta and gamma bands) during spontaneous activity. In addition, we report consistent differences between areas in the variability of waveform shape across individual cycles. A conceptual model predicts higher spike-spike and spike-LFP correlations in regions with more asymmetric shape, a phenomenon that was observed in the data: spike-spike and spike-LFP correlations were higher in frontal cortex. The model suggests a relationship between waveform shape differences and differences in spike correlations across cortical areas. Altogether, these results indicate that oscillatory activity in frontal and auditory cortex possess distinct dynamics related to the anatomical and functional diversity of the fronto-auditory circuit. Significance statement The brain activity of many animals displays intricate oscillations, which are usually characterized in terms of their frequency and amplitude. Here, we study oscillations from the bat frontal and auditory cortices on a cycle-by-cycle basis, additionally focusing on their characteristic waveform shape. The study reveals clear differences across regions in waveform shape and oscillatory regularity, even when the frequency of the oscillations is similar. A conceptual model predicts that more asymmetric waveforms result from stronger correlations between neural spikes and electrical field activity. Such predictions were supported by the data. The findings shed light onto the unique properties of different cortical areas, providing key insights into the distinctive physiology and functional diversity within the fronto-auditory circuit.

Abstract In invasive electrophysiological recordings, a variety of neuronal oscillations can be detected across the cortex, with overlap in space and time. This overlap complicates measurement of neuronal oscillations using standard referencing schemes, like common average or bipolar referencing. Here, we illustrate the effects of spatial mixing on measuring neuronal oscillations in invasive electrophysiological recordings and demonstrate the benefits of using data-driven referencing schemes in order to improve measurement of neuronal oscillations. We discuss referencing as the application of a spatial filter. Spatio-spectral decomposition is used to estimate data-driven spatial filters, a computationally fast method which specifically enhances signal-to-noise ratio for oscillations in a frequency band of interest. We show that application of these data-driven spatial filters has benefits for data exploration, investigation of temporal dynamics and assessment of peak frequencies of neuronal oscillations. We demonstrate multiple use cases, exploring between-participant variability in presence of oscillations, spatial spread and waveform shape of different rhythms as well as narrowband noise removal with the aid of spatial filters. We find high between-participant variability in the presence of neural oscillations, a large variation in spatial spread of individual rhythms and many non-sinusoidal rhythms across the cortex. Improved measurement of cortical rhythms will yield better conditions for establishing links between cortical activity and behavior, as well as bridging scales between the invasive intracranial measurements and noninvasive macroscale scalp measurements.

Ongoing brain activity has been implicated in the modulation of cortical excitability. The combination of electroencephalography (EEG) and transcranial magnetic stimulation (TMS) in a real-time triggered setup is a novel method for testing hypotheses about the relationship between spontaneous neuronal oscillations, cortical excitability, and synaptic plasticity. For this method, a reliable real-time extraction of the neuronal signal of interest from scalp EEG with high signal-to-noise ratio (SNR) is of crucial importance. Here we compare individually tailored spatial filters as computed by spatial-spectral decomposition (SSD), which maximizes SNR in a frequency band of interest, against established local C3-centered Laplacian filters for the extraction of the sensorimotor μ-rhythm. Single-pulse TMS over the left primary motor cortex was synchronized with the surface positive or negative peak of the respective extracted signal, and motor evoked potentials (MEP) were recorded with electromyography (EMG) of a contralateral hand muscle. Both extraction methods led to a comparable degree of MEP amplitude modulation by phase of the sensorimotor μ-rhythm at the time of stimulation. This could be relevant for targeting other brain regions with no working benchmark such as the local C3-centered Laplacian filter, as sufficient SNR is an important prerequisite for reliable real-time single-trial detection of EEG features.

Background: Responses to transcranial magnetic stimulation (TMS) are notoriously variable. Previous studies have observed a dependence of TMS-induced responses on ongoing brain activity, for instance sensorimotor rhythms. This suggests an opportunity for the development of more effective stimulation protocols through closed-loop TMS-EEG. However, it is not yet clear how features of ongoing activity affect the responses of cortical circuits to TMS. Objective: Here we investigate the dependence of TMS-responses on power and phase of ongoing oscillatory activity in a computational model of TMS-induced I-waves. Methods: The model comprises populations of cortical layer 2/3 (L2/3) neurons and a population of cortical layer 5 (L5) neurons and generates I-waves in response to TMS. Oscillatory input to the L2/3 neurons induces rhythmic fluctuations in activity of L5 neurons. TMS pulses are simulated at different phases and amplitudes of the ongoing rhythm. Results: The model shows a robust dependence of I-wave properties on phase and power of ongoing rhythms, with the strongest response occurring for TMS at maximal L5 depolarization. The amount of phase-modulation depends on stimulation intensity, with stronger modulation for lower intensity. Conclusion: The model predicts that responses to TMS are highly variable for low stimulation intensities if ongoing brain rhythms are not taken into account. Closed-loop TMS-EEG holds promise for obtaining more reliable TMS effects.

Neuronal oscillations are ubiquitous in the human brain and are implicated in virtually all brain functions. Often they are referred to by their frequency content, i.e., alpha-, beta-, gamma-oscillations. Although they indeed can be described by a prominent peak in the power spectrum, their waveform is not necessarily sinusoidal and shows a rather complex morphology which needs to be captured with multiple spectral harmonics. Both frequency and temporal descriptions of such non-sinusoidal neuronal oscillations can be utilized. However, in non-invasive EEG/MEG recordings the waveform of oscillations often takes a sinusoidal shape which in turn leads to a rather oversimplified view on oscillatory processes. In this study, we show in simulations how spatial synchronization can mask non-sinusoidal features of the underlying rhythmic neuronal processes. Consequently, the degree of non-sinusoidality can serve as a measure of spatial synchronization. To confirm this empirically, we show that a mixture of EEG components is indeed associated with more sinusoidal oscillations compared to the waveform of oscillations in each constituent component. Using simulations, we also show that the spatial mixing of the non-sinusoidal neuronal signals strongly affects the amplitude ratio of the spectral harmonics constituting the waveform. This in turn has high relevance for the interpretation of the relative strength of spectral peaks, which is commonly used for inferring neuronal signatures corresponding to specific behavioral states. Moreover, our simulations show how spatial mixing can affect the strength and even the direction of the amplitude coupling between constituent neuronal harmonics. Consistently with these simulations, we also demonstrate these effects in real EEG recordings. Our findings have far reaching implications for the neurophysiological interpretation of neuronal oscillations and cross-frequency interactions, as well as for the unequivocal determination of oscillatory phase.

Background: Corticospinal excitability depends on the current brain state. The recent development of real-time EEG-triggered transcranial magnetic stimulation (EEG-TMS) allows studying this relationship in a causal fashion. Specifically, it has been shown that corticospinal excitability is higher during the scalp surface negative EEG peak compared to the positive peak of μ-oscillations in sensorimotor cortex, as indexed by larger motor evoked potentials (MEPs) for fixed stimulation intensity. Objective: We further characterize the effect of μ-rhythm phase on the MEP input-output (IO) curve by measuring the degree of excitability modulation across a range of stimulation intensities. We furthermore seek to optimize stimulation parameters to enable discrimination of functionally relevant EEG-defined brain states. Methods: A real-time EEG-TMS system was used to trigger MEPs during instantaneous brain-states corresponding to μ-rhythm surface positive and negative peaks with five different stimulation intensities covering an individually calibrated MEP IO curve in 15 healthy participants. Results: MEP amplitude is modulated by μ-phase across a wide range of stimulation intensities, with larger MEPs at the surface negative peak. The largest relative MEP-modulation was observed for weak intensities, the largest absolute MEP-modulation for intermediate intensities. These results indicate a leftward shift of the MEP IO curve during the μ-rhythm negative peak. Conclusion: The choice of stimulation intensity influences the observed degree of corticospinal excitability modulation by μ-phase. Lower stimulation intensities enable more efficient differentiation of EEG μ-phase-defined brain states.