Electrical activity recorded on the scalp using electroencephalography (EEG) results from the mixing of signals originating from different regions of the brain as well as from artefactual sources. In order to investigate the role of distinct brain areas in a given experiment, the signal recorded on the sensors is typically projected back into the brain (source reconstruction) using algorithms that address the so-called EEG inverse problem. Once that the activity of sources located inside of the brain has been reconstructed, it is often desirable to study the statistical dependencies among them, in particular to quantify directional dynamical interactions between brain areas. Unfortunately, even when performing source reconstruction, the superposition of signals that is due to the propagation of activity from sources to sensors cannot be completely undone, resulting in potentially biased estimates of directional functional connectivity. Here we perform a set of simulations involving interacting sources, and quantify source connectivity estimation performance as a function of the location of the sources, their distance to each other, the noise level, the source reconstruction algorithm, and the connectivity estimator. The generated source activity was projected onto the scalp and projected back to the cortical level using two source reconstruction algorithms, Linearly Constrained Minimum Variance (LCMV) beamforming and Exact Low-resolution Tomography (eLORETA). In source space, directed connectivity was estimated using Multi-Variate Granger Causality (MVGC), Time-Reversed Granger Causality (TRGC) and Partial Directed Coherence (PDC), and the estimated connectivity was compared with the imposed ground truth. Our results demonstrate that all considered factors significantly affect the connectivity estimation performance.

Functional and effective connectivity are known to change systematically over time. These changes might be explained by several factors, including intrinsic fluctuations in activity dependent neuronal coupling and contextual factors, like experimental condition and time. Furthermore, contextual effects may be subject-specific or conserved over subjects. To characterize fluctuations in effective connectivity, we used dynamic causal modelling (DCM) of cross spectral responses over 1 min of electroencephalogram (EEG) recordings during rest, divided into 1-sec windows. We focused on two intrinsic networks: the default mode and the saliency network. DCM was applied to estimate connectivity in each time-window for both networks. Fluctuations in DCM connectivity parameters were assessed using hierarchical parametric empirical Bayes (PEB). Within-subject, between-window effects were modelled with a second-level linear model with temporal basis functions as regressors. This procedure was conducted for every subject separately. Bayesian model reduction was then used to assess which (combination of) temporal basis functions best explain dynamic connectivity over windows. A third (between-subject) level model was used to infer which dynamic connectivity parameters are conserved over subjects. Our results indicate that connectivity fluctuations in the saliency network comprised both subject-specific components and a common component. For the default mode network, connectivity trajectories only showed a common component. For both networks, connections to higher order regions appear to monotonically increase during the one minute period. These results not only establish the predictive validity of dynamic connectivity estimates - in virtue of detecting systematic changes over subjects - they also suggest a network-specific dissociation in the relative contribution of fluctuations in connectivity that depend upon experimental context. We envisage these procedures could be useful for characterizing brain state transitions that may be explained by their cognitive or neuropathological underpinnings.

Dynamic causal modelling (DCM) for resting state fMRI - namely spectral DCM - is a recently developed and widely adopted method for inferring effective connectivity in intrinsic brain networks. Most research applying spectral DCM has focused on group-averaged connectivity within large-scale intrinsic brain networks; however, the consistency of subject- and session-specific estimates of effective connectivity has not been evaluated. Establishing reliability (within subjects) is crucial for its clinical use; e.g., as a neurophysiological phenotype of disease progression. Effective connectivity during rest is likely to vary due to changes in cognitive, behavioural, and physical states. Determining the sources of fluctuations in effective connectivity may yield greater understanding of brain processes and inform clinical applications about potential confounds. In the present study, we investigated the consistency of effective connectivity within and between subjects, as well as potential sources of variability (e.g., hemispheric asymmetry). We further investigated how standard procedures for data processing and signal extraction affect this consistency. DCM analyses were applied to four longitudinal resting state fMRI datasets. Our sample consisted of 20 subjects with 653 resting state fMRI sessions in total. These data allowed to quantify the robustness of connectivity estimates for each subject, and to draw conclusions beyond specific data features. We found that subjects contributing to all datasets showed systematic and reliable patterns of hemispheric asymmetry. When asymmetry was taken into account, subjects showed very similar connectivity patterns. We also found that various processing procedures (e.g. global signal regression and ROI size) had little effect on inference and reliability of connectivity for the majority of subjects. Bayesian model reduction increased reliability (within-subjects) and stability (between-subjects) of connectivity patterns.

In resting state functional magnetic resonance imaging (rs-fMRI) a common strategy to reduce the impact of physiological noise and other artifacts on the data is to regress out the global signal using global signal regression (GSR). Yet, GSR is one of the most controversial preprocessing techniques for rs-fMRI. It effectively removes non-neuronal artifacts, but at the same time it alters correlational patterns in unpredicted ways. Furthermore the global signal includes neural BOLD signal by construction, and is consequently related to neural and behavioral function. Performing GSR taking into account the underlying physiology (mainly the blood arrival time) has been proved to be beneficial. From these observations we aimed to: 1) characterize the effect of GSR on network-level functional connectivity in a large dataset; 2) assess the complementary role of global signal and vessels; and 3) use the framework of partial information decomposition to further look into the joint dynamics of the global signal and vessels, and their respective influence on the dynamics of cortical areas. We observe that GSR affects intrinsic connectivity networks in the connectome in a non-uniform way. Furthermore, by estimating the predictive information of blood flow and the global signal using partial information decomposition, we observe that both signals are present in different amounts across intrinsic connectivity networks. Simulations showed that differences in blood arrival time can largely explain this phenomenon. With these results we confirm network-specific effects of GSR and the importance of taking blood flow into account for improve denoising methods. Using GSR but not correcting for blood flow might selectively introduce physiological artifacts across intrinsic connectivity networks that distort the functional connectivity estimates.

ABSTRACT Chronic migraine is characterised by persistent headaches for more than 15 days per month; the intensity of the pain is fluctuating over time. Here, we explored the dynamic interplay of connectivity patterns between regions known to be related to pain processing and their relation to the ongoing dynamic pain experience. We recorded EEG from 80 sessions (20 chronic migraine patients in 4 separate sessions of 25 minutes). The patients were asked to continuously rate the intensity of their endogenous headache. On different time-windows, a dynamic causal model (DCM) of cross spectral responses was inverted to estimate connectivity strengths. For each patient and session, the evolving dynamics of effective connectivity were related to pain intensities and to pain intensity changes by using a Bayesian linear model. Hierarchical Bayesian modelling was further used to examine which connectivity-pain relations are consistent across sessions and across patients. The results reflect the multi-facetted clinical picture of the disease. Across all sessions, each patient with chronic migraine exhibited a distinct pattern of pain intensity-related cortical connectivity. The diversity of the individual findings are accompanied by inconsistent relations between the connectivity parameters and pain intensity or pain intensity changes at group level. This suggests a rejection of the idea of a common neuronal core problem for chronic migraine.

Abstract During resting-state EEG recordings, alpha activity is more prominent over the posterior cortex in eyes-closed (EC) conditions compared to eyes-open (EO). In this study, we characterized the difference in spectra between EO and EC conditions using dynamic causal modelling. Specifically, we investigated the role of intrinsic and extrinsic connectivity—within the visual cortex—in generating EC-EO alpha power differences over posterior electrodes. The primary visual cortex (V1) and the bilateral middle temporal visual areas (V5) were equipped with bidirectional extrinsic connections using a canonical microcircuit. The states of four intrinsically coupled subpopulations—within each occipital source—were also modelled. Using Bayesian model selection, we tested whether modulations of the intrinsic connections in V1, V5 or extrinsic connections (or a combination thereof) provided the best evidence for the data. In addition, using parametric empirical Bayes (PEB), we estimated group averages under the winning model. Bayesian model selection showed that the winning model contained both extrinsic connectivity modulations, as well as intrinsic connectivity modulations in all sources. The PEB analysis revealed increased extrinsic connectivity during EC. Overall, we found a reduction in the inhibitory intrinsic connections during EC. The results suggest that the intrinsic modulations in V5 played the most important role in producing EC-EO alpha differences, suggesting an intrinsic disinhibition in higher order visual cortex, during EC resting state. Author summary One of the strongest signals that can be measured using EEG are so called alpha rhythms. These are neural oscillations that fall within the 8-12Hz frequency range. Alpha rhythms are most prominent when the eyes are closed and are seen at the electrodes placed at the back of the head. In this study, we studied the mechanism of alpha rhythms changes when going from eyes-open to an eyes-closed state. We used a biologically plausible model including different neural populations. We focused on modelling connections within and between different neural sources of the visual cortex and how they are modulated when going from eyes-open to an eyes closed state. We found evidence that inhibitory neurons play an important role in alpha rhythms.

The influence of the global BOLD signal on resting state functional connectivity in fMRI data remains a topic of debate, with little consensus. In this study, we assessed the effects of global signal regression (GSR) on effective connectivity within and between resting-state networks; as estimated with dynamic causal modelling (DCM) for resting state fMRI (rsfMRI). DCM incorporates a forward (generative) model that quantifies the contribution of different types of noise (including global measurement noise), effective connectivity, and (neuro)vascular processes to functional connectivity measurements. DCM analyses were applied to two different designs; namely, longitudinal and cross-sectional designs. In the modelling of longitudinal designs, we included four extensive longitudinal resting state fMRI datasets with a total number of 20 subjects. In the analysis of cross-sectional designs, we used rsfMRI data from 361 subjects from the Human Connectome Project. We hypothesized that (1) GSR would have no discernible impact on effective connectivity estimated with DCM, and (2) GSR would be reflected in the parameters representing global measurement noise. Additionally, we performed comparative analyses of the informative value of data with and without GSR. Our results showed negligible to small effects of GSR on connectivity within small (separately estimated) RSNs. For between-network connectivity, we found two important effects: the effect of GSR on between-network connectivity (averaged over all connections) was negligible to small, while the effect of GSR on individual connections was non-negligible. Contrary to our expectations, we found either no effect (in the longitudinal designs) or a non-specific (cross-sectional design) effect of GSR on parameters representing (global) measurement noise. Data without GSR were found to be more informative than data with GSR; however, in small resting state networks the precision of posterior estimates was greater using data after GSR. In conclusion, GSR is a minor concern in DCM studies; however, individual between-network connections (as opposed to average between-network connectivity) and noise parameters should be interpreted quantitatively with some caution. The Kullback-Leibler divergence of the posterior from the prior, together with the precision of posterior estimates, might offer a useful measure to assess the appropriateness of GSR, when nuancing data features in resting state fMRI.