Abstract Electroencephalographic (EEG) source imaging depends upon sophisticated signal processing algorithms for data cleaning, source separation, and localization. Typically, these problems are addressed separately using a variety of heuristics, making it difficult to systematize a methodology for extracting robust EEG source estimates on a wide range of experimental paradigms. In this paper, we propose a unifying Bayesian framework in which these apparently dissimilar problems can be understood and solved in a principled manner using a single algorithm. We explicitly model the effect of non-brain sources by augmenting the lead field matrix with a dictionary of stereotypical artifact scalp projections. We propose to populate the artifact dictionary with non-brain scalp projections obtained by running Independent Component Analysis (ICA) on an EEG database. Within a parametric empirical Bayes (PEB) framework, we use an anatomical brain atlas to parameterize a source prior distribution that encourages sparsity in the number of cortical regions. We show that, in our inversion algorithm, PEB+ (PEB with the addition of artifact modeling), the sparsity prior has the property of inducing the segregation of the cortical activity into a few maximally independent components with known anatomical support. Artifacts produced by electrooculographic and electromyographic activity as well as single-channel spikes are also segregated into their respective components. Of theoretical relevance, we use our framework to point out the connections between Infomax ICA and distributed source imaging. We use real data to demonstrate that PEB+ outperforms Infomax for source separation on short segments of data and, unlike the popular Artifact Subspace Removal algorithm, it can reduce artifacts without significantly distorting clean epochs. Finally, we analyze mobile brain/body imaging data to characterize the brain dynamics supporting heading computation during full-body rotations. In this example, we run PEB+ followed by the spectral analysis of the activity in the retrosplenial cortex, largely replicating the findings of previous experimental literature.

Abstract Single neuron correlates of reward value have been observed in brain regions along the cortico-striatal pathway including ventral striatum, orbital, and medial prefrontal cortex. Brain imaging studies in humans further validate these findings and suggest that value is represented in a network of brain regions opposed to a particular area. Neural activity oscillates at periodic frequencies to coordinate long-range communication in widespread, dynamic networks. To explore how oscillatory dynamics across brain regions may represent reward value, we measured local field potentials of male Long-Evans rats during three distinct behavioral tasks, each probing a different aspect of reward processing. Our goal was to use a data-driven approach to identify a common electrophysiology property associated with reward value. We found that reward-locked oscillations at beta frequencies, in both single units and local field potentials, were markers of positive reward valence. More importantly, Reward-locked beta-oscillations scaled with expected reward value on specific trial types and in a behaviorally relevant way across tasks. Oscillatory signatures of reward processing were observed throughout the cortico-striatal network including electrodes placed in orbitofrontal cortex, anterior insula, medial prefrontal cortex, ventral striatum, and amygdala. These data suggests that beta-oscillations reflect learned reward value in a distributed network, and this may serve as a stable and robust bio-marker for future studies.

Abstract A fundamental set of cognitive abilities enable humans to efficiently process goal-relevant information, suppress irrelevant distractions, maintain information in working memory, and act flexibly in different behavioral contexts. Yet, studies of human cognition and their underlying neural mechanisms usually evaluate these cognitive constructs in silos, instead of comprehensively in-tandem within the same individual. Here, we developed a scalable, mobile platform, “ BrainE ” (short for Brain Engagement), to rapidly assay several essential aspects of cognition simultaneous with wireless electroencephalography (EEG) recordings. Using BrainE , we rapidly assessed five aspects of cognition including (1) selective attention, (2) response inhibition, (3) working memory, (4) flanker interference and (5) emotion interference processing, in 102 healthy young adults. We evaluated stimulus encoding in all tasks using the EEG neural recordings, and isolated the cortical sources of the spectrotemporal EEG dynamics. Additionally, we used BrainE in a two-visit study in 24 young adults to investigate the reliability of the neuro-cognitive data as well as its plasticity to transcranial magnetic stimulation (TMS). We found that stimulus encoding on multiple cognitive tasks could be rapidly assessed, identifying common as well as distinct task processes in both sensory and cognitive control brain regions. Event related synchronization (ERS) in the theta (3-7 Hz) and alpha (8-12 Hz) frequencies as well as event related desynchronization (ERD) in the beta frequencies (13-30 Hz) were distinctly observed in each task. The observed ERS/ERD effects were overall anticorrelated. The two-visit study confirmed high test-retest reliability for both cognitive and neural data, and neural responses showed specific TMS protocol driven modulation. We also show that the global cognitive neural responses are sensitive to mental health symptom self-reports. This first study with the BrainE platform showcases its utility in studying neuro-cognitive dynamics in a rapid and scalable fashion. Highlights Rapid and scalable EEG recordings reveal common and distinct cortical activations across five core cognitive tasks. Data acquired across visits one-week-apart show high test-retest reliability for both cognitive and neural measurements. Evoked neural responses during emotion interference processing demonstrate specific short-term plasticity driven by type of neurostimulation. Cognitively evoked neural responses are sensitive to variations in mental health symptoms.

Calcium dyshomeostasis, oxidative stress, autophagy and apoptosis are the pathogenesis of selective dopaminergic neuronal loss in Parkinson's disease (PD). Earlier, we reported that A

Abstract Choice selection strategies and decision making are typically investigated using multiple-choice gambling paradigms that require participants to maximize reward payoff. However, research shows that performance in such paradigms suffers from individual biases towards the frequency of gains to choose smaller local gains over larger longer term gain, also referred to as melioration. Here, we developed a simple two-choice reward task, implemented in 186 healthy human adult subjects across the adult lifespan to understand the behavioral, computational, and neural bases of payoff maximization versus melioration. The observed reward choice behavior on this task was best explained by a reinforcement learning model of differential future reward prediction. Simultaneously recorded and source-localized electroencephalography (EEG) showed that diminished theta-band activations in the right rostral anterior cingulate cortex (rACC) correspond to greater reward payoff maximization, specifically during the presentation of cumulative reward information at the end of each task trial. Notably, these activations (greater rACC theta) predicted depressed mood symptoms, thereby showcasing a reward processing marker of potential clinical utility. Significance Statement This study presents cognitive, computational and neural (EEG-based) analyses of a rapid reward-based decision-making task. The research has the following three highlights. 1) It teases apart two core aspects of reward processing, i.e. long term expected value maximization versus immediate gain frequency melioration based choice behavior. 2) It models reinforcement learning based behavioral differences between individuals showing that observed performance is best explained by differential extents of reward prediction. 3) It investigates neural correlates in 186 healthy human subjects across the adult lifespan, revealing specific theta band cortical source activations in right rostral anterior cingulate as correlates for maximization that further predict depressed mood across subjects.

Parkinson's disease (PD) results from the degeneration of dopaminergic neurons in substantia nigra pars compacta (SNpc). Adenosine A

Objective: A promising application of BCI technology is in the development of personalized therapies that can target neural circuits linked to mental or physical disabilities. Typical BCIs, however, offer limited value due to simplistic designs and poor understanding of the conditions being treated. Building BCIs on more solid grounds may require the characterization of the brain dynamics supporting cognition and behavior at multiple scales, from single-cell and local field potential (LFP) recordings in animals to non-invasive electroencephalography (EEG) in humans. Despite recent efforts, a unifying software framework to support closed-loop studies in both animals and humans, is still lacking. The objective of this paper is to develop such a neurotechnology software framework. Approach: Here we develop the Simulink for Brain Signal Interfaces library (SimBSI). Simulink is a mature graphical programming environment within MATLAB that has gained traction for processing electrophysiological data. SimBSI adds to this ecosystem: 1) advanced human EEG source imaging, 2) cross-species multimodal data acquisition based on the Lab Streaming Layer library, and 3) a graphical experimental design platform. Main results: We used several examples to demonstrate the capabilities of the library, ranging from simple signal processing, to online EEG source imaging, cognitive task design, and closed-loop neuromodulation. We further demonstrate the simplicity of developing a sophisticated experimental environment for rodents within this environment. Significance: With the SimBSI library we hope to aid BCI practitioners of dissimilar backgrounds in the development of, much needed, single and cross-species closed-loop neuroscientific experiments. These experiments may provide the necessary mechanistic data for BCIs to become effective therapeutic tools.

Abstract Children with attention-deficit/hyperactivity disorder show deficits in processing speed, as well as aberrant neural oscillations, including both periodic (oscillatory) and aperiodic (1/f-like) activity, reflecting the pattern of power across frequencies. Both components were suggested as underlying neural mechanisms of cognitive dysfunctions in attention-deficit/hyperactivity disorder. Here, we examined differences in processing speed and resting-state-Electroencephalogram neural oscillations and their associations between 6- and 12-year-old children with (n = 33) and without (n = 33) attention-deficit/hyperactivity disorder. Spectral analyses of the resting-state EEG signal using fast Fourier transform revealed increased power in fronto-central theta and beta oscillations for the attention-deficit/hyperactivity disorder group, but no differences in the theta/beta ratio. Using the parameterization method, we found a higher aperiodic exponent, which has been suggested to reflect lower neuronal excitation-inhibition, in the attention-deficit/hyperactivity disorder group. While fast Fourier transform–based theta power correlated with clinical symptoms for the attention-deficit/hyperactivity disorder group only, the aperiodic exponent was negatively correlated with processing speed across the entire sample. Finally, the aperiodic exponent was correlated with fast Fourier transform–based beta power. These results highlight the different and complementary contribution of periodic and aperiodic components of the neural spectrum as metrics for evaluation of processing speed in attention-deficit/hyperactivity disorder. Future studies should further clarify the roles of periodic and aperiodic components in additional cognitive functions and in relation to clinical status.

ABSTRACT Human cognition is characterized by a wide range of capabilities including goal-oriented selective attention, distractor suppression, decision making, response inhibition, and working memory. Much research has focused on studying these individual components of cognition in isolation, whereas in several translational applications for cognitive impairment, multiple cognitive functions are altered in a given individual. Hence it is important to study multiple cognitive abilities in the same subject or, in computational terms, model them using a single model. To this end, we propose a unified, reinforcement learning-based agent model comprising of systems for representation, memory, value computation and exploration. We successfully modelled the aforementioned cognitive tasks and show how individual performance can be mapped to model meta-parameters. This model has the potential to serve as a proxy for cognitively impaired conditions, and can be used as a clinical testbench on which therapeutic interventions can be simulated first before delivering to human subjects.

Abstract Theta burst stimulation (TBS), an FDA-cleared treatment for depression, is hypothesized to modulate excitability in the prefrontal cortex, though this has not definitively been shown in vivo. We performed calcium imaging on glutamatergic neurons in awake rodents to understand the effects of theta burst stimulation at a cellular level. Our findings provide the first direct evidence that TBS bidirectionally modulates glutamatergic activity when delivered in vivo and directly links calcium activity changes during stimulation with post-stimulation plasticity.