Abstract Electroencephalography (EEG) and magnetoencephalography (MEG) are used to measure brain activity, noninvasively, and are useful tools for brain research and clinical management of brain disorders. Tremendous effort has been made in solving the inverse source imaging problem from EEG/MEG measurements. This is a challenging ill-posed problem, since the number of measurements is much smaller than the number of possible sources in the brain. Various methods have been developed to estimate underlying brain sources from noninvasive EEG/MEG as this can offer insight about the underlying brain electrical activity with significantly improved spatial resolution. In this work, we propose a novel data-driven Source Imaging Framework using deep learning neural networks (SIFNet), where (1) a simulation pipeline is designed to model realistic brain activation and EEG/MEG signals to train generalizable neural networks, (2) and a residual convolutional neural network is trained using the simulated data, capable of estimating source distributions from EEG/MEG recordings. The performance of our proposed SIFNet approach is evaluated in a series of computer simulations, which indicates the excellent performance of SIFNet outperforming conventional weighted minimum norm algorithms that were tested in this work. The SIFNet is further tested by analyzing interictal EEG data recorded in a clinical setting from a focal epilepsy patient. The results of this clinical data analysis indicate accurate localization of epileptogenic activity as validated by the epileptogenic zone clinically determined in this patient. In sum, the proposed SIFNet approach promises to offer an alternative solution to the EEG/MEG inverse source imaging problem, shows promising signs of being robust against measurement noise, and is easy to implement, therefore, being translatable to clinical practice.

Abstract Game animals are wildlife species often traded and consumed as exotic food, and are potential reservoirs for SARS-CoV and SARS-CoV-2. We performed a meta-transcriptomic analysis of 1725 game animals, representing 16 species and five mammalian orders, sampled across China. From this we identified 71 mammalian viruses, with 45 described for the first time. Eighteen viruses were considered as potentially high risk to humans and domestic animals. Civets ( Paguma larvata ) carried the highest number of potentially high risk viruses. We identified the transmission of Bat coronavirus HKU8 from a bat to a civet, as well as cross-species jumps of coronaviruses from bats to hedgehogs and from birds to porcupines. We similarly identified avian Influenza A virus H9N2 in civets and Asian badgers, with the latter displaying respiratory symptoms, as well as cases of likely human-to-wildlife virus transmission. These data highlight the importance of game animals as potential drivers of disease emergence. Highlights 1725 game animals from five mammalian orders were surveyed for viruses 71 mammalian viruses were discovered, 18 with a potential risk to humans Civets harbored the highest number of potential ‘high risk’ viruses A species jump of an alphacoronavirus from bats to a civet was identified H9N2 influenza virus was detected in a civet and an Asian badger Humans viruses were also identified in game animals

Abstract Two nucleus accumbens subregions, the shell and core, differ in the patterns whereby they integrate signals from prefrontal and limbic areas of the brain. In this study, we investigated whether the disproportionate volumetric differences of these brain areas, particularly the prefrontal cortex, between humans and macaques are accompanied by unique modifications of their macroscopic integrative connections with the shell and core. More specifically, we characterized the tractographic connectivity profiles of the human and macaque shell-core architecture and compared them between the two species. To make the cross-species comparisons more viable, we used the same whole-brain voxel-wise tractography-defined shell-like and core-like divisions in the two species as seeds and delineated pairs of interspecies connectionally comparable (ICC) target regions based on the similarity of the resting-state functional connectivity profiles for the two species, and finally used these seeds and ICC targets to establish a fingerprint-based common space for cross-species comparisons. Our results revealed that dissimilar structural connectivity profiles were found in the prefrontal but not the subcortical target group. We further localized this difference to specific targets to infer possible functional modifications between the two species.

Abstract Noninvasive brain-computer interfaces (BCIs) assist paralyzed patients by providing access to the world without requiring surgical intervention. While the performance of noninvasive BCI is hindered by long training times and variable user proficiency, it may be improved by deep learning methods, such as convolutional neural networks (CovNets). Prior work has suggested that the application of deep learning to EEG signals collected over the motor cortex during motor imagery based BCI increases classification accuracy in standard sensorimotor rhythm (SMR) BCI datasets. It remains to be seen whether these improvements can generalize to practical scenarios such as continuous control tasks (as opposed to prior work reporting one classification per trial), or whether valuable information remains latent outside of the motor cortex (as no prior work has compared full scalp coverage to motor only electrode montages). Here we report that deep learning methods significantly increase offline classification accuracy on an independent, large, and longitudinal online motor imagery BCI dataset with up to 4-classes and continuous 2-dimensional feedback. Improvements in classification accuracy were found to negatively correlate with initial online BCI performance, suggesting deep learning methods preferentially benefit BCI participants who need it most. The CovNets also significantly increased the information transfer rate (ITR) of the BCI system: They produced a two-fold increase in ITR without loss in classification accuracy when comparing CovNet models trained with full scalp EEG coverage to the traditional motor cortex specific decoding. Our results suggest that a variety of neural biomarkers useful for BCI, including those outside the motor cortex, can be detected through deep learning methods.

Abstract Transcranial focused ultrasound (tFUS) is an emerging non-invasive brain stimulation tool for safely and reversibly modulating brain circuits. The effectiveness of tFUS on human brain has been demonstrated, but how tFUS influences the human voluntary motor processing in the brain remains unclear. We apply low-intensity tFUS to modulate the movement-related cortical potential (MRCP) originating from human subjects practicing a voluntary foot tapping task. 64-channel electroencephalograph (EEG) is recorded concurrently and further used to reconstruct the brain source activity specifically at the primary leg motor cortical area using the electrophysiological source imaging (ESI). The ESI illustrates the ultrasound modulated MRCP source dynamics with high spatiotemporal resolutions. The MRCP source is imaged and its source profile is further evaluated for assessing the tFUS neuromodulatory effects on the voluntary MRCP. Moreover, the effect of ultrasound pulse repetition frequency (UPRF) is further assessed in modulating the MRCP. ESI results show that tFUS significantly increases the MRCP source profile amplitude (MSPA) comparing to a sham ultrasound condition, and further, a high UPRF enhances the MSPA more than a low UPRF. This work provides the first evidence of tFUS enhancing the human voluntary movement-related cortical activity through excitatory modulation.

Brain-computer interfaces (BCIs) are promising tools for assisting patients with paralysis, but suffer from long training times and variable user proficiency. Mind-body awareness training (MBAT) can improve BCI learning, but how it does so remains unknown. Here we show that MBAT allows participants to learn to volitionally increase alpha band neural activity during BCI tasks that incorporate intentional rest. We trained individuals in mindfulness-based stress reduction (MBSR; a standardized MBAT intervention) and compared performance and brain activity before and after training between randomly assigned trained and untrained control groups. The MBAT group showed reliably faster learning of BCI than the control group throughout training. Alpha-band activity in EEG signals, recorded in the volitional resting state during task performance, showed a parallel increase over sessions, and predicted final BCI performance. The level of alpha-band activity during the intentional resting state correlated reliably with individuals' mindfulness practice as well as performance on a sustained attention task. Collectively, these results show that MBAT modifies a specific neural signal used by BCI. MBAT, by increasing patients' control over their brain activity during rest, may increase the effectiveness of BCI in the large population who could benefit from alternatives to direct motor control.### Competing Interest StatementThe authors have declared no competing interest.