Low-frequency (<1 Hz) oscillations in intracellular recordings from cortical neurons were first reported in the anaesthetized cat and then also during natural sleep. The slow sequences of hyperpolarization and depolarization were reflected by slow oscillations in the electroencephalogram. The aim of the present study was to examine whether comparable low-frequency components are present in the human sleep electroencephalogram. All-night sleep recordings from eight healthy young men were subjected to spectral analysis in which the low-frequency attenuation of the amplifier was compensated. During sleep stages with a predominance of slow waves and in the first two episodes of non-rapid-eye-movement sleep, the mean power spectrum showed a peak at 0.7–0.8 Hz (range 0.55–0.95 Hz). The typical decline in delta activity from the first to the second non-rapid-eye-movement sleep episode was not present at frequencies below 2 Hz. To detect very low frequency components in the pattern of slow waves and sleep spindles, a new time series was computed from the mean voltage of successive 0.5 s epochs of the low-pass (<4.5 Hz) or band-pass (12–15 Hz) filtered electroencephalogram. Spectral analysis revealed a periodicity of 20–30 s in the prevalence of slow waves and a periodicity of 4 s in the occurrence of activity in the spindle frequency range. The results demonstrate that distinct components below 1 Hz are also present in the human sleep electroencephalogram spectrum. The differences in the dynamics between the component with a mean peak value at 0.7–0.8 Hz and delta waves above 2 Hz is in accordance with results from animal experiments.

EEG slow-wave activity (SWA; spectral power in the 0.75–4.5 Hz band) is a function of the duration of prior waking and, thereby, an indicator of sleep homeostasis. We present a model that accounts for both the declining trend of SWA during sleep and for its variation within the successive nonrapid eye movement (non-REM) sleep episodes. The values of the model parameters were estimated by an optimization procedure in which empirical SWA of baseline nights (16 subjects, 26 nights) served as a reference. A sensitivity analysis revealed the model to be quite robust to small changes (±5%) of the parameter values. The estimated parameter values were used to simulate data sets from three different experimental protocols (sleep in the evening or sleep in the morning after prolonged waking, or extended sleep initiated at the habitual bedtime;n = 8 or 9). The timing of the REM trigger parameter was derived from the empirical data. A close fit was obtained between the simulated and empirical SWA data, and even the occasional late SWA peaks during extended sleep could be reproduced. Minor discrepancies suggest indirect or direct circadian influences on SWA. The simulations demonstrate that the concept of sleep homeostasis as proposed in the two-process model of sleep regulation can be refined to account in quantitative terms for empirical data and to predict the changes induced by the prolongation of waking or sleep.

Study Objectives:To examine the effects of total sleep deprivation on adolescent sleep and the sleep electroencephalogram (EEG) and to study aspects of sleep homeostasis.

Abstract

 To investigate the relationship between markers of sleep homeostasis during waking and sleep, the electroencephalogram of eight young males was recorded intermittently during a 40-h waking episode, as well as during baseline and recovery sleep. In the course of extended waking, spectral power of the electroencephalogram in the 5–8Hz band (theta activity) increased. In non-rapid eye movement sleep, power in the 0.75–4.5Hz band (slow-wave activity) was enhanced in the recovery night relative to baseline. Comparison of individual records revealed a positive correlation between the rise rate of theta activity during waking and the increase in slow-wave activity in the first non-rapid eye movement sleep episode. A topographic analysis based on 27 derivations showed that both effects were largest in frontal areas. From these results, we suggest that theta activity in waking and slow-wave activity in sleep are markers of a common homeostatic sleep process.

Abstract Temporal interference stimulation (TIS) is a new form of transcranial electrical stimulation (tES) that has been proposed as a method for targeted, non-invasive stimulation of deep brain structures. While TIS holds promise for a variety of clinical and non-clinical applications, little data is yet available regarding its effects in humans. To inform the design and approval of experiments involving TIS, researchers require quantitative guidance regarding exposure limits and other safety concerns. To this end, we sought to delineate a safe range of exposure parameters (voltages and currents applied via external scalp electrodes) for TIS in humans through comparisons with well-established but related brain stimulation modalities. Specifically, we surveyed the literature for adverse events (AEs) associated with transcranial alternating/direct current stimulation (tACS/tDCS), deep brain stimulation (DBS), and TIS to establish known boundaries for safe operating conditions. Drawing on the biophysical mechanisms associated with the identified AEs, we determined appropriate exposure metrics for each stimulation modality. Using these metrics, we conducted an in silico comparison of various exposure scenarios for tACS, DBS, and TIS using multiphysics simulations in an anatomically detailed head model with realistic current strengths. By matching stimulation scenarios in terms of biophysical impact, we inferred the frequency-dependent TIS stimulation parameters that resulted in exposure magnitudes known to be safe for tACS and DBS. Based on the results of our simulations and existing knowledge regarding tES and DBS safety, we propose frequency-dependent thresholds below which TIS voltages and currents are unlikely to pose a risk to humans. Safety-related data from ongoing and future human studies are required to verify and refine the thresholds proposed here.

Abstract Sleep spindles are traditionally defined as 10-15Hz thalamo-cortical oscillations typical of NREM sleep. While substantial heterogeneity in the appearance or spatio-temporal dynamics of spindle events is well recognised, the physiological relevance of the underlying fundamental property - the oscillatory strength - has not been studied. Here we introduce a novel metric called oscillatory Quality ( o-Quality ), which is derived by fitting an auto-regressive model to short segments of electrophysiological signals, recorded from the cortex in mice, to identify and calculate the damping of spindle oscillations. We find that the o-Quality of spindles varies markedly across cortical layers and regions and reflects the level of synchrony within and between cortical networks. Furthermore, the o-Quality of spindles varies as a function of sleep-wake history, determines the strength of coupling between spindles and slow waves, and influences the responsiveness to sensory stimulation during sleep. Thus, the o-Quality emerges as a metric that, for the first time, directly links the spatio-temporal dynamics of sleep spindles with their functional role.

1. Abstract Signals of brain electric neuronal activity, either invasively measured or non-invasively estimated, are commonly used for connectivity inference. One popular methodology assumes that the neural dynamics follow a multivariate autoregression, where the autoregressive coefficients represent the couplings among regions. If observation noise is present and ignored, as is common in practice, the estimated couplings are biased, affecting all forms of Granger-causality inference, both in time and in frequency domains. Significant nonsense coupling, i.e., nonsense connectivity, can appear when in reality there is none, since there is always observation noise in two possible forms: measurement noise, and activity from other brain regions due to volume conduction and low spatial resolution. This problem is critical, and is currently not being addressed, calling into question the validity of many Granger-causality reports in the literature. An estimation method that accounts for noise is based on an overdetermined system of high-order multivariate Yule-Walker equations, which give reduced variance estimators for the coupling coefficients of the unobserved signals. Simulation-based comparisons to other published methods are presented, demonstrating its adequate performance. In addition, simulation results are presented for a zero connectivity case with noisy observations, where the new method correctly reports no connectivity while classical analyses (as found in most software packages) report nonsense connectivity. For the sake of reproducible research, the supplementary material includes, in human readable format, all the time series data used here.

1. Abstract This work provides a framework based on multivariate autoregressive modeling for linear causal filtering in the sense of Granger. In its bivariate form, the linear causal filter defined here takes as input signals A and B, and it filters out the causal effect of B on A, thus yielding two new signals only containing the Granger-causal effect of A on B. In its general multivariate form for more than two signals, the effect of all indirect causal connections between A and B, mediated by all other signals, are accounted for, partialled out, and filtered out also. The importance of this filter is that it enables the estimation of directional measures of causal information flow from any non-causal, non-directional measure of association. For instance, based on the classic coherence, a directional measure of strength of information flow from A to B is obtained when applied to the linear causal filtered pair containing only A to B connectivity information. This particular case is equivalent to the isolated effective coherence (doi.org/10.3389/fnhum.2014.00448). Of more recent interest are the large family of phase-phase, phase-amplitude, and amplitude-amplitude cross-frequency coupling measures which are non-directional. The linear causal filter makes it now possible to estimate the directional causal versions these measures of association. One important field of application is in brain connectivity analysis based on cortical signals of electric neuronal activity (e.g. estimated sources of EEG and MEG, and invasive intracranial ECoG recordings). The linear causal filter introduced here provides a novel solution to the problem of estimating the direction of information flow from any non-directional measure of association. This work provides definitions, non-ambiguous equations, and clear prescriptions for implementing the linear causal filter in diverse settings.

The homeostatic regulation of sleep manifests as a relative constancy of its daily amount and intensity. Theoretical descriptions of this phenomenon define “Process S”, a variable with dynamics dependent only on sleep-wake history, whose levels are reflected in electroencephalogram (EEG) slow wave activity (0.5 – 4 Hz) during sleep. Here we developed novel mathematical models of Process S in mice, assuming that its dynamics are a function of the deviation of cortical neuronal firing rates from a locally defined set-point, crucially without explicit knowledge of sleep-wake state. Our results suggest that Process S tracks global sleep-wake history through an integration of local cortical neuronal activity levels over time. We posit that, instead of reflecting sleep-wake-dependent changes in specific variables and serving their homeostatic regulation, Process S may be a time-keeping mechanism which enables individuals to obtain a species-specific and ecologically-relevant quantity of sleep, even in the absence of external temporal information.