Abstract Wakefulness levels modulate estimates of functional connectivity (FC), and, if unaccounted for, can become a substantial confound in resting-state fMRI. Unfortunately, wakefulness is rarely monitored due to the need for additional concurrent recordings (e.g., eye tracking, EEG). Recent work has shown that strong fluctuations around 0.05Hz, hypothesized to be CSF inflow, appear in the fourth ventricle (FV) when subjects fall asleep, and that they correlate significantly with the global signal. The analysis of these fluctuations could provide an easy way to evaluate wakefulness in fMRI-only data and improve our understanding of FC during sleep. Here we evaluate this possibility using the 7T resting-state sample from the Human Connectome Project (HCP). Our results replicate the observation that fourth ventricle ultra-slow fluctuations (∼0.05Hz) with inflow-like characteristics (decreasing in intensity for successive slices) are present in scans during which subjects did not comply with instructions to keep their eyes open (i.e., drowsy scans). This is true despite the HCP data not being optimized for the detection of inflow-like effects. In addition, time-locked BOLD fluctuations of the same frequency could be detected in large portions of grey matter with a wide range of temporal delays and contribute in significant ways to our understanding of how FC changes during sleep. First, these ultra-slow fluctuations explain half of the increase in global signal that occurs during descent into sleep. Similarly, global shifts in FC between awake and sleep states are driven by changes in this slow frequency band. Second, they can influence estimates of inter-regional FC. For example, disconnection between frontal and posterior components of the Defulat Mode Network (DMN) typically reported during sleep were only detectable after regression of these ultra-slow fluctuations. Finally, we report that the temporal evolution of the power spectrum of these ultra-slow FV fluctuations can help us reproduce sample-level sleep patterns (e.g., a substantial number of subjects descending into sleep 3 minutes following scanning onset), partially rank scans according to overall drowsiness levels, and predict individual segments of elevated drowsiness (at 60 seconds resolution) with 71% accuracy.

Afterimages are illusory, conscious visual perseverations commonly induced by preceding light stimulation. A retinal centric view on the physiological source of afterimages is dominant. In addition, post-retinal mechanisms have been considered in the formation and modulation of afterimage perception, including cortical processes. A cortical role in afterimage perception posits possible shared neural mechanisms between afterimages and other conscious perceptions that emerge completely from central neural sources (e.g., imagery, hallucination, and dreams). To examine this hypothesis, we tested a perceptual link between afterimages and visual imagery. Framing the current experiment, we review more than a century of literature that evidences post-retinal processes in afterimage perception. Subsequently, we present an innovative afterimage perception reporting paradigm, validated on image stimuli, that allowed participants to indicate the perceived sharpness, contrast, and duration of their afterimages. From these perceptual reports, we discovered a novel category of evidence for cortical mechanisms in afterimage perception: the vividness of visual imagery positively correlates with afterimage brightness and sharpness. This result motivates future investigations on the neural mechanisms of afterimage perception and encourages implementing afterimages as a model perception to interrogate other kinds of conscious experience with known cortical origin.

The existence of abnormal connectivity patterns between resting state networks in neuropsychiatric disorders, including Autism Spectrum Disorder (ASD), has been well established. Traditional treatment methods in ASD are limited, and do not address the aberrant network structure. Using real-time fMRI neurofeedback, we directly trained 3 brain nodes in participants with ASD, in which the aberrant connectivity has been shown to correlate with symptom severity. 17 ASD participants and 10 control participants were scanned over multiple sessions (123 sessions in total). Desired network connectivity patterns were reinforced in real-time, without participants' awareness of the training taking place. This training regimen produced large, significant long-term changes in correlations at the network level, and whole brain analysis revealed that the greatest changes were focused on the areas being trained. These changes were not found in the control group. Moreover, changes in ASD resting state connectivity following the training were correlated to changes in behavior, suggesting that neurofeedback can be used to directly alter complex, clinically relevant network connectivity patterns.

Brain functional connectivity (FC) changes have been measured across seconds using fMRI. This is true for both rest and task scenarios. Moreover, it is well accepted that task engagement alters FC, and that dynamic estimates of FC during and before task events can help predict their nature and performance. Yet, when it comes to dynamic FC (dFC) during rest, there is no consensus about its origin or significance. Some argue that rest dFC reflects fluctuations in on-going cognition, or is a manifestation of intrinsic brain maintenance mechanisms, which could have predictive clinical value. Conversely, others have concluded that rest dFC is mostly the result of sampling variability, head motion or fluctuating sleep states. Here, we present novel analyses suggesting that rest dFC is influenced by short periods of distinct mental processing, and that the cognitive nature of such mental processes can be inferred blindly from the data. As such, several different behaviorally relevant whole-brain FC configurations may occur during a single rest scan even when subjects were continuously awake and displayed minimal motion. In addition, using low dimensional embeddings as visualization aids, we show how FC states (commonly used to summarize and interpret resting dFC) can accurately and robustly reveal periods of externally imposed tasks; however, they may be less effective in capturing periods of distinct cognition during rest.

Interest in real-time fMRI neurofeedback has grown exponentially over the past few years, both for use as a basic science research tool, and as part of the search for novel clinical interventions for neurological and psychiatric illnesses. In order to expand the range of questions which can be addressed with this tool however, new neurofeedback methods must be developed, going beyond feedback of activations in a single region. These new methods, several of which have already been proposed, are by their nature complex, involving many possible parameters. Here we suggest a framework for evaluating and optimizing algorithms for use in a real-time setting, before beginning the neurofeedback experiment, by offline simulations of algorithm output using a previously collected dataset. We demonstrate the application of this framework on the instantaneous proxy for correlations which we developed for training connectivity between different network nodes, identify the optimal parameters for use with this algorithm, and compare it to more traditional correlation methods. We also examine the effects of advanced imaging techniques, such as multi-echo acquisition, and the integration of these into the realtime processing stream.

This work introduces a novel algorithm for deconvolution of the BOLD signal in multiecho fMRI data: Multiecho Sparse Paradigm Free Mapping (ME-SPFM). Assuming a linear dependence of the BOLD percent signal change on the echo time (TE) and using sparsity-promoting regularized least squares estimation, ME-SPFM yields voxelwise time-varying estimates of the changes in the transverse relaxation (ΔR2*) without prior knowledge of the timings of individual BOLD events. Our results in multi-echo fMRI data collected during a multi-task event-related paradigm at 3 Tesla demonstrate that the maps of R2* changes obtained with ME-SPFM at the times of the stimulus trials show high spatial and temporal concordance with the activation maps and BOLD signals obtained with standard model-based analysis. This method yields estimates of ΔR2* having physiologically plausible values. Owing to its ability to blindly detect events, ME-SPFM also enables us to map ΔR2* associated with spontaneous, transient BOLD responses occurring between trials. This framework is a step towards deciphering the dynamic nature of brain activity in naturalistic paradigms, resting-state or experimental paradigms with unknown timing of the BOLD events.