Abstract While many structural and biochemical changes in the brain have been previously associated with aging, the findings concerning electrophysiological signatures, reflecting functional properties of neuronal networks, remain rather controversial. To try resolve this issue, we took advantage of a large population study (N=1703) and comprehensively investigated the association of multiple EEG biomarkers (power of alpha and theta oscillations, individual alpha peak frequency (IAF), the slope of 1/f power spectral decay), aging, and aging and cognitive performance. Cognitive performance was captured with three factors representing processing speed, episodic memory, and interference resolution. Our results show that not only did IAF decline with age but it was also associated with interference resolution over multiple cortical areas. To a weaker extent, 1/f slope of the PSD showed age-related reductions, mostly in frontal brain regions. Finally, alpha power was negatively associated with the speed of processing in the right frontal lobe, despite the absence of age-related alterations. Our results thus demonstrate that multiple electrophysiological features, as well as their interplay, should be considered when investigating the association between age, neuronal activity, and cognitive performance.

Abstract Cross-frequency synchronization (CFS) has been proposed as a mechanism for integrating spatially and spectrally distributed information in the brain. However, investigating CFS in Magneto- and Electroencephalography (MEG/EEG) is hampered by the presence of spurious neuronal interactions due to the non-sinusoidal waveshape of brain oscillations. Such waveshape gives rise to the presence of oscillatory harmonics mimicking genuine neuronal oscillations. Until recently, however, there has been no methodology for removing these harmonics from neuronal data. In order to address this long-standing challenge, we introduce a novel method (called HARMOnic miNImization - Harmoni) that removes the signal components which can be harmonics of a non-sinusoidal signal. Harmoni’s working principle is based on the presence of CFS between harmonic components and the fundamental component of a non-sinusoidal signal. We extensively tested Harmoni in realistic EEG simulations. The simulated couplings between the source signals represented genuine and spurious CFS and within-frequency phase synchronization. Using diverse evaluation criteria, including ROC analyses, we showed that the within- and cross-frequency spurious interactions are suppressed significantly, while the genuine activities are not affected. Additionally, we applied Harmoni to real resting-state EEG data revealing intricate remote connectivity patterns which are usually masked by the spurious connections. Given the ubiquity of non-sinusoidal neuronal oscillations in electrophysiological recordings, Harmoni is expected to facilitate novel insights into genuine neuronal interactions in various research fields, and can also serve as a steppingstone towards the development of further signal processing methods aiming at refining within- and cross-frequency synchronization in electrophysiological recordings.

Serving as a channel for communication with locked-in patients or control of prostheses, sensorimotor brain-computer interfaces (BCIs) decode imaginary movements from the recorded activity of the user9s brain. However, many individuals remain unable to control the BCI, and the underlying mechanisms are not clear yet. The user9s BCI performance was previously shown to correlate with the resting-state signal-to-noise ratio (SNR) of the mu rhythm and the phase synchronization (PS) of the mu rhythm between sensorimotor areas. Yet, these predictors of performance were primarily evaluated in a single BCI session, while the longitudinal aspect remains rather uninvestigated. In addition, different analysis pipelines were used for the estimation of PS in source space, potentially hindering the reproducibility of the results. To systematically address these issues, we performed an extensive validation of the relationship between pre-stimulus SNR, PS, and session-wise BCI performance using a publicly available dataset of 62 human participants performing up to 11 sessions of BCI training. We combined 24 pipelines for source space analysis and three PS measures in a multiverse analysis to investigate how robust the observed effects were to the selection of the pipeline. Our results show that SNR had a between- and within-subject effect on BCI performance for the majority of the pipelines. In contrast, the effect of phase synchronization on BCI performance was less robust to the selection of the pipeline and became non-significant after controlling for SNR. Taken together, our results demonstrate that changes in neuronal connectivity within the sensorimotor system are not critical for learning to control a BCI, and interventions that increase the SNR of the mu rhythm might lead to improvements in the user9s BCI performance.

Cross-frequency coupling (CFC) is a phenomenon through which spatially and spectrally distributed information can be integrated in the brain. There is, however, a lack of methods decomposing brain electrophysiological data into interacting components. Here, we propose a novel framework for detecting such interactions in Magneto- and Electroencephalography (MEG/EEG), which we refer to as Nonlinear Interaction Decomposition (NID). In contrast to all previous methods for separation of cross-frequency (CF) sources in the brain, we propose that the extraction of nonlinearly interacting oscillations can be based on the statistical properties of their linear mixtures. The main idea of NID is that nonlinearly coupled brain oscillations can be mixed in such a way that the resulting linear mixture has a non-Gaussian distribution. We evaluate this argument analytically for amplitude-modulated narrow-band oscillations which are either phase-phase or amplitude-amplitude CF coupled. We validated NID extensively with simulated EEG obtained with realistic head modeling. The method extracted nonlinearly interacting components reliably even at SNRs as small as −15 (dB). Additionally, we applied NID to the resting-state EEG of 81 subjects to characterize CF phase-phase coupling between alpha and beta oscillations. The extracted sources were located in temporal, parietal and frontal areas, demonstrating the existence of diverse local and distant nonlinear interactions in resting-state EEG data.

Abstract Perception of sensory information is determined by stimulus features (e.g., intensity) and instantaneous neural states (e.g., excitability). Commonly, it is assumed that both are reflected similarly in evoked brain potentials, that is, higher evoked activity leads to a stronger percept of a stimulus. We tested this assumption in a somatosensory discrimination task in humans, simultaneously assessing (i) single-trial excitatory post-synaptic currents inferred from short-latency somatosensory evoked potentials (SEP), (ii) pre-stimulus alpha oscillations (8-13 Hz), and (iii) peripheral nerve measures. Fluctuations of neural excitability shaped the perceived stimulus intensity already during the very first cortical response (at ∼20 ms) yet demonstrating opposite neural signatures as compared to the effect of presented stimulus intensity. We reconcile this discrepancy via a common framework based on modulations of electro-chemical membrane gradients linking neural states and responses, which calls for reconsidering conventional interpretations of brain potential magnitudes in stimulus intensity encoding.