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.

Face memory abilities are at the core of human social interaction, yet these vary widely within the general population, ranging from developmental prosopagnosia to "super-recognizers". Previous work has focused mainly on the contribution of the well described face network to this variance. However, given the nature of the face memory task, and the social context in which it takes place, we were interested in exploring how the collaboration between different networks outside the face network (measured through resting state connectivity) affects performance on face memory tasks. We discovered that face recognition memory is supported by a wide network of connections between the face patches, memory regions, auditory regions and social networks. Moreover, this network was selective for memory for faces, and did not predict memory for other visual objects, such as cars.

Abstract The surge in interest in individual differences has coincided with the latest replication crisis centered around brain-wide association studies of brain-behavior correlations. Yet the reliability of the measures we use in cognitive neuroscience, a crucial component of this brain-behavior relationship, is often assumed but not directly tested. Here, we evaluate the reliability of different cognitive tasks on a large dataset of over 250 participants, who each completed a multi-day task battery. We show how reliability improves as a function of number of trials, and describe the convergence of the reliability curves for the different tasks, allowing us to score tasks according to their suitability for studies of individual differences. To improve the accessibility of these findings, we designed a simple web-based tool that implements this function to calculate the convergence factor and predict the expected reliability for any given number of trials and participants, even based on limited pilot data.

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.

Abstract Eye tracking provides insights into social processing and its deficits in disorders such as autism spectrum disorder (ASD), especially in conjunction with dynamic, naturalistic stimuli. However, reliance on manual stimuli segmentation severely limits scalability. We assessed how the amount of available data impacts individual reliability of fixation preference for different facial features, and the effect of this reliability on between-group differences. We trained an artificial neural network to segment 22 Hollywood movie clips (7410 frames). We then analyzed fixation preferences in typically developing participants and participants with ASD as we incrementally introduced movie data for analysis. Although fixations were initially variable, results stabilized as more data was added. Additionally, while those with ASD displayed significantly fewer face-centered fixations ( p <.001), they did not differ in eye or mouth fixations. Our results highlight the validity of treating fixation preferences as a stable individual trait, and the risk of misinterpretation with insufficient data.

Extensive study of typically developing individuals and those on the autism spectrum has identified a large number of brain regions associated with our ability to navigate the social world. Although it is widely appreciated that this so-called 'social brain' is composed of distinct, interacting systems, these component parts have yet to be clearly elucidated. Here we used measures of eye movement and neural typicality - based on the degree to which subjects deviated from the norm - while typically developing (N = 62) and individuals with autism (N = 36) watched a large battery of movies depicting social interactions. Our findings provide clear evidence for distinct, but overlapping, neural systems underpinning two major components of the 'social brain', social orienting and inferring the mental state of others.