Standard human EEG systems based on spatial Nyquist estimates suggest that 20-30 mm electrode spacing suffices to capture neural signals on the scalp, but recent studies posit that increasing sensor density can provide higher resolution neural information. Here, we compared "super-Nyquist" density EEG ("SND") with Nyquist density ("ND") arrays for assessing the spatiotemporal aspects of early visual processing. EEG was measured from 128 electrodes arranged over occipitotemporal brain regions (14 mm spacing) while participants viewed flickering checkerboard stimuli. Analyses compared SND with ND-equivalent subsets of the same electrodes. Frequency-tagged stimuli were classified more accurately with SND than ND arrays in both the time and the frequency domains. Representational similarity analysis revealed that a computational model of V1 correlated more highly with the SND than the ND array. Overall, SND EEG captured more neural information from visual cortex, arguing for increased development of this approach in basic and translational neuroscience.

Abstract Cognitive acts take place over a large range of temporal scales. Numerous corresponding gradients in neurodynamic timescales and long-range cortical interactions are believed to provide organizational constraints to the brain and influence neural populations’ roles in cognition. However, it is unclear if gradients in various types of neural timescales and functional connectivity arise from related or distinct neurophysiological processes and if they influence behavior. Here, intracranial recordings from 4,090 electrode contacts in 35 individuals were used to systematically map gradients of multiple aspects of neurodynamics, neural timescales, and functional connectivity, and assess their interactions along category-selective ventral temporal cortex. Opposing functional connectivity gradients, with decreasing connectivity to visually responsive regions and increasing connectivity to regions that were not visually responsive, were observed along the ventral visual hierarchy. Endogenous neural timescales were correlated with functional connectivity to visually responsive regions after removing the effects of shared anatomical gradients, suggesting that these properties influence one another. Different stimulus evoked and endogenous timescales exhibited gradients with longer dynamics along the ventral visual hierarchy, but none of these timescales were significantly correlated with one another. This suggests that local neural timescales depend on neural and cognitive context and different timescales may arise through distinct neurophysiological processes. Furthermore, activity from neural populations with faster endogenous timescales and stronger functional connectivity to visually responsive regions was more predictive of perceptual behavior during a visual repeat detection task. These results reveal interrelationships and key distinctions among neural timescale and functional connectivity gradients that together can influence behavior.

Standard human EEG systems based on spatial Nyquist estimates suggest that 20-30 mm electrode spacing suffices to capture neural signals on the scalp, but recent studies posit that increasing sensor density can provide higher resolution neural information. Here, we compared "super-Nyquist" density EEG ("SND") with Nyquist density ("ND") arrays for assessing the spatiotemporal aspects of early visual processing. EEG was measured from 128 electrodes arranged over occipitotemporal brain regions (14 mm spacing) while participants viewed flickering checkerboard stimuli. Analyses compared SND with ND-equivalent subsets of the same electrodes. Frequency-tagged stimuli were classified more accurately with SND than ND arrays in both the time and the frequency domains. Representational similarity analysis revealed that a computational model of V1 correlated more highly with the SND than the ND array. Overall, SND EEG captured more neural information from visual cortex, arguing for increased development of this approach in basic and translational neuroscience.

Multivariate time series from neural electrophysiological recordings are a rich source of information about neural processing systems and require appropriate methods for proper analysis. Current methods for mapping brain function in these data using neural decoding aggregate information across space and time in limited ways, rarely incorporating spatial dependence across recording locations. We propose Shrinkage Classification for Overlapping Time Series (SCOTS), a neural decoding method that maps brain function, while accounting for spatio-temporal dependence, through interpretable dimensionality reduction and classification of multivariate neural time series. SCOTS has two components: first, overlapping clustering from sparse semi-nonnegative matrix factorization gives a data-driven aggregation of neural information across space; second, wavelet-transformed nearest shrunken centroids with sparse group lasso performs multi-class classification with selection of informative clusters and time intervals. We demonstrate use of SCOTS by applying it to human intracranial electrophysiological and MEG data collected while participants viewed visual stimuli from a range of categories. The method reveals the dynamic activation of brain regions with sensitivity to different object categories, giving insight into spatio-temporal contributions of these neural processing systems.

The left mid-fusiform gyrus (lmFG) is thought to play a key role in reading. Previous studies have shown that the representation of real words in the lmFG is initially coarse but evolves through time, eventually allowing for individuation of even orthographically similar words. Whether this individuation of orthographic representations is unique to real words, which have learned phonological and semantic associations in addition to their visual form, and the degree to which it is supported through interactions with other nodes of the language network, is unknown. The current study probed these questions by showing participants orthographically similar real words, pseudowords, consonant strings, and false fonts while monitoring lmFG activity with either intracranial electroencephalography or magnetoencephalography (MEG). Neural decoding analyses in each modality replicated the previous findings regarding the dynamics of dissimilar and similar real word decoding. In contrast, while dissimilar pseudowords, consonant strings, and false-fonts could be decoded, no individuation of these stimuli was seen in lmFG activity; that is, similar pseudowords, consonant strings, and false-fonts could not be decoded either earlier or later in time. MEG functional connectivity analysis demonstrated significantly higher connectivity between the lmFG and both early visual cortex and the left anterior temporal lobe during the individuation of real word representations in the lmFG. These results suggest that the individuation of word representations in the lmFG is catalyzed by stored knowledge about word forms that emerges from network-level interactions with anterior regions of the temporal lobe.

ABSTRACT An enduring neuroscientific debate concerns the extent to which neural representation is restricted to neural populations specialized for particular domains of perceptual input, or distributed outside of highly selective populations as well. A critical level for this debate is the neural representation of the identity of individual images, such as individual-level face or written word recognition. Here, intracranial recordings throughout ventral temporal cortex across 17 human subjects were used to assess the spatiotemporal dynamics of individual word and face processing within and outside regions strongly selective for these categories of visual information. Individual faces and words were first discriminable primarily only in strongly selective areas, beginning at about 150 milliseconds after word or face onset, and then discriminable both within and outside strongly selective areas approximately 170 milliseconds later. Regions of ventral temporal cortex that were and were not strongly selective both contributed non-redundant information to the discrimination of individual images. These results can reconcile previous results endorsing disparate poles of the domain specificity debate by highlighting the temporally segregated contributions of different functionally defined cortical areas to individual level representations. This work supports a dynamic model of neural representation characterized by successive domain-specific and distributed processing stages.

Abstract The mechanism of action of deep brain stimulation (DBS) for Parkinson’s disease remains unclear. Studies have shown that DBS decreases pathological beta hypersynchrony between the basal ganglia and motor cortex. However, little is known about DBS’s effects on long range corticocortical synchronization. Here, we use machine learning combined with spectral graph theory to compare resting-state cortical connectivity between the off and on-stimulation states and compare these differences to healthy controls. We found that turning DBS on increased high beta and gamma band coherence in a cortical circuit spanning the motor, occipitoparietal, middle temporal, and prefrontal cortices. We found no significant difference between DBS-off and controls in this network with multivariate pattern classification showing that the brain connectivity pattern in control subjects is more like those during DBS-off than DBS-on. These results show that therapeutic DBS increases spontaneous high beta-gamma synchrony in a network that couples motor areas to broader cognitive systems.