Spiral waves are a basic feature of excitable systems. Although such waves have been observed in a variety of biological systems, they have not been observed in the mammalian cortex during neuronal activity. Here, we report stable rotating spiral waves in rat neocortical slices visualized by voltage-sensitive dye imaging. Tissue from the occipital cortex (visual) was sectioned parallel to cortical lamina to preserve horizontal connections in layers III-V (500-μm-thick, ∼4 × 6 mm 2 ). In such tangential slices, excitation waves propagated in two dimensions during cholinergic oscillations. Spiral waves occurred spontaneously and alternated with plane, ring, and irregular waves. The rotation rate of the spirals was ∼10 turns per second, and the rotation was linked to the oscillations in a one-cycle- one-rotation manner. A small (<128 μm) phase singularity occurred at the center of the spirals, about which were observed oscillations of widely distributed phases. The phase singularity drifted slowly across the tissue (∼1 mm/10 turns). We introduced a computational model of a cortical layer that predicted and replicated many of the features of our experimental findings. We speculate that rotating spiral waves may provide a spatial framework to organize cortical oscillations.

Abstract Focal seizure propagation is classically thought to be spatially contiguous. However, distribution of seizures through a large-scale epileptic network has been theorized. Here, we used a multielectrode array, wide field calcium imaging, and two-photon calcium imaging to study focal seizure propagation pathways in an acute rodent neocortical 4-aminopyridine model. Although ictal neuronal bursts did not propagate beyond a 2-3 mm region, they were associated with hemisphere-wide field potential fluctuations and parvalbumin-positive interneuron activity outside the seizure focus. While bicuculline surface application enhanced contiguous seizure propagation, focal bicuculline microinjection at sites distant to the 4-aminopyridine focus resulted in epileptic network formation with maximal activity at the two foci. Our study suggests that both classical and epileptic network propagation can arise from localized inhibition defects, and that the network appearance can arise in the context of normal brain structure without requirement for pathological connectivity changes between sites.

Abstract Seizures are thought to arise from an imbalance of excitatory and inhibitory neuronal activity. While most classical studies suggest excessive excitatory neural activity plays a generative role, some recent findings challenge this view and instead argue that excessive activity in inhibitory neurons initiates seizures. We investigated this question of imbalance in a zebrafish seizure model with multi-regional two-photon imaging of excitatory and inhibitory neuronal activity using a nuclear-localized calcium sensor. We found that seizures consistently initiated in circumscribed zones of the midbrain before propagating to other brain regions. Excitatory neurons were both more prevalent and more likely to be recruited than inhibitory neurons in initiation as compared with propagation zones. These findings support a mechanistic picture whereby seizures initiate in a region of hyper-excitation, then propagate more broadly once inhibitory restraint in the surround is overcome. Teaser We uncover the roles of excitation and inhibition during seizures, thus opening a path to more targeted therapy of epilepsy.

Walking training is essential for the rehabilitation of lower limbs and overall health maintenance. With the progression in Augmented Reality (AR) and Virtual Reality (VR) technologies, serious exergames incorporating these innovations are gaining popularity in walking training. These games create engaging and interactive environments or tasks to enhance user motivation, training volume, and quality. This study investigates an AR exergame aimed at increasing training volume and improving user experience during walking training. The game underwent extensive multidimensional validations and comparisons. The game includes two modes: “Target-by-Target Guidance”, where users collect sequentially appearing gems at random locations, and “Multi-Target Guidance”, where multiple gems appear at once, allowing users to collect them in any order. The study involved twelve participants who, after becoming familiar with the game, completed 5-minute walking sessions under three conditions: without the game, with Target-by-Target Guidance, and with Multi-Target Guidance. Participants also filled out the Game Experience Questionnaire (GEQ) after each session with the order of conditions randomized. Results indicated that Multi-Target Guidance significantly outperformed Target-by-Target Guidance in terms of total walking distance and Positive affect in the GEQ. However, no significant differences were observed between the two modes in step length, step count, and other GEQ dimensions. Notably, both modes surpassed the “no game” condition in total walking distance and all GEQ dimensions, demonstrating the exergame’s effectiveness in enhancing training volume and user experience. The study’s insights into the superior benefits of Multi-Target Guidance provide valuable guidance for the design of similar serious exergames that focus on walking training through target-oriented tasks.

Single image dehazing and monocular depth estimation algorithms are crucial for environmental perception for autonomous driving. However, few algorithms can simultaneously perform single-image dehazing and depth estimation to solve the problems of perceiving surrounding information for unmanned vehicles in haze. The current algorithm based on the Transformer and Convolutional Neural Networks cannot effectively extract high frequency information and low frequency information in the image, resulting in poor image dehazing and depth estimation ability. Therefore, we design the DADENet network to solve these problems. We enhanced sensitivity to high-frequency information by incorporating Sobel operators and Gaussian blur into the residual unit structure, resulting in the ResNet-Edge-Encoder block. Furthermore, we improved the capability to extract both high-frequency and low-frequency information from feature maps by effectively combining depthwise convolutions with attention structures in the Transformer-Edge-Decoder block. Additionally, we designed the Depth-Transmission loss function to leverage the relationship between depth maps and transmission maps, thereby enhancing the accuracy of both single-image dehazing and depth estimation tasks. Extensive experiments on the NYU, KITTI and Citycapes datasets demonstrate that our DADENet algorithm effectively performs single-image dehazing and depth estimation, surpassing classical and state-of-the-art algorithms.