Abstract A fundamental set of cognitive abilities enable humans to efficiently process goal-relevant information, suppress irrelevant distractions, maintain information in working memory, and act flexibly in different behavioral contexts. Yet, studies of human cognition and their underlying neural mechanisms usually evaluate these cognitive constructs in silos, instead of comprehensively in-tandem within the same individual. Here, we developed a scalable, mobile platform, “ BrainE ” (short for Brain Engagement), to rapidly assay several essential aspects of cognition simultaneous with wireless electroencephalography (EEG) recordings. Using BrainE , we rapidly assessed five aspects of cognition including (1) selective attention, (2) response inhibition, (3) working memory, (4) flanker interference and (5) emotion interference processing, in 102 healthy young adults. We evaluated stimulus encoding in all tasks using the EEG neural recordings, and isolated the cortical sources of the spectrotemporal EEG dynamics. Additionally, we used BrainE in a two-visit study in 24 young adults to investigate the reliability of the neuro-cognitive data as well as its plasticity to transcranial magnetic stimulation (TMS). We found that stimulus encoding on multiple cognitive tasks could be rapidly assessed, identifying common as well as distinct task processes in both sensory and cognitive control brain regions. Event related synchronization (ERS) in the theta (3-7 Hz) and alpha (8-12 Hz) frequencies as well as event related desynchronization (ERD) in the beta frequencies (13-30 Hz) were distinctly observed in each task. The observed ERS/ERD effects were overall anticorrelated. The two-visit study confirmed high test-retest reliability for both cognitive and neural data, and neural responses showed specific TMS protocol driven modulation. We also show that the global cognitive neural responses are sensitive to mental health symptom self-reports. This first study with the BrainE platform showcases its utility in studying neuro-cognitive dynamics in a rapid and scalable fashion. Highlights Rapid and scalable EEG recordings reveal common and distinct cortical activations across five core cognitive tasks. Data acquired across visits one-week-apart show high test-retest reliability for both cognitive and neural measurements. Evoked neural responses during emotion interference processing demonstrate specific short-term plasticity driven by type of neurostimulation. Cognitively evoked neural responses are sensitive to variations in mental health symptoms.

Abstract Choice selection strategies and decision making are typically investigated using multiple-choice gambling paradigms that require participants to maximize reward payoff. However, research shows that performance in such paradigms suffers from individual biases towards the frequency of gains to choose smaller local gains over larger longer term gain, also referred to as melioration. Here, we developed a simple two-choice reward task, implemented in 186 healthy human adult subjects across the adult lifespan to understand the behavioral, computational, and neural bases of payoff maximization versus melioration. The observed reward choice behavior on this task was best explained by a reinforcement learning model of differential future reward prediction. Simultaneously recorded and source-localized electroencephalography (EEG) showed that diminished theta-band activations in the right rostral anterior cingulate cortex (rACC) correspond to greater reward payoff maximization, specifically during the presentation of cumulative reward information at the end of each task trial. Notably, these activations (greater rACC theta) predicted depressed mood symptoms, thereby showcasing a reward processing marker of potential clinical utility. Significance Statement This study presents cognitive, computational and neural (EEG-based) analyses of a rapid reward-based decision-making task. The research has the following three highlights. 1) It teases apart two core aspects of reward processing, i.e. long term expected value maximization versus immediate gain frequency melioration based choice behavior. 2) It models reinforcement learning based behavioral differences between individuals showing that observed performance is best explained by differential extents of reward prediction. 3) It investigates neural correlates in 186 healthy human subjects across the adult lifespan, revealing specific theta band cortical source activations in right rostral anterior cingulate as correlates for maximization that further predict depressed mood across subjects.

Objective: A promising application of BCI technology is in the development of personalized therapies that can target neural circuits linked to mental or physical disabilities. Typical BCIs, however, offer limited value due to simplistic designs and poor understanding of the conditions being treated. Building BCIs on more solid grounds may require the characterization of the brain dynamics supporting cognition and behavior at multiple scales, from single-cell and local field potential (LFP) recordings in animals to non-invasive electroencephalography (EEG) in humans. Despite recent efforts, a unifying software framework to support closed-loop studies in both animals and humans, is still lacking. The objective of this paper is to develop such a neurotechnology software framework. Approach: Here we develop the Simulink for Brain Signal Interfaces library (SimBSI). Simulink is a mature graphical programming environment within MATLAB that has gained traction for processing electrophysiological data. SimBSI adds to this ecosystem: 1) advanced human EEG source imaging, 2) cross-species multimodal data acquisition based on the Lab Streaming Layer library, and 3) a graphical experimental design platform. Main results: We used several examples to demonstrate the capabilities of the library, ranging from simple signal processing, to online EEG source imaging, cognitive task design, and closed-loop neuromodulation. We further demonstrate the simplicity of developing a sophisticated experimental environment for rodents within this environment. Significance: With the SimBSI library we hope to aid BCI practitioners of dissimilar backgrounds in the development of, much needed, single and cross-species closed-loop neuroscientific experiments. These experiments may provide the necessary mechanistic data for BCIs to become effective therapeutic tools.

Abstract Children with attention-deficit/hyperactivity disorder show deficits in processing speed, as well as aberrant neural oscillations, including both periodic (oscillatory) and aperiodic (1/f-like) activity, reflecting the pattern of power across frequencies. Both components were suggested as underlying neural mechanisms of cognitive dysfunctions in attention-deficit/hyperactivity disorder. Here, we examined differences in processing speed and resting-state-Electroencephalogram neural oscillations and their associations between 6- and 12-year-old children with (n = 33) and without (n = 33) attention-deficit/hyperactivity disorder. Spectral analyses of the resting-state EEG signal using fast Fourier transform revealed increased power in fronto-central theta and beta oscillations for the attention-deficit/hyperactivity disorder group, but no differences in the theta/beta ratio. Using the parameterization method, we found a higher aperiodic exponent, which has been suggested to reflect lower neuronal excitation-inhibition, in the attention-deficit/hyperactivity disorder group. While fast Fourier transform–based theta power correlated with clinical symptoms for the attention-deficit/hyperactivity disorder group only, the aperiodic exponent was negatively correlated with processing speed across the entire sample. Finally, the aperiodic exponent was correlated with fast Fourier transform–based beta power. These results highlight the different and complementary contribution of periodic and aperiodic components of the neural spectrum as metrics for evaluation of processing speed in attention-deficit/hyperactivity disorder. Future studies should further clarify the roles of periodic and aperiodic components in additional cognitive functions and in relation to clinical status.

ABSTRACT Human cognition is characterized by a wide range of capabilities including goal-oriented selective attention, distractor suppression, decision making, response inhibition, and working memory. Much research has focused on studying these individual components of cognition in isolation, whereas in several translational applications for cognitive impairment, multiple cognitive functions are altered in a given individual. Hence it is important to study multiple cognitive abilities in the same subject or, in computational terms, model them using a single model. To this end, we propose a unified, reinforcement learning-based agent model comprising of systems for representation, memory, value computation and exploration. We successfully modelled the aforementioned cognitive tasks and show how individual performance can be mapped to model meta-parameters. This model has the potential to serve as a proxy for cognitively impaired conditions, and can be used as a clinical testbench on which therapeutic interventions can be simulated first before delivering to human subjects.

ABSTRACT Economic choice and inhibition are two important elements of our cognitive repertoires that may be closely related. We and others have noted that during economic choice, options are typically considered serially; this fact provides important constraints on our understanding of choice. Notably, asynchronous contemplation means that each individual option is subject to an accept-reject decision. We have proposed that these component accept-reject decisions may have some kinship with stopping decisions. One prediction of this idea is that stopping and choice may reflect similar neural processes occurring in overlapping brain circuits. To test the idea, we recorded neuronal activity in orbitofrontal cortex (OFC) Area 13 while macaques performed a stop signal task interleaved with a structurally matched choice task. Using neural network decoders, we find that OFC ensembles have overlapping codes for stopping and choice: the decoder that was only trained to identify accept vs. reject trials performed with higher efficiency even when tested on the stop trials. These results provide tentative support for the idea that mechanisms underlying inhibitory control and choice selection may be subject to theoretical unification.

Economic choice and stopping are not traditionally treated as related phenomena. However, we were motivated by foraging models of economic choice to hypothesize that they may reflect similar neural processes occurring in overlapping brain circuits. We recorded neuronal activity in orbitofrontal cortex (OFC), while macaques performed a stop signal task interleaved with a structurally matched economic choice task. Decoding analyses show that OFC ensembles predict successful versus failed stopping both before the trial and immediately after the stop signal, even after controlling for value predictions. These responses indicate that OFC contributes both proactively and reactively to stopping. Moreover, OFC neurons engagement in one task positively predicted their engagement in the other. Finally, firing patterns that distinguished low from high value offers in the economic task distinguished failed and successful trials in the stopping task. These results endorse the idea that economic choice and inhibition may be subject to theoretical unification.

Bipolar disorder is characterized by mood swings -- oscillations between manic and depressive states. The swings (oscillations) mark the length of an episode in a patients mood cycle (period), and can vary from hours to years. The proposed modeling study uses decision making framework to investigate the role of basal ganglia network in generating bipolar oscillations. In this model, the basal ganglia system performs a two-arm bandit task in which one of the arms leads to a positive outcome, while the other leads to a negative outcome. In healthy conditions, the model chooses positive action and avoids negative one, whereas under bipolar conditions, the model exhibits slow oscillations in its choice of positive or negative outcomes, reminiscent of bipolar oscillations. The model is cast at three levels of abstraction: 1) a two-dimensional dynamical system model, 2) a phenomenological basal ganglia model, 3) a detailed network model of basal ganglia. Phase-plane analyses on the simple reduced dynamical system with two variables reveal the essential parameters that generate pathological bipolar-like oscillations. Phenomenological and network models of the basal ganglia extend that logic, and interpret bipolar oscillations in terms of the activity of dopaminergic and serotonergic projections on the cortico-basal ganglia network dynamics. The network dysfunction, specifically in terms of reward and risk sensitivity, is shown to be responsible for the pathological bipolar oscillations. The study proposes a computational model that explores the effects of impaired serotonergic neuromodulation on the dynamics of the cortico basal ganglia network, and relates this impairment to abstract mood states (manic and depressive episodes) and oscillations of bipolar disorder.

SUMMARY Stopping, or inhibition, is a form of self-control that is a core part of adaptive behavior. We hypothesize that inhibition commands originate, in part, from the orbitofrontal cortex (OFC). We recorded activity of OFC neurons in macaques performing a stop signal task. Decoding analyses revealed a clear difference in ensemble responses that distinguish successful from failed inhibition that begins after the stop signal and before the stop signal reaction time. We also found a different and unrelated ensemble pattern that distinguishes successful from failed stopping before the beginning of the trial. These signals were distinct from, and orthogonal to, value encoding, which was also observed in these neurons. The timing of the early and late signals was, respectively, consistent with the idea that OFC contributes both proactively and reactively to inhibition. These results support the view, inspired by anatomy, that OFC gathers diverse sensory inputs to compute early-stage executive signals.