Automated seizure detection in electroencephalography (EEG) recordings is a time consuming task, dependent on the expert performing the review. The rapid development in the field of deep learning shows promise in the creation of automated models performing EEG signal classification. However, EEG data requires careful artifact removal, as well as strategies for dealing with inherent imbalance present within samples extracted from epileptic patients. In this work, a simple graph neural network (GNN) using attention to perform classification of EEG segments is proposed. We also elaborate on the effectiveness of signal pre-processing and imbalance handling methods, showing their impact on the model's performance. The results demonstrate that the classificator's performance can be enhanced by choosing proper pre-processing and signal balancing methods. We anticipate that these approaches can be adopted by the researchers working on EEG classification with deep learning models, helping to improve the the robustness of constructed models.

The brain is a complex system with functional and structural networks. Different neuroimaging methods have been developed to explore these networks, but each method has its own unique strengths and limitations, depending on the signals they measure. Combining techniques like electroencephalography (EEG) and functional near-infrared spectroscopy (fNIRS) has gained interest, but understanding how the information derived from these modalities is related to each other remains an exciting open question. The multilayer network model has emerged as a promising approach to integrate different sources data. In this study, we investigated the hemodynamic and electrophysiological data captured by fNIRS and EEG to compare brain network topologies derived from each modality, examining how these topologies vary between resting state (RS) and task-related conditions. Additionally, we adopted the multilayer network model to integrate EEG and fNIRS data and evaluate the benefits of combining multiple modalities compared to using a single modality in capturing characteristic brain functioning. A small-world network structure was observed in the rest, right motor imagery, and left motor imagery tasks in both modalities. We found that EEG captures faster changes in neural activity, thus providing a more precise estimation of the timing of information transfer between brain regions in RS. fNIRS provides insights into the slower hemodynamic responses associated with longer-lasting and sustained neural processes in cognitive tasks. The multilayer approach outperformed unimodal analyses, offering a richer understanding of brain function. Complementarity between EEG and fNIRS was observed, particularly during tasks, as well as a certain level of redundancy and complementarity between the multimodal and the unimodal approach, which depends on the modality and the specific brain state. Overall, the results highlight differences in how EEG and fNIRS capture brain network topology in RS and tasks and emphasize the value of integrating multiple modalities for a comprehensive view of brain connectivity and function.

Epilepsy, the most common neurological disorder worldwide caused by abnormal electrical activity in the brain, represents a great challenge for modern healthcare. The disorder manifests itself by recurrent periods of hyper-synchronized brain activity, or seizures, greatly hampering the quality of an affected person. Proper diagnosis and monitoring of the disease are crucial for the therapy outcomes. Electroencephalography, the most common measurement technique in epilepsy, allows for recording the patient's brain activity via scalp potentials. However, accurate analyses are time-consuming and require a trained expert's knowledge. In this paper, we exploit the non-euclidean relationships between electrodes using graph neural networks. We build our solution using a end-to-end approach, starting with determining optimal pre-processing and class balancing techniques, performing neural architecture search, and using existing algorithms to create explanations for the model's predictions. Our model achieves high performance of 0.9786 AUROC and 92.11 \% balanced accuracy in the final, 10-fold cross-validation evaluation, comparable with the existing state-of-the-art solutions, while also showing promising results in predicting the seizure onset. Obtained explanations provide insights about feature importance and changes in functional connectivity, being consistent with the current clinical knowledge. We also show that the network reliably classifies preictal activity up to 1 hour before seizure occurrence, opening a way to be used as a seizure predictor.

ABSTRACT Identifying relationships between structural and functional networks is crucial for understanding the large-scale organization of the human brain. The potential contribution of emerging techniques like functional near-infrared spectroscopy to investigate the structure-functional relationship has yet to be explored. In our study, we characterize global and local structure-function coupling using source-reconstructed Electroencephalography (EEG) and Functional near-infrared spectroscopy (fNIRS) signals in both resting state and motor imagery tasks, as this relationship during task periods remains underexplored. Employing the mathematical framework of graph signal processing, we investigate how this relationship varies across electrical and hemodynamic networks and different brain states. Results show that fNIRS structure-function coupling resembles slower-frequency EEG coupling at rest, with variations across brain states and oscillations. Locally, the relationship is heterogeneous, with greater coupling in the sensory cortex and increased decoupling in the association cortex, following the unimodal to transmodal gradient. Discrepancies between EEG and fNIRS are noted, particularly in the frontoparietal network. Cross-band representations of neural activity revealed lower correspondence between electrical and hemodynamic activity in the transmodal cortex, irrespective of brain state while showing specificity for the somatomotor network during a motor imagery task. Overall, these findings initiate a multimodal comprehension of structure-function relationship and brain organization when using affordable functional brain imaging.

Contemporary neuroscience is highly focused on the synergistic use of machine learning and network analysis. Indeed, network neuroscience analysis intensively capitalizes on clustering metrics and statistical tools. In this context, the integrated analysis of functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) provides complementary information about the electrical and hemodynamic activity of the brain. Evidence supports the mechanism of the neurovascular coupling mediates brain processing. However, it is not well understood how the specific patterns of neuronal activity are represented by these techniques. Here we have investigated the topological properties of functional networks of the resting-state brain between synchronous EEG and fNIRS connectomes, across frequency bands, using source space analysis, and through graph theoretical approaches. We observed that at global-level analysis small-world topology network features for both modalities. The edge-wise analysis pointed out increased inter-hemispheric connectivity for oxy-hemoglobin compared to EEG, with no differences across the frequency bands. Our results show that graph features extracted from fNIRS can reflect both short- and long-range organization of neural activity, and that is able to characterize the large-scale network in the resting state. Further development of integrated analyses of the two modalities is required to fully benefit from the added value of each modality. However, the present study highlights that multimodal source space analysis approaches can be adopted to study brain functioning in healthy resting states, thus serving as a foundation for future work during tasks and in pathology, with the possibility of obtaining novel comprehensive biomarkers for neurological diseases.

Abstract Contemporary neuroscience is highly focused on the synergistic use of machine learning and network analysis. Indeed, network neuroscience analysis intensively capitalizes on clustering metrics and statistical tools. In this context, the integrated analysis of functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) provides complementary information about the electrical and hemodynamic activity of the brain. Evidence supports the mechanism of the neurovascular coupling mediates brain processing. However, it is not well understood how the specific patterns of neuronal activity are represented by these techniques. Here we have investigated the topological properties of functional networks of the resting-state brain between synchronous EEG and fNIRS connectomes, across frequency bands, using source space analysis, and through graph theoretical approaches. We observed that at global-level analysis small-world topology network features for both modalities. The edge-wise analysis pointed out increased inter-hemispheric connectivity for oxy-hemoglobin compared to EEG, with no differences across the frequency bands. Our results show that graph features extracted from fNIRS can reflect both shortand longrange organization of neural activity, and that is able to characterize the large-scale network in the resting state. Further development of integrated analyses of the two modalities is required to fully benefit from the added value of each modality. However, the present study highlights that multimodal source space analysis approaches can be adopted to study brain functioning in healthy resting states, thus serving as a foundation for future work during tasks and in pathology, with the possibility of obtaining novel comprehensive biomarkers for neurological diseases.

Electroencephalography (EEG) is currently the mostused way to accurately diagnose epilepsy given its ability tomeasure hypersinchronized periods of brain activity known asseizures. However, EEG recordings are noisy and require trainedpractitioners for meaningful information to be extracted. Mostimportantly, further post hoc analyses are inherently time-consuming and subjective. Recent advances in artificial intelli-gence have paved the way to develop automated workflows easingthe task of preprocessing and detecting epileptic activity fromEEG. Yet, these models are ubiquitously difficult to interpretthus posing a challenge for its wide acceptance in clinicalscenarios. Here, we propose a graph neural network enhancedwith attention layers able to accurately and robustly identifypathological brain activity. We provide both feature and graphexplanations for each prediction of the trained model. Crucially,we show how graph neural networks capture non-trivial depen-dencies between cortical regions that agree with the currentclinical consensus. Altogether, these results highlight the factthat explainable artificial intelligence need not compromise itsperformance and represents an improvement in the applicabilityof artificial intelligence networks in clinical practice.