Abstract Population-level modeling can define quantitative measures of individual aging by applying machine learning to large volumes of brain images. These measures of brain age, obtained from the general population, helped characterize disease severity in neurological populations, improving estimates of diagnosis or prognosis. Magnetoencephalography (MEG) and Electroencephalography (EEG) have the potential to further generalize this approach towards prevention and public health by enabling assessments of brain health at large scales in socioeconomically diverse environments. However, more research is needed to define methods that can handle the complexity and diversity of M/EEG signals across diverse real-world contexts. To catalyse this effort, here we propose reusable benchmarks of competing machine learning approaches for brain age modeling. We benchmarked popular classical machine learning pipelines and deep learning architectures previously used for pathology decoding or brain age estimation in 4 international M/EEG cohorts from diverse countries and cultural contexts, including recordings from more than 2500 participants. Our benchmarks were built on top of the M/EEG adaptations of the BIDS standard, providing tools that can be applied with minimal modification on any M/EEG dataset provided in the BIDS format. Our results suggest that, regardless of whether classical machine learning or deep learning was used, the highest performance was reached by pipelines and architectures involving spatially aware representations of the M/EEG signals, leading to R^2 scores between 0.60-0.71. Hand-crafted features paired with random forest regression provided robust benchmarks even in situations in which other approaches failed. Taken together, this set of benchmarks, accompanied by open-source software and high-level Python scripts, can serve as a starting point and quantitative reference for future efforts at developing M/EEG-based measures of brain aging. The generality of the approach renders this benchmark reusable for other related objectives such as modeling specific cognitive variables or clinical endpoints. Highlights - We provide systematic reusable benchmarks for brain age from M/EEG signals - The benchmarks were carried out on M/EEG from four countries > 2500 recordings - We compared machine learning pipelines capable of handling the non-linear regression task of relating biomedical outcomes to M/EEG dynamics, based on classical machine learning and deep learning - Next to data-driven methods we benchmarked template-based source localization as a practical tool for generating features less affected by electromagnetic field spread - The benchmarks are built on top of the MNE ecosystem and the braindecode package and can be applied on any M/EEG dataset presented in the BIDS format

Abstract The brain’s biological age has been considered as a promising candidate for a neurologically significant biomarker. However, recent results based on longitudinal magnetic resonance imaging (MRI) data have raised questions on its interpretation. A central question is whether an increased biological age of the brain is indicative of brain pathology and if changes in brain age correlate with diagnosed pathology (state hypothesis). Alternatively, could the discrepancy in brain age be a stable characteristic unique to each individual (trait hypothesis)? To address this question, we present a comprehensive study on brain aging based on clinical Electroencephalography (EEG), which is complementary to previous MRI-based investigations. We apply a state-of-the-art temporal convolutional network (TCN) to the task of age regression. We train on recordings of the Temple University Hospital EEG Corpus (TUEG) explicitly labeled as non-pathological and evaluate on recordings of subjects with non-pathological as well as pathological recordings, both with examinations at a single point in time TUH Abnormal EEG Corpus (TUAB) and repeated examinations over time. Therefore, we created four novel subsets of TUEG that include subjects with multiple recordings: repeated non-pathological (RNP): all labeled non-pathological; repeated pathological (RP): all labeled pathological; transition non-patholoigical pathological (TNPP): at least one recording labeled non-pathological followed by at least one recording labeled pathological; and transition pathological non-pathological (TPNP): similar to TNPP but with opposing transition (first pathological and then non-pathological). The results show that our TCN reaches state-of-the-art performance in age decoding on non-pathological subjects of TUAB with a mean absolute error of 6.6 years and an R2 score of 0.73. Our extensive analyses demonstrate that the model underestimates the age of non-pathological and pathological subjects, the latter significantly (-1 and -5 years, paired t-test, p = 0.18 and p = 6.6e−3). Furthermore, there exist significant differences in average brain age gap between non-pathological and pathological subjects both with single examinations (TUAB) and repeated examinations (RNP vs. RP) (-4 and -7.48 years, permutation test, p = 1.63e−2 and p = 1e−5). We find mixed results regarding the significance of pathology classification based on the brain age gap biomarker. While it is indicative of pathological EEG in datasets TUAB and RNP versus RP (61.12% and 60.80% BACC, permutation test, p = 1.32e−3 and p = 1e−5), it is not indicative in TNPP and TPNP (44.74% and 47.79% BACC, permutation test, p = 0.086 and p = 0.483). Additionally, all of these classification scores are clearly inferior to the ones obtained from direct EEG pathology classification at 86% BACC and higher. Furthermore, we could not find evidence that a change of EEG pathology status within subjects relates to a significant change in brain age gap in datasets TNPP and TPNP (0.46 and 1.35 years, permutation test, p = 0.825 and p = 0.43; and Wilcoxon-Mann-Whitney and Brunner-Munzel test, p = 0.13). Our findings, thus, support the trait rather than the state hypothesis for brain age estimates derived from EEG. In summary, our findings indicate that the neural underpinnings of brain age changes are likely more multifaceted than previously thought, and that taking this into account will benefit the interpretation of empirically observed brain age dynamics.