Garden:

11:00   –     [Optional] Toolbox tutorial

·  MNE – G. Niso

·  Fieldtrip – J. Pérez-Navarro

14:00   –     Opening remarks

14:30   –     [Global] Theoretical advances made thanks to MEEG

·  Electrophysiology and the Gut-brain-consciousness axis – C. Tallon-Baudry

· Tracking Attentional Dynamics Across Vision, Working Memory, and Action – F. Van Ede

· Emergence of language during early developement – C. François

17:30   –     Posters & Wine

9:00    –     Local Talks – Session 1

·  Some tips and resources for good practice in EEG – Guiomar Niso

·  Brain oscillations during resting state – Almudena Capilla

10:30   –     Break

11:00   –     Tutorial 1 – Heart Evoked Potentials – Luis Ciria

13:00   –     Lunch

14:30   –  [Global] Real-time processing and machine learning of EEG for BCI?

· Top-notch machine learning methods – R. Kobler

·  Facing the small data reality Michael Tangermann – M. Tangermann

·  Conducting BCI protocols with patients – T. Vaughan

17:30   –    Break

17:45   –     Special Session – Citizen and Community Neuroscience – Ricardo Mutuberria

9:00    –     Local Talks – Session 2

·  Neural tracking of environmental time – N. Molinaro

·  Novel multivariate methods for the analysis of oscillations in EEG/MEG data – C. Vidaurre

10:30   –     Break

11:00   –     Tutorial 2 – Cortical tracking of speech – M. Lizarazu

13:00   –     Lunch

14:30   –     [Global] Reproducible processing pipelines and multiverses

·  EEGmanypipelines – E. Cesnaite

·  Multiverse analysis – P. Clayson

·  Agreed Reporting Template for EEG Methodology – International Standard – Anđela Šoškić

20:30   –     Social Dinner

9:00    –     Local Talks – Session 3

·  Cortical tracking of speech in young infants and its relation to language development in the first years of life – M. Kalashnikova

·  Neural oscillations in reading development – M. Lallier

10:30   –     Break

11:00   –     Tutorial 3 – Temporal Response Functions – S. Matar

13:00   –     Lunch

14:30   –     [Global] Deep neural network analysis of MEEG data: A roadmap to using machine learning with MEEG

·  Learning M/EEG representations with self-supervision – H. Banville

·  Classic machine learning versus deep learning: is there a clear winner? – M. De Vos

·  Using artificial DNN to predict and understand human vision – R. Martin Cichy