神经反馈(Neurofeedback, NF)是一种心理生理过程，通过测量参与者的神经活动并将其转换成视觉、听觉或其他表征，从而实时呈现给参与者，以此来实现其自我调节。对特定神经基质的学习控制已被证明可以改变特定行为，通过神经反馈训练来调节大脑活动从而对神经系统和精神障碍患者进行神经反馈干预是相当必要的。因此，在过去的几年里，神经反馈干预的临床应用一直在患有相关疾病的患者中进行，如注意缺陷/多动障碍(ADHD)、抑郁、成瘾、焦虑障碍、精神分裂症、创伤后应激障碍、妥瑞氏综合征和帕金森病等。

图1 神经反馈示意图

在脑电神经反馈早期的研究中，主要通过谱功率、事件相关电位等作为反馈信号来调控大脑活动，如通过神经反馈训练增加额叶的 alpha 频带功率来尝试改善健康受试者的认知和行为表现或采用 Pz 电极处 alpha 频带功率的峰值作为反馈信号来提升学习效率【1-2】等。随着研究的深入，反馈信号的形式也逐渐变化，更复杂多样，如等人采用F3-F4电极处的alpha频带的相干性作为反馈信号进行神经反馈调控研究，并与基于alpha频带功率的神经反馈调控进行了对比，结果发现，无论是从fMRI BOLD 信号变化、功能连接性变化、脑电图额叶不对称性、脑电图相干性还是心理测量评估，基于连接性（电极之间的相干性）的神经反馈调控几乎各方面指标均优于基于活动（谱功率）的神经反馈调控【3】。

另一方面，有研究发现神经反馈调控存在“泄露现象”，即一个大脑频段的调制也会导致其他大脑频带发生变化【1】，这表明大脑功能是由复杂的多脑区协同的时空模式决定的，而非单一脑区或频段的孤立变化。这些研究结果显示传统的神经反馈中反馈信号维度单一、仅能反映单一脑区或频段的孤立变化，难以精确捕捉高级认知功能反映的多脑区协同的时空模式及神经编码的动态模式。因此需要采用新方法来解决上述问题。

基于解码的神经反馈通过机器学习或其他方式从多通道脑电信号中解码出与特定认知/行为相关的更复杂的神经表征模式，从而可以实现更精准的脑功能调控。

采用机器学习的方法对脑电进行解码在相关研究中最为常见，Josef Faller 等人采用CSP算法提取5个频段的6个特征，并使用LDA算法将30维特征空间投影到标量维度，最后将输出归一化得到缩放参数从而实现唤醒水平的解码，该研究将解码出的信号以听觉形式反馈到正在进行边界回避任务（BAT）的被试身上，从而让其实现自我唤醒水平的调节，结果显示，神经反馈组的行为表现显著高于无反馈组和假反馈组，证明了这种解码方法和神经反馈调控方式的有效性【4】。

图2 基于机器学习进行脑电解码的神经反馈研究

另一种较为独特的解码方式为fMRI启发的脑电解码。相比于脑电图而言，fMRI具有高空间分辨率的优势，能够精确地绘制出大脑中深层区域的特定活动，但是与EEG的便携和低成本相比，使用fMRI所带来的不便和经济压力阻碍了其在神经反馈领域的广泛应用，另外较低的时间分辨率也是限制其发展的一大原因。因此同步采集脑电和fMRI信号，基于fMRI进行更准确的深层脑区的脑电解码研究，将可以结合脑电图和fMRI两者的优势，建立更精准、更迅速、更便携的神经反馈方式。Meir-Hasson 等人采用多元线性岭回归的方式建立了脑电和fMRI-杏仁核区域的线性模型，即使用脑电进行解码即可反映出杏仁核区域的大脑活动，从而实现基于杏仁核的神经反馈调控【5】。相关方法已应用在内隐情绪调节和压力恢复方面，均取得了一定的效果。

图3 基于fMRI启发的脑电解码神经反馈

综上所述，传统神经反馈因依赖单一维度的反馈信号，难以捕捉大脑高级认知功能所呈现的多脑区协同时空模式及动态神经编码，在调控精准性上存在局限。而基于脑电解码的神经反馈，通过机器学习、fMRI 启发的解码等方法，从多通道脑电信号中提取与特定认知或行为相关的复杂神经表征，有效突破了传统方法的瓶颈，实现了更精准的脑功能调控。这种以解码为核心的新范式，不仅能规避 “泄露现象” 带来的干扰，更能贴合大脑功能的协同本质，为神经反馈在临床（如精神障碍、神经退行性疾病干预）及认知增强等领域的应用开辟了新路径。未来，随着解码算法的优化与多模态数据融合的深入，基于脑电解码的神经反馈有望进一步提升调控效能，成为连接脑科学基础研究与临床转化的重要桥梁。

参考文献：

【1】Mahmood, Danyal, Humaira Nisar, and Chi-Yi Tsai. Exploring the Efficacy of Neurofeedback Training in Modulating Alpha-Frequency Band and Its Effects on Functional Connectivity and Band Power. Expert systems with applications 254 (2024): 124415.

【2】Parsons, Brendan, and Jocelyn Faubert. Enhancing Learning in a Perceptual-Cognitive Training Paradigm Using EEG-Neurofeedback. Scientific reports 11.1 (2021): 4061.

【3】Amin Dehghani, Hamid Soltanian-Zadeh, and Gholam-Ali Hossein-Zadeh. Neural Modulation Enhancement Using Connectivity-Based EEG Neurofeedback with Simultaneous fMRI for Emotion Regulation. NeuroImage 279 (2023): 120320.

【4】Faller J, Cummings J, Saproo S, Sajda P. Regulation of arousal via online neurofeedback improves human performance in a demanding sensory-motor task. Proc Natl Acad Sci 116(2019): 6482-6490.

【5】Meir-Hasson, Yehudit et al. An EEG Finger-Print of fMRI Deep Regional Activation. NeuroImage 102 (2014): 128–141.

撰稿：刘泽梦  秦云  刘铁军；排版：胡沈辛

来源：Bacomics

仅用于学术分享，若侵权请留言，即时删侵！

欢迎加入脑机接口AI星球，获取更多脑机接口+AI等领域的知识和资源。

合作咨询请添加微信:RoseBCI【备注：姓名+行业/专业】。

   欢迎来稿   

1.欢迎来稿。投稿咨询，请联系微信：RoseBCI

点击投稿：脑机接口社区学术新闻投稿指南

2.加入社区成为兼职创作者，请联系微信：RoseBCI

一键三连「分享」、「点赞」和「在看」

不错过每一条脑机前沿进展