基于BCI的现代神经反馈有助于认知增强
神经反馈是一种人类增强技术，旨在提供心理变量（例如记忆力，注意力，处理速度或执行功能）的认知改善。
神经反馈是一种人类增强技术，其最终目标是优化大脑功能，以实现对记忆、注意力、处理速度或执行功能等心理变量的认知改善。在这种大脑训练技术中，某些特定的大脑模式，例如与认知功能有关的模式，是通过脑电图(EEG)实时监控的，并通过电脑屏幕以听觉或视觉的形式反馈给用户。通过这种方式，用户可以在一定程度上学习塑造与认知功能相关的一些大脑活动模式，从而达到认知增强的目的。
上图为神经反馈的闭环运行。首先，记录EEG信号，并实时解码(提取)一些感兴趣的大脑模式。在这种特定情况下，使用计算机显示器上的视觉表示将这些大脑模式反馈给用户。用户因此可以学习如何以期望的方式对她/他的大脑模式进行模块化。
神经反馈是一组更广泛的技术，被称为生物反馈，其目的是获得一定程度的对生理变量的控制，例如心率，呼吸，皮肤电导率等。当感兴趣的生理变量是“脑电波活动”(EEG)时，就称为脑电图生物反馈或神经反馈。独立于(神经)生理变量之外，所有这些都有一个共同的工作原理:一个人需要实时获得关于她/他自己(隐藏的)生理变量的反馈，以通过操作者调节来促进学习/控制(Skinner,1938)。
神经反馈原理或模型很简单，其操作如图所示。然而，根据所选择的感兴趣的大脑模式，文献中存在几种方案(参见Gruzelier2014综述)。下面，我们将重点讨论一种最有效的认知增强方案:上调受试者特定alpha带。这意味着神经反馈实现可以实时解码针对每个参与者以及头皮后部位置校准的alpha波段的活动。然后，它相应地向用户提供反馈，鼓励用户增加她/他的活动水平(即上调)。
Alpha,认知功能和神经可塑性
大脑控制我们的认知功能，如注意力、工作记忆和执行功能。在临床和研究环境中常用的脑电波活动记录技术，如EEG，使与认知功能相关的大脑活动模式的研究和表征成为可能。
迄今为止，研究最多的大脑模式之一是alpha活动(Klimesch, 1999)。Alpha是人类脑电图的主要频率，最早记录于20世纪20年代(Berger, 1929)。这种节律的特征是在(8-12 Hz) 频率范围内的频谱分析中出现一个“峰值”(图2)，在清醒放松、闭着眼睛时最为明显，在头皮的后部区域最容易观察到(Klimesch, 1999)。睁眼，视觉刺激和注意力增加，会减弱顶枕的alpha节律(Palva and Palva,2007)。它还对运动任务(Pfurtscheller, 1999)和）和不同的认知需求(例如注意力和记忆任务)做出反应(Klimesch, 1999)。
在上图可以看到在10.25Hz处有alpha峰。根据这一点，我们可以将特定于被试者的alpha带定义为呈现不同蓝色色调的区域。
神经科学研究已经提出了在alpha活性和认知能力之间建立因果关系的假说(Klimesch, 1999)。其中一项研究表明，alpha通过主动抑制与正在执行的任务无关的信息，与认知表现相关(Klimeschet al. 2007;Jensen and Mazaheri, 2010) 已经通过实验进行了探索，增加的alpha活性(通过神经反馈)已经表明在工作记忆、注意力和视觉空间能力方面的认知改善(Hanslmayret al. 2005;Zoefel et al.，2011;Nan et al.2012)。
另一个假说补充了前一个假说，即这些技术可能通过学习alpha活动的自我调节而诱发神经可塑性的变化。可塑性是一种神经适应机制，反映了大脑在整个生命过程中重组的能力，并发生在不同的层次(结构、功能、分子和细胞)。这反映了产生变化的区域的活动和功能。目前已知至少有三种与认知功能相关的神经重塑改变的产生方式:药物、电刺激或学习任务。那些由最后一个过程产生的东西，比如神经反馈方法所促进的东西，对人类来说是内源性的和自然的，所以它们有可能随着时间的推移而得到巩固。除此之外，神经反馈还没有显示出任何副作用。
人类自我调节脑电活动的能力在20世纪60年代首次被证明，目标是枕部位置的alpha振荡(Kamiya，1969)。虽然经典的神经反馈方法已经在研究和临床实践中使用了几十年，但由于脑-机接口领域的巨大进展，已经引入了现代科学和技术改进。
这些改进主要是使用高质量的脑电图设备和先进的信号处理算法(基于人工智能技术的伪影的过滤和信号解码),在特定上下文中neurofeedback,允许在线培训的适应一个特定受试者和使用技术的时刻(图3)。
关于现代神经反馈闭环操作图
上图为现代Neurofeedback的闭环操作。首先，执行校准步骤以使在线训练适应于特定于受试者的大脑模式(使用AI技术学习)。然后，在在线训练过程中，将脑电图信号从伪影中过滤出来，并解码感兴趣的大脑模式(使用之前的校准设置)，最后将其反馈给用户在显示器中显示。
1.脑电图采集技术
EEG系统种类繁多，从非常可靠的研究/医疗级设备到价格低廉的可穿戴设备，其可靠性低。设备很重要：:1)提供高信号质量的采集，以准确测量感兴趣的大脑模式;和2)有足够数量的传感器，这些传感器分布在头皮上，可以进行伪影过滤技术。
经典的方法:低成本设备和很少的传感器，甚至一个或两个(Demos, 2005);这可能会影响解码后的大脑模式的质量。
现代方法:现代方法受益于高质量的EEG采集技术与正确数量的传感器分布在所需的大脑区域。在现代方法中，我们可以区分几种类型的设备取决于需要:干EEG设备，高质量的系统，但用户友好且针对实际应用进行了优化;或高覆盖设备，如脑电图帽。两者同样适用于基于BCI的神经反馈。
伪影过滤
EEG伪影是所有具有非神经起源但仍被EEG设备记录并与真实大脑活动融合的电信号。这会使感兴趣的大脑模式的实时识别变得复杂，并且可能会影响训练的有效性。
经典方法：有些方法不执行任何过滤，可能会影响有效性。或者使用简单的方法，例如在检测到眼电伪影时暂停反馈，从而减少了有效的训练时间。
现代方法：有许多类型的伪影会干扰alpha。具有较高发生率的EEG伪影之一是眨眼。这些伪影具有稳定的空间模式，可以使用盲源分离技术将其滤除(Hyvarinen,1999)过滤掉，从而改善信号质量并增加有效反馈时间(图4)。
信号伪影
上图为16个电极记录7秒的脑电图信号。原始信号用蓝色表示，显示闪烁伪影，最明显的是在前部位置。滤过的信号被叠加成黑色。
受试者间和受试者内部脑模式的变异性
众所周知，脑电图的大脑模式以及其中的alpha活性具有很高的受试者间变异性（Haegens等人，2014）。在临床人群中，这种变异性甚至更加严重，如脑电图的研究揭示了一些临床人群中不同的脑模式，如ADHD(图5)。
3个不同个体在静息状态(蓝线)和执行认知任务时(红线)的脑电功率谱图
图5:EEG功率谱。显示了三个不同个体在静息状态(蓝线)和执行认知任务时(红线)的脑电功率谱。可以看到峰值alpha因用户的不同而不同。
此外，alpha活性在受试者内部具有很高的变异性。它会因认知/情绪状态的变化而在不同的训练过程中发生变化(Klimesch,1999)。在神经反馈的情况下，它也可能由于自我调节过程而改变，该过程旨在增强EEG生物反馈过程中的神经调节作用(图6)。
训练项目中患有重度抑郁症和多动症的患者在静息状态(蓝线)
和执行认知任务(红线)时受试者内部的心律变异性图表。
上图脑电图功率谱。这显示了在一个训练项目中，患有重度抑郁和患有ADHD的个体在静止状态下（蓝线）和执行认知任务（红线）时受试者心律的变异性。
经典方法：一些经典方法没有将alpha活动的这种变化考虑在内，而是将alpha频带视为[8-12] Hz频带中的固定间隔（Vernon，2005年）。尽管对于一般普通人群以这种方式定义Alpha已有共识，但要考虑的个体差异也很大。
现代方法:现代方法根据特定对象调整大脑模式，通常在在线训练之前执行校准步骤。特别地，有一种趋势认为，alpha波段作为峰值Alpha频率的一个依赖度量 (IAF, Klimesch, 1999)。因此，Alpha波段可以确定为(IAF-2, IAF+2) Hz间隔(图2)。此外，在线训练的基线需要在每次训练开始时重新计算，以适应训练期间(受试者内部)的变化。
该视频显示了现代神经反馈方法是如何实时工作的。首先，记录原始的脑电图活动：左上图显示脑电图记录在位于顶枕区上方的五个电传感器中。使用短期傅里叶变换，特别是在最后一个EEG秒(灰色)上，可以将这种活动转换为频域。此频率信息显示为[0-30] Hz中的功率谱，其中灰色区域表示较高的alpha功率。还显示了所有头皮中的瞬时上alpha功率值的地形分布(右上)。然后，可以使用初始校准步骤中获得的设置，将时间瞬时上alpha值(在顶枕位置的平均值)映射到色阶，该设置表征了受试者之间和内部的可变性。中心部分显示了时间进程的反馈值，它直接转化为一个颜色比例，而底部部分则显示接收参与者的最终视觉反馈。
用例
下面，我们分享一些旨在增强认知能力的现代神经反馈方法在心理健康方面的研究成果，包括普通人群，患有严重抑郁症的个体以及患有ADHD的儿童。他们可以为读者提供在应用此类技术后在电生理学和认知水平上可以预期的结果的概述。
重度抑郁症患者(Escolano2014a)
对照研究。实验组(n=40)完成8次神经反馈，并与非干预对照组(n=20)进行了比较。在电生理水平上，只有实验组的受试者特异性α活性显著增加(研究前/研究后)，平均增加25%。认知评估的主要结果是，仅在PASAT测试中，实验组显著增加，误差减少24%，执行时间减少15%。这说明抑郁症患者的工作记忆和处理速度得到了改善，从而减轻了认知症状。
重度抑郁症患者神经可塑性变化曲线图
上图为重度抑郁症患者的神经可塑性改变。通过在EEG筛查中的8个训练阶段(黑点，前-后阶段)和训练试验期间(灰点)中显示了alpha活动。可以看到正向增长，从而表明对自我调节过程的学习。
患有注意力缺陷多动障碍(ADHD)的儿童(Escolano 2014b)
探索性的,不受控制的研究。患有多动症的儿童(n=20)进行了18次神经反馈训练。在电生理水平上，(研究前/研究后)发现受试者特异性α活性显著增加，平均增加13%。此外，我们分析了不同频段的跨会话趋势，得到了alpha值的增加和低频活动的减少(注意，ADHD儿童通常表现出过多的低频活动)。
在WISC-IV的字母数字排序测试中，认知评估显示正确答案增加了16%和10%，表明工作记忆和持续注意力得到了增强。最后，父母报告了他们的孩子在注意缺陷和多动/冲动方面的临床改善(两者均约9分)，这是根据Conners 's Parent Rating scale (CPRS-R)进行测量的。
ADHD儿童神经可塑性变化曲线图
上图为ADHD儿童的神经可塑性变化。显示了绝对和相对活动的频率传感器图。频率范围是相对于个体的alpha值表示的，即alpha的上部对应于[0-2]区间。观察到alpha节律的绝对和相对活动显着增加，最突出的是在中央和顶枕区最明显。
General population (Escolano, 2011)
对照研究。实验组(n=6)完成5次神经反馈(连续多天)，并与非干预对照组(n=6)进行比较。样本由平均年龄分别为25岁和27岁的大学生组成。对照组未做脑电图记录。在电生理水平上，实验组的受试者特异性活性(研究前后)显著增加，平均增加65%。实验组在概念广度测试中记忆的单词数量显著增加(12%)，表明工作记忆有所改善。
神经反馈的神经可塑性变化图
上图中，EEG筛查(黑点，前-后阶段)和训练试验(灰色点) 显示了这8个训练过程的alpha活性。可以看到一个积极的趋势，这表明人们正在学习自我调节的过程。
普通人群，假性对照单会话研究(Escolano2014c)
双盲、假对照研究。试验组(n=10)只接受一次训练，并与a placebo control对照组(n=9)进行比较。样本由平均年龄分别为26岁和24岁的大学生组成。在电生理水平上，只有实验组显示出受试者特异性alpha活性的增加(平均13%)，以及在执行认知任务时的去同步性增加阶段性活性为16％)。在行为层面上，两组之间没有显著差异，这表明单次训练并不足以实现认知增强(尽管电生理变化已经很明显)。
神经反馈中的神经塑性变化
上图为神经塑性变化。在EEG筛查(蓝色，前-后阶段)和训练试验(黑色)中，实验组和对照组(左图和右图)显示了alpha活动。仅实验组可观察到积极趋势。
普通人群，对认知表现和正念的影响(Navarro-Gil，2018)
对照研究。这一项主要是评估认知表现和正念量表的效果。实验组(n=27)进行了6次训练，并与非干预对照组(n=23)进行比较。平均年龄分别为37岁和35岁。在电生理水平上，只有实验组的受试者特异性α活性(研究前/研究后)显著增加，平均增加31%。认知评估的主要结果是只有实验组在PASAT测试中有显著的改善:错误答案减少55%，执行时间减少5%。此外，实验组的正念量表(mindfulness scale)也有所提高:FMQ变量整体提高了12分，MAAS提高了6分。
神经塑性改变
上图神经塑性变化：显示了实验组(黑点)和对照组(白点)的alpha节律增加(研究前/研究后)，相对于第一次测量已标准化。
实验室检测结果以外的普通人群(Escolano,2019a;2019 b)
实验室外技术评估(无对照组)。59名参与者接受了5次训练，并在第一天和最后几天进行了认知前和认知后的评估。对训练后参数的增强后分析表明，训练后参数有显著提高，平均提高40.2%。认知评估显示PASAT测试显著提高(记忆单词数量增加55.6%，执行时间减少8%)，表明工作记忆有所改善。
神经反馈引起的神经重塑改变的图表
上图中在EEG筛查(黑点，前-后阶段)和训练试验(灰色点)显示了5个训练阶段的alpha活动。可以看到一个积极的趋势，这表明人们正在学习自我调节的过程。左上角的框显示了会话内的alpha活动(会话间的平均值)，也显示了一个积极的趋势。
基于脑机接口技术(BCI)的现代神经反馈技术的应用，一方面可以在电生理水平上提高对神经反馈作用的认识。上述结果一致表明，人们对特定主题感兴趣的大脑模式有所增加，这在神经科学文献中被发现与认知表现相关，归因于大脑的抑制机制。
另一方面，由于采用了这种科学技术方法，所有的训练参数都是基于计算机算法计算的，根据受试者在使用技术时特定的大脑模式，人们可能会期望在认知结果中有更高的可靠性。虽然有更大的人群样本和更严格的控制条件的临床试验是有必要的，但总体认知能力的提高是一致的，特别是在工作记忆、注意力和处理速度方面。
我们的Elevvo技术实现了基于BCI的现代神经反馈以增强认知能力，后者的研究展示了与该技术客户的应用相对应的结果(Escolano, 2019a;2019 b)。这些积极的结果表明，对于那些希望维持和增强其认知功能的人群，这种创新的现代EEG生物反馈疗法是一种强大的补充性认知疗法。基于BCI的神经反馈疗法已被证明更有效，并且诱导的神经增生性改变可维持更长的时间。
说明：由于笔者的能力和时间仓促，编译的内容有可能存在错误的地方，欢迎大家指正，我这边会改动！
参考文献:
Berger, H. (1929). Über das elektrenkephalogramm des menschen. European Archives of Psychiatry and Clinical Neuroscience, 87(1):527–570.
Demos, J. N. (2005). Getting started with neurofeedback. WW Norton & Company.
Escolano, C., Navarro-Gil, M., Garcia-Campayo, J., Congedo, M., De Ridder, D., & Minguez, J. (2014a). A controlled study on the cognitive effect of alpha neurofeedback training in patients with major depressive disorder. Frontiers in Behavioral Neuroscience, 8(296). https://www.frontiersin.org/articles/10.3389/fnbeh.2014.00296/full
Escolano, C., Navarro-Gil, M., Garcia-Campayo, J., Congedo, M., & Minguez, J. (2014b). The effects of individual upper alpha neurofeedback in ADHD: An open-label pilot study. Applied Psychophysiology and Biofeedback, 39(3-4), 193-202. https://link.springer.com/article/10.1007/s10484-014-9257-6
Escolano, C., Navarro-Gil, M., Garcia-Campayo, J., & Minguez, J. (2014c). The effects of a single session of upper alpha neurofeedback for cognitive enhancement: A sham-controlled study. Applied Psychophysiology and Biofeedback, 39(3-4), 227-236. https://link.springer.com/article/10.1007/s10484-014-9262-9
Escolano, C., Aguilar, M., & Minguez, J. (2011). EEG-based upper alpha neurofeedback training improves working memory performance. In International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (p. 2327-2330). Boston (USA). http://ieeexplore.ieee.org/document/6090651/
Escolano, C., Montesano, L. & Minguez, J. (2019a). On Modern Neurofeedback Solutions based on Brain-Computer Interfaces in Uncontrolled Real-World Settings. In IEEE International Conference on Systems, Man, and Cybernetics (SMC). Bari (Italy).
Escolano, C., Montesano, L. & Minguez, J. (2019b). A Business Proof-of-Concept of a Brain-Computer Interface for Cognitive Enhancement. In IEEE International Conference on Systems, Man, and Cybernetics (SMC). Bari (Italy).
Gruzelier, J. H. (2014). EEG-neurofeedback for optimising performance. I: a review of cognitive and affective outcome in healthy participants. Neuroscience & Biobehavioral Reviews, 44, 124-141.
Haegens, S., Cousijn, H., Wallis, G., Harrison, P. J., and Nobre, A. C. (2014). Inter-and intra-individual variability in alpha peak frequency. NeuroImage, 92:46–55.
Hanslmayr, S., Sauseng, P., Doppelmayr, M., Schabus, M., and Klimesch, W. (2005). Increasing individual upper alpha power by neurofeedback improves cognitive performance in human subjects. Applied Psychophysiology and Biofeedback, 30:1–10.
Hyvarinen, A. (1999). Fast and robust fixed-point algorithms for independent component analysis. Neural Networks, IEEE Transactions on, 10(3):626–634.
Jensen, O., & Mazaheri, A. (2010). Shaping functional architecture by oscillatory alpha activity: gating by inhibition. Frontiers in human neuroscience, 4, 186.
Kamiya, J. (1969). Operant control of the EEG alpha rhythm and some of its reported effects on consciousness. Altered states of consciousness. New York: Wiley, 1069.
Klimesch, W. (1999). EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Research Reviews, 29(2-3):169 – 195.
Klimesch, W., Sauseng, P., and Hanslmayr, S. (2007). EEG alpha oscillations: the inhibition-timing hypothesis. Brain research reviews, 53(1):63–88.
Palva, S. and Palva, J. M. (2007). New vistas for alpha-frequency band oscillations. Trends in neurosciences, 30(4):150–8.
Pfurtscheller, G. and Lopes da Silva, F. H. (1999). Event-related EEG/MEG synchronization and desynchronization: basic principles. Clinical Neurophysiology, 110(11):1842–1857.
Nan, W., Rodrigues, J. P., Ma, J., Qu, X., Wan, F., Mak, P. I., Mak, P. U., Vai, M. I., and Rosa, A. (2012). Individual alpha neurofeedback training effect on short term memory. International Journal of Psychophysiology, 86(1):83–87.
Navarro-Gil, M., Escolano, C., Montero-Marín, J., Minguez, J., Shonin, E., & Garcia-Campayo, J. (2018). Efficacy of neurofeedback on the increase of mindfulness-related capacities in healthy individuals: a controlled trial. Mindfulness, 9, 303-311. https://link.springer.com/article/10.1007/s12671-017-0775-1
Skinner, B. F. (1938). The behavior of organisms: An experimental analysis. Oxford, England: Appleton-Century.
Vernon, D. J. (2005). Can neurofeedback training enhance performance? An evaluation of the evidence with implications for future research. App. Psychophysiology and Biofeedback, 30:347–364.
Zoefel, B., Huster, R. J., and Herrmann, C. S. (2011). Neurofeedback training of the upper alpha frequency band in EEG improves cognitive performance. NeuroImage, 54(2):1427 – 1431.
作者: Rose