《Human Brain Mapping》：Successful Single-Session Neural Self-Regulation Through Neurofeedback Varies Between Features
编辑推荐：
神经反馈（NFB）和脑机接口（BCI）研究很少呈现会话内个体学习动态，尽管大部分NFB和BCI用户无法学会控制反馈所需的神经自我调节。理解不同被试间的时间进程和学习动态将有助于研究人员设计更有效的NFB和BCI协议，促进神经自我调节的学习。在本研究中，研究人员
神经反馈（NFB）和脑机接口（BCI）研究很少呈现会话内个体学习动态，尽管大部分NFB和BCI用户无法学会控制反馈所需的神经自我调节。理解不同被试间的时间进程和学习动态将有助于研究人员设计更有效的NFB和BCI协议，促进神经自我调节的学习。在本研究中，研究人员旨在分析四种不同皮层节律在频率和空间选择性方面的自我调节个体学习轨迹。二十名健康被试进行了四节NFB训练，每节训练反馈反映通过脑电图（EEG）测量的不同皮层节律。研究人员专门测试了额中线（fm）Theta、枕叶Alpha、单侧颞中央感觉运动节律（SMR）和中央Beta。研究人员发现所有被试都能自我调节至少两个特征，但在空间和频率域中的特异性存在差异。出乎意料的是，研究人员发现没有被试成功调节fm Theta。通过聚类方法，研究人员在学习者中识别出两种不同特征间的学习动态：线性增加/减少和非线性平台样轨迹。这是首个采用被试内交叉实验设计的NFB研究，能够直接比较多个特征间的神经自我调节。研究结果为“非学习者”问题提供了重要见解，表明它并非一种特征普遍的个人特质。研究人员进一步展示了神经自我调节的特征特异性空间和频率选择性，为未来NFB协议提供了重要考虑。
**论文解读**
**研究背景**
大脑的同步神经元活动可通过脑电图（EEG）测量，不同频率波段与多种认知功能相关，例如额中线Theta（4-7 Hz）参与认知控制，枕叶Alpha（8-12 Hz）与注意和感觉门控相关，感觉运动节律（SMR, 13-15 Hz）和中央Beta（18-25 Hz）与运动准备和抑制有关。神经反馈（NFB）训练基于操作性条件反射，通过反馈引导个体形成对特定脑活动的意志控制，在精神疾病（如注意缺陷多动障碍、创伤后应激障碍）中显示出临床潜力。然而，NFB和脑机接口（BCI）研究长期面临一个核心问题：相当比例（16%-57%）的个体无法成功调节目标脑活动，即“非学习者”现象。以往研究通常针对单一脑电特征，难以区分个体差异与特征特异性效应——即“非学习者”究竟是稳定的个人特质，还是依赖于所训练的具体脑电特征。为解答这一争议，本研究采用被试内交叉设计，让每位被试分别训练四种不同EEG特征，直接比较同一被试在不同特征间的自我调节能力，从而探究学习失败是否具有特征依赖性。论文发表在《Human Brain Mapping》。
**关键技术方法**
研究招募了20名健康成年人（15男5女，年龄20-39岁，平均27.6岁；来源：瑞典伦理审查批准，编号Dnr. 2021-03121）。使用EEG（1000 Hz采样）记录，实时反馈系统基于LabVIEW和MATLAB，采用250毫秒窗口（每100毫秒更新），通过自适应滤波器去除眼动伪迹，空间Laplacian滤波，快速傅里叶变换计算功率谱。离线处理：降采样至100 Hz，带通滤波1-40 Hz，使用伪迹子空间重建（ASR）和独立成分分析（ICA）去噪，再次应用Laplacian滤波。学习轨迹通过惩罚B样条（127个基函数，V-curve选择平滑参数）拟合。学习者定义为超过50%训练时间功率显著高于（上调）或低于（下调）阈值的被试。采用k-shape聚类算法对B样条系数进行聚类，识别不同学习动态。使用广义加性混合模型（GAMM）分析时空模式，并通过大型语言模型（Gemini 2.5 Pro）辅助定性分析自我报告策略。
**研究结果**
**3.1 整体神经反馈训练表现**
通过分析全体被试在四个特征上的调节能力，发现所有被试均能成功调节至少两个特征，但无人能上调额中线Theta（0%成功率）。Alpha上调成功率为60%（12/20），SMR下调成功率为95%（19/20），Beta下调成功率为90%（18/20）。这表明“非学习者”并非固定特质，而是依赖于具体特征。
**3.3 上调额中线Theta的表现**
尽管所有被试均未成功上调Theta，但聚类分析将非学习者分为两组：Cluster 1（n=3）显示Theta功率在额中线区域特异性下降，其他频段无显著变化；Cluster 2（n=17）显示全频段功率下降，且下降幅度更大。这表明单次训练无法实现Theta上调，可能与策略无效或需要多节训练有关。
**3.4 上调枕叶Alpha的表现**
聚类分析识别出两种学习动态：Cluster 1（n=7）表现为双侧枕叶Alpha持续线性增加，伴随SMR和Beta轻微增加；Cluster 2（n=5）表现为右偏侧化Alpha增加，在第3个block后进入平台期，频率特异性更高。非学习者（n=8）显示全频段功率下降。定性分析显示，Cluster 1被试采用高负荷内部注意策略（如心算），Cluster 2被试采用运动想象策略（如骑自行车）。
**3.5 下调单侧颞中央SMR的表现**
Cluster 1（n=7）表现为初始双侧SMR下降，逐渐转为左侧偏侧化，持续至第4个block后保持；Cluster 2（n=12）表现为持续左侧单侧下降，且下降幅度更大。非学习者仅1人，在最后两个block出现下降。所有学习者均显示全频段功率下降，缺乏频率特异性。
**3.6 下调中央Beta的表现**
Cluster 1（n=3）表现为中央区Beta下降后在第6个block后进入平台期；Cluster 2（n=15）表现为持续下降，且下降幅度更大。非学习者（n=2）保持恒定水平。同样缺乏频率和空间特异性，Beta下降伴随全频段功率降低。
**3.7 自我报告策略的定性分析**
学习者普遍报告主动尝试不同策略并找到有效方法（如顺序计数、内部对话），而非学习者报告缺乏控制感、策略频繁切换。不同特征间策略主题存在差异：Alpha上调中，高负荷内部注意与运动想象分别对应不同学习动态；SMR和Beta下调中，多数学习者采用非运动性认知任务，而非运动想象。
**讨论与结论**
讨论部分指出，本研究首次通过被试内交叉设计直接比较四种EEG特征的神经自我调节能力，核心发现是学习能力并非个人特质，而是特征依赖。额中线Theta的单次上调完全失败，可能与需要多节训练或策略指导有关；枕叶Alpha的成功率中等，且存在两种不同学习动态（线性增加与平台），表明个体存在不同神经策略；SMR和Beta的下调成功率高，但缺乏频率和空间特异性，表明被试可能通过调节全局皮层状态（如唤醒水平）而非特定节律实现了控制。聚类分析揭示了以往被平均趋势掩盖的个体学习轨迹差异（线性与非线性）。研究还发现，非选择性反馈协议（未惩罚无关频段）导致SMR和Beta调节伴随全频段功率下降，提示未来需引入相对功率或约束性协议以提高特异性。结论部分翻译如下：
**结论**
总之，本研究采用新颖的分析方法和详细的自我报告策略表征，考察了EEG神经反馈学习在四个频段间的个体间差异。结果表明，所有参与者均能调节至少两个EEG特征，其中许多参与者能调节三个特征。基于这些结果，研究人员挑战了普遍“非学习者”的概念，并将非表现重新定义为特征特异性而非个人特异性现象。上调额中线Theta的能力完全缺失，表明并非所有振荡目标在我们的协议下都同样可被意志控制。相比之下，大多数参与者成功调节了Alpha、SMR和Beta，尽管采用了不同的认知策略，并在空间和频率特异性的程度上有所差异。在方法上，本研究在四个方面推进了神经反馈研究：第一，引入建模神经反馈数据中非线性动态的方法；第二，引入聚类方法对个体学习轨迹形状进行分类，从而识别出不同调节特征，而非依赖聚合群均值或回归斜率；第三，可视化并比较这些聚类的完整学习轨迹，提供更细致的会话内动态视图；第四，报告所有主要频段的调节而非仅限训练频段，揭示了领域中常被忽略的跨频段交互。这些发现对基础科学和临床应用均具有重要意义，倡导从统一协议转向个性化方法。通过识别个体神经反馈能力特征，研究人员可以更好地定制干预措施，利用其特定神经自我调节能力，可能增强这一有前景技术的效果和适用范围。
