دستگاه‌های نوروفیدبک به عنوان سیستم‌های یکپارچه

دستگاه نوروفیدبک چیست؟

دستگاه نوروفیدبک سیگنال‌های مرتبط با فعالیت مغز را اندازه‌گیری می‌کند و اطلاعات مربوط به آن سیگنال‌ها را به کاربر ارائه می‌دهد، که اغلب به صورت نشانه‌های دیداری یا شنیداری است. هدف کلی این است که به فرد امکان داده شود تغییرات در فعالیت خود را مشاهده کند و پاسخ دادن به آن بازخورد را تمرین نماید. دستگاه‌ها از نظر آنچه اندازه‌گیری می‌کنند، نحوه پردازش سیگنال‌ها و چگونگی ارائه بازخورد با یکدیگر تفاوت دارند. یک دستگاه نوروفیدبک به خودی خود یک تشخیص یا اثباتی بر وجود یک بیماری خاص نیست.

نوروفیدبک چگونه کار می‌کند؟

در یک جلسه معمول، حسگرها در حالی که فرد یک کار را انجام می‌دهد، استراحت می‌کند یا با یک برنامه بازخورد تعامل دارد، سیگنالی را جمع‌آوری می‌کنند. نرم‌افزار داده‌های ورودی را پردازش کرده و بر اساس یک قاعده مشخص، نمایشگر، صدا یا نشانه دیگری را تغییر می‌دهد.

سپس کاربر می‌تواند راهبردهای ذهنی مختلف را امتحان کند و متوجه شود که آیا بازخورد تغییر می‌کند یا خیر. این روش معمولاً به عنوان شکلی از بیوفیدبک توصیف می‌شود، اگرچه پروتکل تمرینی و معنای بازخورد آن متفاوت است.

چرخه اندازه‌گیری، بازخورد و تمرین در این رویکرد نقشی اساسی دارد. حسگرها افکار را نمی‌خوانند و نمایشگر بازخورد نیز گزارش مستقیمی از وضعیت روانی فرد نیست. بلکه، ویژگی‌های منتخبی از یک سیگنال اندازه‌گیری‌شده را نشان می‌دهد که ممکن است تحت تأثیر حرکت، تماس الکترود و نحوه پردازش داده‌ها توسط نرم‌افزار قرار گیرد. درک این تمایز کمک می‌کند تا ادعاهای مطرح‌شده درباره یک جلسه در حد و اندازه واقعی خود حفظ شوند.

انواع دستگاه‌های نوروفیدبک

سیستم‌های نوروفیدبک را می‌توان بر اساس سیگنال‌هایی که اندازه‌گیری می‌کنند و محیطی که در آن استفاده می‌شوند، متمایز کرد. برخی به فعالیت الکتریکی ثبت‌شده در پوست سر تکیه دارند، در حالی که برخی دیگر از اندازه‌گیری‌های مبتنی بر نور استفاده می‌کنند یا حسگرها را با اشکال دیگر بازخورد ترکیب می‌نمایند. فناوری بر آنچه دستگاه می‌تواند مشاهده کند تأثیر می‌گذارد، اما به خودی خود کیفیت یک برنامه تمرینی را مشخص نمی‌کند. یک مقایسه اولیه، دیدن این تفاوت‌ها را آسان‌تر می‌کند.

نوروفیدبک EEG

نوروفیدبک EEG از الکترودها برای ثبت فعالیت الکتریکی از پوست سر استفاده می‌کند. دستگاه یا نرم‌افزار مربوطه ثبت‌ها را پردازش کرده و ممکن است بازخورد را بر اساس ویژگی‌های سیگنال انتخابی ارائه دهد. قرارگیری الکترود، تماس، حرکت و پردازش سیگنال همگی بر داده‌ها تأثیر می‌گذارند، که این یکی از دلایل تنوع تجهیزات و پروتکل‌های EEG است. یک راهنما برای قرارگیری الکترود روی پوست سر زمینه بیشتری را در مورد چگونگی تأثیر تنظیمات بر ثبت و تفسیر ارائه می‌دهد.

تمایزات زیر رویکردهای کلی اندازه‌گیری را توصیف می‌کنند و به منزله رتبه‌بندی اثربخشی نیستند. قابلیت‌های واقعی یک سیستم به حسگرها و نرم‌افزار آن بستگی دارد و دستگاه‌های درون یک دسته ممکن است تفاوت‌های اساسی داشته باشند.

این دسته‌ها قابل تعویض با یکدیگر نیستند و صرفاً یک برچسب توضیح نمی‌دهد که دستگاه چه داده‌هایی را نمایش می‌دهد. ارزیابی یک سیستم همچنین شامل این است که چقدر واضح اندازه‌گیری‌ها، محدودیت‌ها و زمینه مورد نظر خود را توصیف می‌کند.

نوروفیدبک fNIRS

طیف‌سنجی عملکردی فروسرخ نزدیک یا fNIRS، از نور برای تخمین تغییرات در اکسیژن‌رسانی خون در بافت نزدیک به سطح مغز استفاده می‌کند. در کاربردهای نوروفیدبک، این تخمین‌ها ممکن است برای ایجاد بازخورد درباره تغییرات در سیگنال اندازه‌گیری‌شده استفاده شوند. این روش با EEG که فعالیت الکتریکی را در پوست سر ثبت می‌کند متفاوت است، بنابراین این دو روش نباید معادل یا جایگزین مستقیم یکدیگر در نظر گرفته شوند.

تفسیر به تنظیمات اندازه‌گیری و کاری که انجام می‌شود بستگی دارد. سیگنال‌های fNIRS همچنین می‌توانند تحت تأثیر عوامل خارج از مغز، از جمله تغییرات جریان خون در نزدیکی پوست سر قرار گیرند. به همین دلیل، ادعاها درباره معنای یک سیگنال خاص باید مبتنی بر روش و اعتبارسنجی آن باشد، نه اینکه صرفاً از روی نمایشگر استنباط شود.

دستگاه‌های نوروفیدبک پوشیدنی و سایر فناوری‌های نوظهور

سیستم‌های پوشیدنی ممکن است از حسگرهای فشرده‌ای استفاده کنند که برای استفاده مکرر در خارج از آزمایشگاه یا کلینیک طراحی شده‌اند. فرم آنها می‌تواند راه‌اندازی را راحت‌تر کند، اما قابل حمل بودن تضمین نمی‌کند که یک سیگنال دقیق، از نظر بالینی معنادار یا برای هر هدفی مناسب باشد. برخی از دستگاه‌ها یک امتیاز ساده‌شده یا بازخورد تعاملی ارائه می‌دهند؛ رابط کاربری مجزا از روش اندازه‌گیری زمینه‌ای است.

سایر رویکردهای نوظهور ممکن است نوروفیدبک را با حسگرهای اضافی یا اشکال دیگر بازخورد ترکیب کنند. چنین ترکیب‌هایی شناسایی اینکه کدام سیگنال در حال اندازه‌گیری است و نرم‌افزار با آن چه می‌کند را بسیار مهم می‌سازد. مستندات واضح درباره قرارگیری حسگر، مدیریت داده‌ها و محدودیت‌های تفسیر، بسیار آموزنده‌تر از ادعاهای کلی درباره «تمرین مغز» است.

درون یک دستگاه نوروفیدبک: پردازش سیگنال و حلقه‌های بازخورد

هر سیستم نوروفیدبک از یک مسیر سه‌مرحله‌ای یکسان عبور می‌کند و کیفیت هر مرحله تعیین می‌کند که آیا کاربر واقعاً می‌تواند یاد بگیرد وضعیت مغزی خود را تنظیم کند یا خیر:

• دریافت سیگنال، داده‌های خام EEG یا fNIRS را در حین مقابله با نویز ناشی از پلک زدن، تنش عضلانی و حرکت کابل‌ها ثبت می‌کند.

• پردازش سیگنال، آرتیفکت‌ها را فیلتر کرده و باندهای فرکانسی مانند تتا، آلفا، SMR و بتا را که متناظر با حالات روانی مختلف هستند، تفکیک می‌کند.

• الگوریتم‌های بازخورد، تغییرات در فعالیت امواج مغزی هدف را به نشانه‌های دیداری یا شنیداری تبدیل می‌کنند که یادگیری را هدایت می‌نمایند.

دریافت سیگنال نقطه شروع است. حسگرهای قرار گرفته روی سر، نوسانات الکتریکی (EEG) یا تغییرات در اکسیژن‌رسانی خون (fNIRS) را دریافت می‌کنند. سیگنال در این مرحله بسیار ضعیف است و در میان نویزهای ناشی از پلک زدن، انقباض عضلانی و حتی حرکت جزئی کابل‌ها غرق می‌شود. آنچه در واقع ثبت می‌کنید، ترکیبی از فعالیت مغز و داده‌های زائد پس‌زمینه است.

این شلوغی در مرحله پردازش سیگنال پاکسازی می‌شود. نرم‌افزار دستگاه، آرتیفکت‌های شناخته‌شده را فیلتر کرده و از نظر ریاضی منحنی خام را به باندهای فرکانسی مختلف تفکیک می‌کند—تتا، آلفا، ریتم حسی‌حرکتی (SMR)، بتا و موارد دیگر.

هر باند به طور تقریبی با حالات روانی مرتبط است: فعالیت کندتر تتا معمولاً زمانی ظاهر می‌شود که شما خواب‌آلود هستید یا تمرکز درونی دارید، در حالی که فعالیت سریع‌تر بتا اغلب با تمرکز فعال همراه است. یک دستگاه نوروفیدبک با هدف جداسازی باندی که پروتکل تمرینی هدف قرار داده کار می‌کند، مانند افزایش SMR بین ۱۲ تا ۱۵ هرتز برای هوشیاری توأم با آرامش یا تقویت بتا بین ۱۵ تا ۱۸ هرتز برای توجه پایدار.

سپس داده‌های پردازش‌شده وارد الگوریتم بازخورد می‌شوند، یعنی بخشی که اعداد را به یادگیری تبدیل می‌کند. نرم‌افزار، دامنه یا نسبت فعلی یک باند فرکانسی انتخاب‌شده را می‌گیرد و آن را به یک نشانه دیداری یا شنیداری ترجمه می‌کند. ممکن است شتاب گرفتن یک ماشین در جاده را ببینید، صدای زنگی را بشنوید که بلندتر می‌شود، یا قرار گرفتن تکه‌ای از پازل را در جای خود تماشا کنید—که همگی به این بستگی دارد که آیا مغز شما به سمت حالت هدف حرکت می‌کند یا خیر.

الگوریتم تعیین می‌کند که بازخورد با چه سرعتی پاسخ دهد، چه مقدار تغییر باعث ایجاد پاداش شود، و سیستم چقدر در هنگام تضعیف توجه شما مدارا کند. یک حلقه کند که بیش از حد با تأخیر به‌روزرسانی می‌شود، ارتباط دادن تلاش ذهنی شما با نتیجه را سخت می‌کند، در حالی که یک حلقه بیش از حد پرنوسان می‌تواند گیج‌کننده باشد.

یک مرور پژوهشی در سال ۲۰۲۳ درباره فناوری‌های مصرفی نوروفیدبک تأکید می‌کند که این دستگاه‌ها با اولویت قرار دادن سهولت استفاده طراحی شده‌اند. «کشش بالینی» آنها تا حدی ناشی از این است که کل این زنجیره—از حذف آرتیفکت گرفته تا طراحی بازی بازخورد—به گونه‌ای مهندسی شده است که برای فردی که هرگز از دستگاه خوانش مغز استفاده نکرده، به راحتی کار کند.

هنگامی که سیستم به عنوان یک کل هماهنگ عمل می‌کند، حتی یک فرد مبتدی نیز می‌تواند شروع به درک روابط بین وضعیت درونی خود و پاسخ دیجیتالی روی صفحه نمایش کند.

ارزیابی شواهد علمی برای نوروفیدبک

بنابراین منطق مهندسی منطقی به نظر می‌رسد، اما وقتی محققان واقعاً دستگاه‌های نوروفیدبک را آزمایش می‌کنند چه اتفاقی می‌افتد؟ شواهد، ترکیبی از مرورهای گسترده، کارآزمایی‌های تصادفی هدفمند و گزارش‌های مبتنی بر مورد (Case reports) هستند. بررسی دقیق آنها نشان‌دهنده پتانسیل واقعی و هم‌زمان شکاف‌های بزرگ است.

یک بررسی از دستگاه‌های EEG و fNIRS در سطح تجاری برای سلامت روان و تندرستی، ادبیات پژوهشی موجود را برای شرایطی مانند ADHD، اضطراب، افسردگی و صرع بررسی کرد. این مرور اشاره می‌کند که «شواهدی حاکی از اثربخشی دستگاه‌های نوروفیدبک وجود دارد»، به این معنی که برخی مطالعات بهبودهایی را گزارش می‌کنند.

با این حال، همان تحلیل هشدار می‌دهد که بدنه کلی تحقیقات «فاقد کارآزمایی‌های با کنترل دقیق است.» بدون گروه‌های مقایسه‌ای که با دقت طراحی شده باشند، دشوار است بدانیم چه مقدار از بهبود ناشی از خود نوروفیدبک است در برابر گذشت زمان، توجه بیشتر به دلیل شرکت در مطالعه، یا صرفاً آرام نشستن با یک headset بر سر.

تصویر دقیق‌تری از یک کارآزمایی تصادفی کنترل‌شده (RCT) به دست می‌آید که یک سیستم بیوفیدبک خودکار EEG را در یک مرکز درمان اقامتی برای اختلالات مصرف مواد بررسی کرده است. همه ۹۵ شرکت‌کننده در ابتدا نقص توجه قابل اندازه‌گیری داشتند و همگی بسته استانداردی از مشاوره‌های گروهی، خانوادگی و فردی دریافت کردند. سپس آنها به طور تصادفی به سه گروه تقسیم شدند:

1. گروه AEB: ۱۵ جلسه بیوفیدبک خودکار EEG، که توسط خود دستگاه اجرا شد.

2. گروه CEB: ۱۵ جلسه بیوفیدبک با هدایت درمانگر.

3. گروه AT: ۱۵ جلسه درمان استاندارد اضافی بدون بیوفیدبک.

نتیجه با آزمون متغیرهای توجه (TOVA) سنجیده شد، که یک تکلیف مبتنی بر کامپیوتر است و میزان توانایی فرد را در حفظ تمرکز و بازداری پاسخ‌های تکانشی پیگیری می‌کند. گروه AT در هیچ‌یک از شاخص‌های TOVA تغییری نشان نداد. در مقابل، هر دو گروه بیوفیدبک—خودکار و هدایت‌شده توسط درمانگر—بهبود قابل توجهی در تغییرپذیری زمان واکنش، خطاهای حذف (Omission)، خطاهای ارتکاب (Commission) و d-prime (معیاری برای حساسیت توجه) نشان دادند.

تمام این مقایسه‌ها به مقادیر p کمتر از ۰.۰۱ رسیدند، که نشان می‌دهد تغییرات به احتمال بسیار کم ناشی از نویز تصادفی بوده‌اند. نکته مهم این است که گروه‌های خودکار و هدایت‌شده توسط درمانگر با یکدیگر تفاوتی نداشتند. یک سیستم مستقل با طراحی خوب، حداقل در این جمعیت خاص و برای اهداف مرتبط با توجه، به اندازه همان پروتکل اجراشده توسط یک فرد متخصص اثربخش بود.

این یافته به ما می‌گوید که الگوریتم‌های داخلی و طراحی بازخورد دستگاه می‌توانند در شرایط کنترل‌شده، تغییرات شناختی معناداری از نظر آماری ایجاد کنند. با این حال، این مطالعه گروه محدودی از افراد (مصرف‌کنندگان مواد در حال بهبودی با نقص توجه) را هدف قرار داده است، بنابراین نمی‌توانیم به این نتیجه‌گیری جهش کنیم که همان سیستم خودکار نتایج یکسانی را برای کودک مبتلا به ADHD یا فردی با اضطراب عمومی ایجاد خواهد کرد.

داده‌های بالینی گسترده‌تر اغلب از مطالعات موردی به دست می‌آیند تا کارآزمایی‌های بزرگ. به عنوان مثال، یک سری از افراد تحت درمان با آموزش زنده نمره Z یا Live Z-score training (LZT)—نوعی نوروفیدبک که از یک پایگاه داده هنجاری برای ایجاد بازخورد لحظه به لحظه منعکس‌کننده روابط متعدد EEG استفاده می‌کند—تغییراتی را در الگوهای امواج مغزی مستند کردند که به سمت پروفایل‌های معمول‌تر حرکت می‌کردند.

نویسندگان مشاهده کردند که معیارهای QEEG در طول جلسات متعدد تغییر کرده و این تغییرات با بهبودهای بالینی همراه بوده است. مطالعات موردی برای ایجاد ایده و نشان دادن آنچه می‌تواند در یک کلینیک واقعی رخ دهد ارزشمند هستند. با این حال، آنها جایگزینی برای تحقیقات کنترل‌شده نیستند.

بدون گروهی از افراد که LZT دریافت نکرده باشند، هیچ راهی وجود ندارد که بفهمیم آیا همان بهبودها خودبه‌خود یا با یک مداخله متفاوت رخ می‌دادند یا خیر. بنابراین، در حالی که گزارش‌های Live Z-score دلگرم‌کننده هستند، همچنان در دسته «روایت‌های امیدوارکننده» باقی می‌مانند تا شواهد اثبات‌شده.

اهمیت قابلیت اطمینان در دستگاه‌های نوروفیدبک

یک دستگاه نوروفیدبک می‌تواند هوشمندانه‌ترین الگوریتم‌های جهان را داشته باشد، اما اگر سخت‌افزار ناسازگار باشد یا تجربه کار با آن شبیه کار با یک گجت خراب باشد، هرگونه پتانسیل درمانی از بین می‌رود. دو جنبه از کل سیستم تأثیر زیادی بر نتایج در دنیای واقعی دارند: قابلیت اطمینان فنی و طراحی کاربرپسند.

یک مطالعه تجهیزات ساده بررسی کرد که آیا دو برد رایانه‌ای داخلی مختلف در یک مدل از دستگاه نوروفیدبک—Focused Technology F-1000—نتایج یکسانی ایجاد می‌کنند یا خیر. هشت شرکت‌کننده به تناوب به دو برد متصل شدند. دمای انگشت و خوانش‌های EEG در دو نقطه از پوست سر ثبت شد.

تجزیه و تحلیل نشان داد که دو رایانه در اندازه‌گیری‌های خود عملاً یکسان بودند. تقریباً تمام تغییرپذیری در داده‌ها از خود افراد ناشی می‌شد، نه از دستگاه. این به ما می‌گوید که حداقل برخی از دستگاه‌های نوروفیدبک مستقل می‌توانند سخت‌افزاری تکرارپذیر و از نظر داخلی سازگار ارائه دهند. اگر دستگاهی تغییری را در الگوی امواج مغزی شما در طول جلسات نشان می‌دهد، می‌توانید تا حد معقولی مطمئن باشید که این تغییر در شما رخ می‌دهد، نه به این دلیل که دستگاه شروع به خواندن متفاوتی کرده است.

پایه دوم، سهولت استفاده است. دستگاه‌های نوروفیدبک مصرفی صراحتاً برای استفاده افراد در خانه ساخته شده‌اند. بررسی این فناوری‌ها نشان می‌دهد که عواملی مانند رابط‌های کاربری بصری در اپلیکیشن‌ها، قرارگیری ساده حسگرها، و ارائه واضح بازخورد مواردی هستند که به این ابزارها «کشش بالینی» در خارج از آزمایشگاه می‌بخشند.

یک دستگاه خانگی که کار با آن نیازمند مدرک مهندسی باشد، در نهایت به کشوی میز ختم خواهد شد. حتی بهترین الگوریتم بازخورد نیز اگر کسی headset را نپوشد، نمی‌تواند چیزی یاد بدهد. بنابراین، در حالی که سهولت استفاده ممکن است یک مزیت ظاهری در طراحی به نظر برسد، در واقع بخش اصلی زنجیره اثربخشی دستگاه است. سیستمی که استفاده از آن کمتر ناامیدکننده باشد، افراد را برای مدت زمان کافی جهت شکل‌گیری فرآیند یادگیری درگیر نگه می‌دارد.

شکاف میان ادعاهای نوروفیدبک و اثبات آنها

عبارت «نوروفیدبک برای ADHD» را در نوار جستجو تایپ کنید تا وعده‌های درمانی دائمی و بدون دارو را ببینید. تبلیغات اغلب طوری صحبت می‌کنند که گویی این درمان می‌تواند به طور قابل اعتمادی علائم اضطراب را پاک کند، تمرکز را تقویت نماید و حتی خواب را بهبود بخشد. عالی می‌شد اگر ادبیات علمی در تمام زمینه‌ها از این ادعاها پشتیبانی می‌کرد، اما واقعیت سنجیده‌تر است.

این دستگاه‌ها مطمئناً سیگنال‌های فیزیولوژیکی واقعی را ثبت می‌کنند، و کارآزمایی تصادفی با سیستم خودکار نشان می‌دهد که توجه می‌تواند در یک جمعیت بالینی بهبود یابد. این یک گام معنادار است. اما تصویر کلی تحقیقات همچنان پراکنده است.

مرور فناوری‌های نوروفیدبک مصرفی صراحتاً بیان می‌کند که وقتی صحبت از شرایط سلامت روان به میان می‌آید که اغلب در متون بازاریابی ذکر می‌شوند، ادبیات علمی قطعی نیست. به سادگی، آزمایش‌های کنترل‌شده دقیقی به اندازه کافی وجود ندارد که یک دستگاه نوروفیدبک را در برابر یک درمان شم (Sham) معتبر یا یک درمان تثبیت‌شده مقایسه کند. تا زمانی که این مطالعات جمع‌آوری نشوند، ادعاهای گسترده در مورد درمان ADHD یا رفع اضطراب فراتر از شواهد قرار دارند.

مجموعه موارد Live Z-score جزئیات جالبی به موضوع اضافه می‌کند، اما این شکاف را پر نمی‌کند. مشاهده اینکه تعداد انگشت‌شماری از افراد تغییرات EEG را دیدند و احساس بهتری داشتند، به معنای اثبات این نیست که مداخله باعث آن تغییرات فراتر از اثر دارونما شده است.

به طور مشابه، نتایج مثبت حاصل از مطالعه اقامتی مصرف مواد هیجان‌انگیز است زیرا از یک RCT به دست آمده است، با این حال آنها به یک سوال بسیار خاص درباره توجه در یک جمعیت خاص پاسخ می‌دهند. نوجوانی که در مدرسه با کمبود توجه دست‌وپنجه نرم می‌کند ممکن است وضعیت مغزی پایه و محیط متفاوتی داشته باشد، بنابراین همان پروتکل ممکن است نتایج یکسانی به همراه نداشته باشد.

رویکرد مناسب این است که ادعاهای عمومی را به عنوان وعده‌های اثبات‌نشده در نظر بگیریم و در عوض به آنچه داده‌های کنترل‌شده واقعاً نشان می‌دهند نگاه کنیم: اینکه برخی دستگاه‌ها می‌توانند بهبودهای قابل اندازه‌گیری در توجه در گروه‌های تعریف‌شده ایجاد کنند، سخت‌افزار به خودی خود می‌تواند قابل اعتماد باشد، و سیستم‌های خودکار می‌توانند در آن شرایط با اثربخشی جلسات با هدایت درمانگر برابری کنند. مسیر از «سیگنال امیدوارکننده» به «درمان اثبات‌شده برای یک بیماری فراگیر» نیازمند کار بیشتری است.

چگونه می‌توانید از طریق ابزارهای Emotiv به بررسی نوروفیدبک برای آموزش و پژوهش بپردازید؟

تمام موارد فوق به یک نتیجه اشاره دارند: یک سیستم نوروفیدبک یک زنجیره فرآیندی است و بهترین راه برای درک آن، مشاهده کارکرد هر مرحله است. اینجاست که سخت‌افزار و نرم‌افزار EEG شرکت Emotiv وارد عمل می‌شوند. آنها امکان ثبت سیگنال، بررسی پردازش و طراحی بازخورد توسط خودتان را فراهم می‌کنند، چه در کلاس درس، چه در آزمایشگاه تحقیقاتی یا پشت میز یک توسعه‌دهنده.

مفید است که از ابتدا هدف مشخص باشد.

کاربرد ابزارهای Emotiv: آموزش نحوه کار نوروفیدبک، تحقیق در مورد پارادایم‌های بازخورد، ساخت نمونه‌های اولیه برنامه‌های بازخورد، و بررسی تمرکز و آرامش برای علاقه‌مندی‌های شخصی.

آنچه برای آن ساخته نشده‌اند: محصولات Emotiv فقط برای کاربردهای تحقیقاتی و استفاده شخصی در نظر گرفته شده‌اند. آنها تجهیزات پزشکی نیستند و برای تشخیص، درمان یا مدیریت ADHD، اضطراب یا هر بیماری دیگری طراحی یا در نظر گرفته نشده‌اند. آنها جایگزینی برای نوروفیدبک ارائه‌شده توسط پزشک نیستند.

کاربران چگونه می‌توانند حلقه‌های زنده نوروفیدبک را از طریق برنامه‌های تعاملی تجربه کنند؟

Emotiv Play مجموعه‌ای از بازی‌های موبایلی کنترل‌شونده با مغز برای هدفون‌های توگوشی MN8 و هدبند Insight است. هر بازی از چرخه شرح داده شده در بالا پیروی می‌کند: headset سیگنال‌های مغزی را حس می‌کند، الگوریتم‌های یادگیری ماشین آنها را به دستورات درون بازی ترجمه می‌کنند و بازیکن نتیجه را می‌بیند. به عنوان مثال، در بازی Mindful Garden، با حفظ تمرکز و آرامش توسط بازیکن، گل‌ها رشد می‌کنند.

بازیکنان یک کالیبراسیون کوتاه برای تعیین خط پایه شخصی اجرا می‌کنند و می‌توانند دستورات را مجدداً آموزش دهند، حساسیت را تنظیم کنند یا سطح دشواری را در تنظیمات تغییر دهند. این تنظیمات همان تصمیمات الگوریتم بازخورد هستند که در بالا مورد بحث قرار گرفت: چه مقدار تغییر باعث ایجاد پاداش می‌شود و سیستم چقدر در هنگام منحرف شدن توجه مدارا می‌کند.

دقیقاً اگر بگوییم، بازی‌هایی که با دستورات ذهنی آموزش‌دیده هدایت می‌شوند، بیشتر به یک رابط مغز و رایانه نزدیک هستند تا به نوروفیدبک کلاسیک قدرت باند. با این حال، برای یک فرد مبتدی، آنها ایده اصلی را ملموس می‌کنند: فعالیت مغز تغییر می‌کند و صفحه نمایش پاسخ می‌دهد.

Emotiv BrainViz فعالیت EEG را به صورت یک تصویرسازی سه‌بعدی بی‌درنگ نشان می‌دهد و به Epoc X و Insight متصل می‌شود. محققان از BrainViz به همراه یک headset مدل Epoc X برای ارائه نوروفیدبک باند آلفا در یک مطالعه در سال ۲۰۲۴ که در ادامه مورد بحث قرار گرفته، استفاده کردند.

توسعه‌دهندگان چگونه می‌توانند حلقه‌های سفارشی نوروفیدبک را با استفاده از APIها و سطوح توسعه‌دهنده بسازند؟

برای دانشجویان و توسعه‌دهندگانی که می‌خواهند مرحله بازخورد را خودشان طراحی کنند، Cortex API دسترسی بی‌درنگ به داده‌های باند فرکانسی (FFT و قدرت باند)، معیارهای عملکرد و داده‌های حرکت را فراهم می‌کند و داده‌های خام EEG در سطوح بالاتر توسعه‌دهنده در دسترس است. یک دانشجو می‌تواند با یک اسکریپت کوتاه، توان آلفا را به بلندی یک صدا یا اندازه یک شکل روی صفحه متصل کند، سپس با آستانه و نرخ به‌روزرسانی آزمایش نماید. این مستقیم‌ترین راه برای کشف این نکته است که چرا حلقه‌ای که خیلی آهسته به‌روزرسانی می‌شود احساس گسستگی می‌دهد، و چرا حلقه‌ای که خیلی سریع واکنش نشان می‌دهد گیج‌کننده به نظر می‌رسد.

EmotivPRO ثبت و تجزیه و تحلیل را پوشش می‌دهد: داده‌های خام EEG، نشانگرهای رویداد برای تفکیک بلوک‌های تمرین از بلوک‌های استراحت، و پشتیبانی از Lab Streaming Layer برای همگام‌سازی با ابزارهایی مانند PsychoPy، MATLAB و EEGLAB.

از طریق EmotivPRO Builder و EmotivLABS، محققان همچنین می‌توانند آزمایشی را در مرورگر بسازند و آن را برای شرکت‌کنندگانی که دارای headsetهای Emotiv هستند منتشر کنند. یک مطالعه اثبات مفهوم در سال ۲۰۲۳ از این رویکرد برای جمع‌آوری داده‌های EEG در حالت استراحت با چشم‌های باز و چشم‌های بسته از راه دور استفاده کرد و افت مورد انتظار در توان آلفا را هنگام باز کردن چشم‌ها توسط شرکت‌کنندگان مشاهده نمود. آلفا همان ریتمی است که بسیاری از پروتکل‌های نوروفیدبک هدف قرار می‌دهند.

مطالعات داوری‌شده با استفاده از Emotiv چه چیزی را نشان می‌دهند

تیم‌های تحقیقاتی مستقل از headsetهای Emotiv برای مطالعه مستقیم نوروفیدبک استفاده کرده‌اند. نتایج آنها از همان الگوی ادبیات پژوهشی گسترده‌تر پیروی می‌کند: تغییرات در سیگنال آموزش‌دیده قابل اندازه‌گیری است، در حالی که مزایای رفتاری قطعیت کمتری دارند.

مطالعه Naas الگوی مفیدی برای نکته محوری این مقاله است. این مطالعه از کنترل شم استفاده کرد که در مقالات مروری خواسته شده است، و دریافت که شرکت‌کنندگان می‌توانند سیگنال آموزش‌دیده را بدون اینکه این تغییر به عملکرد حافظه منتقل شود، تغییر دهند. دستگاهی که سیگنالی را تغییر می‌دهد، صرفاً به این دلیل، رفتاری را تغییر نداده است.

چگونه headsetهای پرتابل EEG آموزش عملی علوم اعصاب را تسهیل می‌کنند؟

سیستم‌های نوروفیدبک بالینی برای محیط‌های کلینیکی با هزینه‌ها و الزامات آموزشی مرتبط با آنها ساخته شده‌اند. برای مربیانی که هدفشان آموزش این مفهوم است، یک headset قابل حمل EEG اغلب انتخاب کاربردی‌تری است. تیم de Wit آزمایشگاه مبتنی بر Emotiv خود را مقرون‌به‌صرفه، مقیاس‌پذیر و بسیار قابل حمل توصیف کرد، و Emotiv بسته‌های آموزشی را برای یادگیری عملی علوم اعصاب و BCI ارائه می‌دهد.

یک توالی آموزشی می‌تواند از سه مرحله این زنجیره پیروی کند و سپس با مسئله شواهد به پایان برسد:

1. دریافت: حالت استراحت با چشم‌های باز و چشم‌های بسته را ثبت کنید و افزایش آلفا را هنگام بستن چشم‌ها مشاهده نمایید. سپس از دانشجویان بخواهید پلک بزنند و فک خود را منقبض کنند تا ببینند آرتیفکت‌ها قبل از اینکه با فعالیت مغز اشتباه گرفته شوند، چگونه به نظر می‌رسند.

2. پردازش: به همان داده‌های ثبت‌شده به عنوان باندهای فرکانسی در EmotivPRO یا BrainViz نگاه کنید، و در مورد اینکه هر باند چه چیزی را نشان می‌دهد و چه چیزی را نشان نمی‌دهد بحث کنید.

3. بازخورد: از Cortex API برای ساخت یک حلقه ساده تبدیل آلفا به صدا استفاده کنید، سپس آستانه و نرخ به‌روزرسانی را تغییر دهید و احساس هر نسخه را مقایسه نمایید.

4. شواهد: یک آزمایش کلاسی کوچک با الگوبرداری از مطالعه Naas اجرا کنید، به طوری که نیمی از گروه بازخورد واقعی و نیمی دیگر بازخورد شم (ساختگی) دریافت کنند، تا نشان داده شود چرا شرایط کنترل اهمیت دارد.

داده‌های مغزی در کلاس درس سزاوار همان مراقبتی هستند که در آزمایشگاه وجود دارد. دانشجویان باید بدانند چه چیزی ثبت می‌شود و با آن موافقت کنند؛ ثبت داده‌ها از افراد زیر سن قانونی معمولاً نیازمند رضایت والدین و تأیید مدرسه است و داده‌ها باید طبق سیاست‌های سازمانی و شیوه‌های حفاظت از داده‌های شرکت Emotiv ذخیره و به اشتراک گذاشته شوند.

ابزارهای Emotiv در صورتی که به این روش استفاده شوند، قول تغییر مغز کسی را نمی‌دهند. آنها کل سیستم نوروفیدبک را قابل مشاهده می‌کنند، که این همان درکی است که این مقاله استدلال می‌کند هر فرد مبتدی به آن نیاز دارد.

مسیر پیش رو برای مبتدیان نوروفیدبک

هنگامی که هیاهوی تبلیغاتی را کنار بگذارید و به کل دستگاه نگاه کنید، آنچه می‌یابید یک حلقه تمرینی مهندسی است که شواهد واقعی، هرچند هنوز در حال توسعه، در پشت خود دارد. یک سیستم نوروفیدبک فراتر از مجموعه‌ای از الکترودها است؛ این یک خط لوله اطلاعاتی است که سیگنال‌های عصبی را دریافت می‌کند، آنها را پاکسازی می‌نماید و به یک تجربه یادگیری تبدیل می‌کند.

آنچه این حوزه در ادامه به آن نیاز دارد کاملاً واضح است. کارآزمایی‌های تصادفی کنترل‌شده بیشتری باید دستگاه‌های مستقل در سطح تجاری را به طور خاص برای ADHD، اضطراب و سایر شرایطی که مکرراً در بازاریابی ذکر می‌شوند، آزمایش کنند. این مطالعات باید شامل گروه‌های کنترلی باشند که به محققان اجازه می‌دهند اثر خاص نوروفیدبک را از آرامش عمومی، انتظارات یا صرفاً گذراندن وقت با یک گجت جدید تفکیک کنند.

همچنین مقایسه مستقیم الگوریتم‌های مختلف بازخورد مفید خواهد بود. اگر یک نوع بازی یا زمان‌بندی پاداش منجر به یادگیری سریع‌تر و تغییرات طولانی‌مدت‌تر شود، آن اطلاعات هم طراحی دستگاه و هم توصیه‌های بالینی را هدایت خواهد کرد.

برای فردی که تازه شروع به کاوش در نوروفیدبک کرده است، مفیدترین سوال این نیست که «آیا این دستگاه مغز من را اصلاح می‌کند؟» بلکه این است که «علم واقعی درباره این سیستم خاص برای این مشکل خاص چه می‌گوید؟» به دنبال شواهدی از سازگاری سخت‌افزار، کارآزمایی‌هایی که شامل شرایط کنترل بوده‌اند، و ویژگی‌های کاربردی باشید که شما را درگیر نگه می‌دارند.

فناوری در حال پیشرفت است و شواهد، اگرچه محدود، به جهات جالبی اشاره دارند. درک سیستم به عنوان یک کل—به جای خیره شدن به ایده کنترل امواج مغزی—اولین قدم برای شناخت پتانسیل واقعی آن است.

منابع

1. Flanagan, K., & Saikia, M. J. (2023). Consumer-grade electroencephalogram and functional near-infrared spectroscopy neurofeedback technologies for mental health and wellbeing. Sensors, 23(20), 8482. https\://doi.org/10.3390/s23208482

2. Keith, J. R., Rapgay, L., Theodore, D., Schwartz, J. M., & Ross, J. L. (2015). An assessment of an automated EEG biofeedback system for attention deficits in a substance use disorders residential treatment setting. Psychology of Addictive Behaviors, 29(1), 17. https\://psycnet.apa.org/doi/10.1037/adb0000016

3. Collura, T. F., Guan, J., Tarrant, J., Bailey, J., & Starr, F. (2010). EEG biofeedback case studies using live Z-score training and a normative database. Journal of Neurotherapy, 14(1), 22-46. https\://doi.org/10.1080/10874200903543963

4. Hamilton, R. J., & Barnes, T. (2000). Neurofeedback Equipment Study One—Focused Technology F-1000 Main Board Investigation. Journal of Neurotherapy, 4(1), 63-70. https\://doi.org/10.1300/J184v04n01_07

5. Naas, A., Rodrigues, J., Knirsch, J. P., & Sonderegger, A. (2019). Neurofeedback training with a low-priced EEG device leads to faster alpha enhancement but shows no effect on cognitive performance: A single-blind, sham-feedback study. PLoS One, 14(9), e0211668. https\://doi.org/10.1371/journal.pone.0211668

6. Diotaiuti, P., Valente, G., Corrado, S., Tosti, B., Carissimo, C., Di Libero, T., ... & Mancone, S. (2024). Enhancing working memory and reducing anxiety in university students: A neurofeedback approach. Brain Sciences, 14(6), 578. https\://doi.org/10.3390/brainsci14060578

7. De Wit, B., Badcock, N. A., Grootswagers, T., Hardwick, K., Teichmann, L., Wehrman, J., ... & Kaplan, D. M. (2017). Neurogaming technology meets neuroscience education: a cost-effective, scalable, and highly portable undergraduate teaching laboratory for neuroscience. Journal of Undergraduate Neuroscience Education, 15(2), A104.

پرسش‌های متداول

نوروفیدبک چیست؟

نوروفیدبک روشی است که بازخورد بی‌درنگی از فعالیت مغز ارائه می‌دهد و به فرد امکان می‌دهد یاد بگیرد وضعیت مغزی خود را تغییر دهد. این روش معمولاً از EEG برای تشخیص الگوهای الکتریکی یا از fNIRS برای پیگیری جریان خون استفاده می‌کند و سپس آن سیگنال‌ها را به یک بازی یا صدا ترجمه می‌نماید.

دستگاه نوروفیدبک چگونه کار می‌کند؟

یک دستگاه نوروفیدبک از سه مرحله عبور می‌کند: دریافت سیگنال، پردازش سیگنال و الگوریتم بازخورد. حسگرها سیگنال‌های مغزی را دریافت می‌کنند، نرم‌افزار آنها را پاکسازی کرده و باندهای فرکانسی خاص را تفکیک می‌کند، سپس الگوریتم بازخورد داده‌های پردازش‌شده را به نشانه‌های دیداری یا شنیداری تبدیل می‌کند که یادگیری را هدایت می‌نمایند.

باندهای فرکانسی مختلف امواج مغزی به چه معنا هستند؟

باندهای فرکانسی مختلف به طور تقریبی با حالات روانی مرتبط هستند: فعالیت کندتر تتا در طول خواب‌آلودگی یا تمرکز درونی ظاهر می‌شود، در حالی که فعالیت سریع‌تر بتا با تمرکز فعال همراه است. نوروفیدبک باندهای هدف را تفکیک می‌کند، مانند ریتم حسی‌حرکتی برای هوشیاری توأم با آرامش یا بتا برای توجه پایدار.

دستگاه‌های نوروفیدبک از چه نوع حسگرهایی استفاده می‌کنند؟

دستگاه‌های نوروفیدبک اغلب از حسگرهای EEG استفاده می‌کنند که الگوهای الکتریکی را روی پوست سر تشخیص می‌دهند و گاهی اوقات از حسگرهای fNIRS استفاده می‌کنند که جریان خون را ردیابی می‌نمایند. هر دو نوع، سیگنال‌های عصبی را دریافت می‌کنند که سپس برای کاربر به بازخورد تبدیل می‌شوند.

آیا از نظر علمی اثبات شده است که نوروفیدبک ADHD یا اضطراب را درمان می‌کند؟

ادبیات پژوهشی هنوز قطعی نیست و یک بررسی جدید روی headsetهای EEG در سطح تجاری به کمبود کارآزمایی‌های با کنترل دقیق اشاره کرده است. برخی مطالعات بهبودهایی را گزارش می‌کنند، اما ادعاهای گسترده مبنی بر اینکه نوروفیدبک ADHD را درمان می‌کند یا اضطراب را از بین می‌برد، فراتر از شواهد موجود هستند.

آیا یک دستگاه نوروفیدبک خودکار می‌تواند بدون حضور درمانگر کار کند؟

بله، کارآزمایی تصادفی نشان داد که یک سیستم بیوفیدبک خودکار EEG به اندازه بیوفیدبک با هدایت درمانگر اثربخش بوده است. در آن مطالعه خاص، یک سیستم مستقل با طراحی مناسب همان بهبودهایی را حاصل کرد که یک متخصص آموزش‌دیده ایجاد می‌کرد.

آیا دستگاه‌های نوروفیدبک مصرفی قابل اعتماد هستند؟

یک مطالعه سخت‌افزاری روی Focused Technology F-1000 نشان داد که دو برد رایانه‌ای داخلی اندازه‌گیری‌های عملاً یکسانی را ایجاد کردند، که نشان می‌دهد حداقل برخی از دستگاه‌ها از نظر داخلی سازگار و پایدار هستند. وقتی دستگاهی تغییری را در طول جلسات نشان می‌دهد، کاربران می‌توانند به طور معقولی مطمئن باشند که تغییر در خود آنها رخ داده است، نه در دستگاه.

آموزش Live Z-score چیست؟

آموزش Live Z-score نوعی نوروفیدبک است که از یک پایگاه داده هنجاری برای ارائه بازخورد لحظه به لحظه در مورد روابط متعدد EEG استفاده می‌کند. مطالعات موردی تغییراتی را به سمت پروفایل‌های امواج مغزی معمول‌تر ثبت کرده‌اند، اما این گزارش‌ها روایاتی امیدوارکننده هستند تا شواهد اثبات‌شده و کنترل‌شده.

یک فرد مبتدی هنگام انتخاب دستگاه نوروفیدبک باید به دنبال چه چیزی باشد؟

یک فرد مبتدی به جای باور کردن وعده‌های کلی بازاریابی، باید بپرسد که علم درباره یک سیستم خاص برای یک مشکل خاص چه می‌گوید. به دنبال شواهدی از پایداری سخت‌افزار، کارآزمایی‌هایی با شرایط کنترل، و ویژگی‌های کاربردی باشید که شما را در فرآیند درگیر نگه می‌دارند.