想像一下玩電子遊戲時控制器是隱形的——你僅僅依靠自己的腦電波來操控。這個想法正是神經回饋的核心，這項技術為你提供了一個觀察大腦活動的即時窗口，並教導你如何調節它。
設備會接收你大腦產生的訊號，最常見的是使用腦電圖 (EEG) 檢測頭皮上的電位變化模式，或是偶爾使用功能性近紅外光譜 (fNIRS) 感測器追蹤血流情況。這些原始訊號經過處理後，會轉換成簡單的遊戲、聲音或螢幕上移動的圖形。透過反覆試錯，你的大腦會學會產生相應的模式，使回饋朝著你期望的方向發展。
許多指南都著重於各個組件——EEG 電極、導線、軟體——但只有當這些組件構成一個協調的整體時，設備才能真正發揮作用。本介紹將神經回饋視為一個整合系統來進行探討，其中訊號處理、回饋設計和日常可用性相互結合，共同決定它是否能帶來真正的幫助。
什麼是神經回饋設備？
神經回饋設備會測量與大腦活動相關的信號，並將這些信號的資訊呈現給使用者，通常以視覺或聽覺提示的形式表現。其總體目標是讓人們觀察自己大腦活動的變化，並練習對該回饋做出反應。各種設備在測量內容、信號處理方式以及回饋傳遞方式上各有不同。神經回饋設備本身並不能作為診斷，也不是存在特定病症的證明。
神經回饋是如何運作的？
在典型的訓練過程中，當一個人完成任務、休息或參與回饋程式時，感測器會收集信號。軟體會處理傳入的數據，並根據定義的規則改變顯示畫面、聲音或其他提示。
使用者隨後可以嘗試不同的心智策略，並觀察回饋是否發生變化。該過程通常被描述為生物回饋的一種形式，儘管其訓練方案和回饋的意義各有差異。
測量、回饋和練習的循環是該方法的核心。感測器不會讀取思想，回饋顯示也不是個人心智狀態的直接描述。相反地，它代表了所測量信號的選定特徵，這些特徵可能會受到動作、電極接觸以及軟體處理數據的方式所影響。理解這一區別有助於客觀看待對訓練效果的宣稱。
神經回饋設備的類型
神經回饋系統可以根據其測量的信號以及使用環境來進行區分。有些依賴於頭皮記錄的電活動，而另一些則使用基於光學的測量，或將感測器與其他形式的回饋相結合。技術影響了設備可以觀察到的內容，但其本身並不能決定訓練計畫的品質。透過基本比較可以更容易看出這些差異。
腦電圖 (EEG) 神經回饋
EEG 神經回饋使用電極記錄頭皮的電活動。設備或相關軟體會處理記錄，並可能根據選定的信號特徵呈現回饋。電極放置位置、接觸狀態、動作和信號處理都會影響數據，這也是 EEG 設備和方案各不相同的原因之一。有關頭皮電極放置的指南提供了更多背景資訊，說明設置如何影響記錄和解讀。
以下區分描述的是廣泛的測量方法，而非有效性評級。系統的實際能力取決於其感測器和軟體，且同一類別內的設備可能存在實質差異。
方法 | 測量的信號 | 回饋情境 | 實務考量 |
|---|---|---|---|
EEG 神經回饋 | 在頭皮記錄的電活動 | 回饋可能與選定的 EEG 特徵掛鉤 | 電極接觸和動作可能會影響信號品質 |
fNIRS 神經回饋 | 基於光學評估血氧飽和度的變化 | 回饋可反映測量到的血氧飽和度信號變化 | 此測量為間接測量，與 EEG 不同 |
其他穿戴式形式 | 因感測器設計而異 | 回饋形式取決於設備 | 感測器類型和預期用途需要仔細審查 |
這些類別不能互換，僅憑標籤無法解釋設備顯示的數據。評估一個系統還包括它如何清楚地描述其測量、限制和預期應用情境。
fNIRS 神經回饋
功能性近紅外光譜技術（fNIRS）利用光線來估算大腦表面附近組織中的血氧變化。在神經回饋應用中，這些估算值可用於產生關於所測量信號變化的回饋。這與記錄頭皮電活動的 EEG 不同，因此這兩種方法不應被視為等同或直接替代品。
解讀取決於測量設置和所執行的任務。fNIRS 信號也可能受到大腦外部因素的影響，包括頭皮附近的血流變化。因此，關於特定信號代表什麼意義的宣稱，應基於該方法及其驗證，而非僅從顯示內容來推斷。
穿戴式神經回饋設備與其他新興技術
穿戴式系統可能會使用專為實驗室或診所以外環境重複使用而設計的緊湊型感測器。它們的形式可以使設置更加方便，但便攜性並不能保證信號準確、具有臨床意義或適合所有目的。有些設備會呈現簡化的分數或互動式回饋；使用者介面與底層的測量方法是有所區別的。
其他新興方法可能會將神經回饋與額外的感測器或其他回饋形式結合。這種結合使得確認測量的是哪種信號以及軟體對其進行了何種處理變得尤為重要。關於感測器放置、數據處理和解讀限制的清晰說明文件，比關於「大腦訓練」的空泛宣傳更具參考價值。
深入了解神經回饋設備：信號處理與回饋循環
每個神經回饋系統都運行相同的由三個階段組成的管線，每個階段的品質決定了使用者是否能夠真正學會調節自己的大腦狀態：
信號擷取負責捕獲原始 EEG 或 fNIRS 數據，同時應對來自眨眼、肌肉緊張和線纜晃動的噪聲。
回饋演算法將目標腦波活動的變化轉化為推動學習的視覺或聽覺提示。
信號擷取是起點。貼近頭部的感測器拾取電壓波動（EEG）或血氧變化（fNIRS）。此階段的信號微弱，並且被眨眼、肌肉緊張甚至線纜輕微晃動所產生的噪聲所淹沒。你實際記錄到的是大腦活動與背景雜訊的混合物。
這些雜亂的信號會在信號處理階段進行清理。設備的軟體會過濾掉已知的偽影，並在數學上將原始軌跡分離為不同的頻段——theta、alpha、感覺運動節律（SMR）、beta 等。
每個頻段都與心智狀態大致相關：較慢的 theta 活動往往在昏昏欲睡或內心專注時出現，而較快的 beta 活動通常伴隨著積極的專注力。神經回饋設備旨在隔離訓練方案所針對的頻段，例如增加 12‑15 Hz 的 SMR 以實現平靜的警覺，或增強 15‑18 Hz 的 beta 以維持注意力。
處理後的數據隨後進入回饋演算法，這是將數字轉化為學習的部分。軟體會獲取所選頻段當前的振幅或比率，並將其轉化為視覺或聽覺提示。你可能會看到一輛汽車沿著道路加速、聽到鐘聲變響，或看到拼圖碎片拼入到位——這一切都取決於你的大腦是否朝著目標狀態移動。
演算法決定了回饋反應的速度、觸發獎勵的變化幅度，以及當注意力渙散時系統的容錯程度。更新過慢的遲鈍循環讓人難以將心智努力與結果聯繫起來，而過於跳躍的循環則可能會讓人感到困惑。
一項 2023 年針對消費級神經回饋技術的研究回顧強調，這些設備在設計時將可用性放在首位。它們的「臨床吸引力」部分源於整個管線——從偽影去除到回饋遊戲的設計——都經過精心設計，使從未接觸過腦讀取設備的人也能流暢使用。
當系統作為一個無縫整體運行時，即使是初學者也能開始注意到內在狀態與螢幕上數位回應之間的關聯。
評估神經回饋的科學證據
因此，工程邏輯是合理的，但當研究人員真正對神經回饋設備進行測試時會發生什麼？證據由廣泛的回顧、針對性的隨機對照試驗和基於案例的報告拼湊而成。對其進行梳理顯示出真正的潛力，但也揭示了巨大的空白。
一項針對用於心理健康和福祉的消費級 EEG 和 fNIRS 設備的調查，查閱了現有關於 ADHD、焦慮、憂鬱症和癲癇等病症的文獻。該回顧指出，存在「表明神經回饋設備功效的證據」，這意味著一些研究確實報告了改善。
然而，同一分析警告說，整體研究體系「缺乏嚴格的對照試驗。」如果沒有精心設計的對照組，就很難知道改善在多大程度上來自神經回饋本身，還是因為時間的推移、參與研究所受到的額外關注，或僅僅是戴著 headset 安靜地坐著。
更精確的情況來自一項隨機對照試驗（RCT），該試驗在一所治療物質使用障礙的住院治療中心檢查了一種自動化 EEG 生物回饋系統。所有 95 名參與者在開始時都有可測量的注意力缺陷，且均接受了標準的團體、家庭和個人諮詢課程。隨後他們被隨機分為三組：
AEB 組：15 次自動化 EEG 生物回饋課程，由設備本身運行。
CEB 組：15 次由臨床醫生指導的生物回饋課程。
AT 組：15 次額外的標準治療課程，無生物回饋。
結果使用注意力變數測試（TOVA）進行測量，這是一項基於電腦的任務，用於追蹤個人維持專注和抑制衝動反應的能力。AT 組在任何 TOVA 指標上均無變化。相比之下，兩個生物回饋組（自動化組和臨床醫生指導組）在反應時間變異性、遺漏錯誤、虛報錯誤和 d-prime（注意力敏感性指標）方面均顯著改善。
所有這些比較的 p 值均小於 .01，表明這些變化極不可能是隨機噪聲。至關重要的是，自動化組與臨床醫生指導組之間沒有差異。設計良好的獨立系統與由受過培訓的專業人員執行的相同方案一樣有效，至少在該特定人群和與注意力相關的終點方面是如此。
這一發現告訴我們，在受控條件下，設備的內部演算法和回饋設計可以推動具有統計學意義的認知變化。然而，該研究針對的是特定人群（有注意力缺陷的物質成癮康復者），因此我們不能貿然得出結論，認為同一個自動化系統會對患有 ADHD 的兒童或患有廣泛性焦慮症的人產生相同的結果。
更廣泛的臨床數據通常來自案例研究而非大型試驗。例如，一系列接受實時 Z 分數訓練（LZT）治療的個體記錄了大腦波形模式向更典型輪廓轉變的過程——LZT 是一種使用常模數據庫產生反映多種 EEG 關係的即時回饋的神經回饋類型。
作者觀察到，QEEG 指標在多次療程中發生了變化，且這些變化伴隨著臨床改善。案例研究對於激發想法和展示真實診所中可能發生的情況非常有價值。然而，它們不能替代受控研究。
如果沒有一組未接受 LZT 的人作為對照，就無法知道相同的改善是否會自行發生或透過不同的介入措施發生。因此，雖然實時 Z 分數報告令人鼓舞，但它們仍屬於「有希望的軼事」範疇，而非既定證據。
證據類型 | 優勢 | 弱點 |
|---|---|---|
廣泛回顧 | 謹慎、好壞參半的結果 | 缺乏對照試驗 |
隨機試驗 | 顯著的注意力提升 | 人群狹窄 |
案例系列 | 展現真實世界的改變 | 無對照組 |
神經回饋設備中可靠性的重要性
神經回饋設備即使擁有世界上最巧妙的演算法，但如果硬體表現不穩定，或者體驗就像在操作一件損壞的小玩意，那麼任何治療潛力都會煙消雲散。整個系統的兩個層面嚴重影響著真實世界的結果：技術可靠性與人性化設計。
一項直接的設備研究測試了同型號神經回饋設備（Focused Technology F-1000）內部的兩塊不同電腦主機板是否產生匹配的結果。八名參與者交替連接到兩塊板上。研究記錄了手指溫度和兩個頭皮位置的 EEG 讀數。
分析發現，兩台電腦的測量結果幾乎相同。數據中幾乎所有的變異都來自受試者本身，而不是來自機器。這告訴我們，至少有一些獨立的神經回饋設備可以提供可重複、內部一致的硬體。如果設備在不同療程間顯示你的腦波模式發生了變化，你可以合理相信這種變化發生在你的身上，而不是因為機器讀取出現了偏差。
第二個支柱是可用性。消費級神經回饋設備是專為人們在家中使用而設計的。針對這些技術的回顧指出，直覺的應用程式介面、簡單的感測器放置和清晰的回饋呈現等因素，正是使這些工具在實驗室之外具備「臨床吸引力」的原因。
如果一台家用設備需要工程學位才能操作，它最終會被束之高閣。如果沒有人佩戴 headset，即使是最好的回饋演算法也無法發揮任何教育效果。因此，儘管可用性看似只是設計上的細枝末節，但它實際上是設備有效性管線的核心組成部分。一個使用起來不易令人沮喪的系統，可以讓使用者保持足夠長時間的投入，從而使學習過程得以發生。
神經回饋宣傳與實證之間的差距
在搜尋框中輸入「針對 ADHD 的神經回饋」，你會看到無藥物、永久治癒的承諾。廣告通常言之鑿鑿，彷彿這種療法可以可靠地消除焦慮症狀、提高專注力，甚至改善睡眠。如果科學文獻在各方面都支持這些說法固然理想，但現實卻更為審慎。
這些設備確實記錄了真實的生理信號，而採用自動化系統的隨機試驗也證明了臨床人群的注意力可以得到改善。這是有意義的一步。但更廣泛的研究現狀仍然參差不齊。
對消費級神經回饋技術的回顧明確指出，當涉及到行銷材料中最常提及的心理健康狀況時，現有文獻尚無定論。嚴格控制的實驗數量根本不足以將神經回饋設備與可信的偽刺激或既定療法進行比較。在這些研究累積足夠之前，治癒 ADHD 或消除焦慮的廣泛宣傳仍走在證據的前面。
實時 Z 分數案例系列增添了有趣的細節，但並未填補這一空白。觀察到少數個體出現 EEG 變化並感覺好轉，並不等同於證明該介入措施超越安慰劑效應而引起了這些變化。
同樣，物質濫用住院研究的正面結果固然令人振奮，因為它們來自 RCT，但它們解答的是特定人群中關於注意力的非常具體的問題。在學校面臨注意力不集中困擾的青少年可能具有截然不同的基準大腦狀態和環境，因此相同的方案可能不會產生相同的結果。
正確的態度是將流行的宣傳視為未經證實的承諾，並轉而關注受控數據的實際顯示：某些設備可以在明確界定的人群中產生可測量的注意力改善，硬體本身可以具備可靠性，並且在這些環境中，自動化系統可以達到與臨床醫生指導的療程相當的有效性。從「有希望的信號」走向「針對廣泛病症的成熟療法」還需要更多研究。
如何探索用於教學與研究的 Emotiv 神經回饋工具？
上述一切都指向同一個結論：神經回饋系統是一個管線，理解它的最佳方法就是觀察每個階段的運作。這正是 Emotiv 的 EEG 硬體和軟體發揮作用之處。無論是在教室、研究實驗室還是在開發者的辦公桌前，它們都讓您能夠親自記錄信號、檢查處理過程並設計回饋。
從一開始就明確目的會很有幫助。
Emotiv 工具的用途：傳授神經回饋的運作原理、研究回饋範式、建立回饋應用程式原型，以及出於個人興趣探索專注與平靜。
它們不適用於：Emotiv 產品僅用於研究應用和個人用途。它們不是醫療設備，並非設計或旨在診斷、治療或管理 ADHD、焦慮或任何其他病症。它們不能替代由臨床醫生執行的神經回饋。
使用者如何透過互動應用程式體驗即時神經回饋循環？
Emotiv Play 是一套適用於 MN8 耳塞和 Insight 頭帶的腦控行動遊戲。每款遊戲都遵循前面描述的循環：headset 感測大腦信號，機器學習演算法將其轉化為遊戲內命令，玩家即可看到結果。例如，在《Mindful Garden》中，隨著玩家保持專注和平靜，花朵會逐漸綻放生長。
玩家可以運行簡短的校準以設定個人基準，並可以在設置中重新訓練命令、調整靈敏度或更改難度。這些設置就是上面討論的回饋演算法決策：多大的變化會觸發獎勵，以及當注意力渙散時系統的寬容度如何。
嚴格來說，由訓練後的心智指令驅動的遊戲，比起傳統的頻段功率神經回饋，更接近於腦機介面。然而對於初學者而言，它們將核心理念具象化：大腦活動發生變化，螢幕隨即做出反應。
Emotiv BrainViz 將 EEG 活動呈現為即時 3D 視覺化，並可連接到 Epoc X 和 Insight。在下面討論的一項 2024 年研究中，研究人員使用 BrainViz 搭配 Epoc X headset 來提供 alpha 頻段神經回饋。
開發者如何利用 API 和開發者方案構建自訂神經回饋循環？
對於希望自行設計回饋階段的學生和開發者，Cortex API 提供了對頻段數據（FFT 和頻段功率）、表現指標和運動數據的即時存取，在更高等級的開發者方案中還可獲取原始 EEG。透過一段簡短的腳本，學生就可以將 alpha 功率對應到音調的音量或螢幕上形狀的大小，然後嘗試調整閾值和更新速率。這是了解為什麼更新太慢的循環會感到脫節、而反應太快的循環會讓人困惑的最直接途徑。
EmotivPRO 涵蓋了記錄與分析：原始 EEG、用於區分訓練區塊與休息區塊的事件標記，以及用於與 PsychoPy、MATLAB 和 EEGLAB 等工具同步的 Lab Streaming Layer 支援。
透過 EmotivPRO Builder 和 EmotivLABS，研究人員還可以在瀏覽器中構建實驗，並將其發布給擁有 Emotiv headsets 的參與者。一項 2023 年的概念驗證研究採用這種方法遠程收集了睜眼和閉眼靜息狀態下的 EEG，並觀察到當參與者睜開眼睛時 alpha 功率出現了預期的下降。Alpha 也正是許多神經回饋方案所針對的相同節律。
使用 Emotiv 的同儕審查研究顯示了什麼
獨立研究團隊使用 Emotiv headsets 直接研究了神經回饋。他們的結果與更廣泛的文獻遵循相同的模式：受訓信號的變化是可測量的，而行為上的獲益則較不明確。
研究 | Emotiv 系統 | 設計 | 研究發現 | 未顯示的內容 |
|---|---|---|---|---|
Epoc | 33 名健康成年人；單盲、偽刺激對照；為期四天的高段 alpha 訓練 | 主要分析發現對高段 alpha 或短期記憶沒有影響；進一步分析顯示，與偽刺激回饋相比，alpha 增長更快、幅度更大 | 任何記憶益處；兩組隨時間均有所改善 | |
搭配 BrainViz 的 Epoc X | 40 名大學生被隨機分配到 alpha 訓練組或對照組 | Alpha 振幅增加，在第 2 天和第 8 天有顯著差異；訓練組自我報告的狀態焦慮下降 | 任何工作記憶的改善；這不是針對任何臨床病症的治療測試 | |
de Wit 等人，2017 年，《Journal of Undergraduate Neuroscience Education》 | Epoc+ | 大學部教學實驗室 | 學生發現實驗課程引人入勝，並表示對 EEG、課程材料和神經科學研究有了更好的理解 | 與對照組相比的學習成果提升；結果來自學生調查問卷 |
Naas 的研究是闡明本文核心觀點的一個有用模型。它採用了綜述所要求的偽刺激對照，並發現參與者可以改變受訓信號，但這種改變並未延續到記憶表現上。改變信號的設備，單憑這一事實本身，並不等於改變了行為。
便攜式 EEG 耳機如何促進實作型神經科學教育？
臨床神經回饋系統是為臨床環境構建的，伴隨著相應的成本和培訓要求。對於目標是傳授概念的教育工作者而言，便攜式 EEG headset 通常是更實用的選擇。de Wit 團隊將其基於 Emotiv 的實驗室描述為具成本效益、具擴充性且高度便攜，並且 Emotiv 提供了用於動手實作神經科學和 BCI 學習的教育套件。
教學順序可以遵循管線的三個階段，然後以證據問題作結：
擷取：記錄睜眼和閉眼靜息狀態，觀察閉眼時 alpha 波的上升。然後要求學生眨眼和咬緊牙關，讓他們在誤將偽影當作大腦活動之前，先看清偽影的樣貌。
處理：在 EmotivPRO 或 BrainViz 中以頻段形式查看相同的記錄，並討論每個頻段代表和不代表什麼。
回饋：使用 Cortex API 構建一個簡單的 alpha-聲音循環，然後更改閾值和更新速率，比較每個版本的感受。
證據：以 Naas 的研究為模型進行一個小型課堂實驗，讓一半的學生接受真實回饋，另一半接受偽回饋，以展示為什麼對照條件至關重要。
大腦數據在課堂上理應受到與在實驗室中相同的謹慎對待。學生應該知道正在記錄什麼並對此表示同意，未成年人的記錄通常需要家長同意和學校批准，並且應根據機構政策和 Emotiv 的數據保護常規來儲存和共享數據。
以這種方式使用時，Emotiv 工具並不會承諾改變任何人的大腦。它們讓整個神經回饋系統變得清晰可見，而這正是本文認為每位初學者所需要的理解。
神經回饋初學者的前行之路
當你褪去天花亂墜的宣傳、全面審視整個設備時，你會發現它是一個工程鍛鍊循環，背後有著真實但仍在發展中的證據。神經回饋系統不僅僅是一組電極；它是一個資訊管線，獲取神經信號，將其清理，並轉化為學習體驗。
該領域接下來需要什麼是顯而易見的。需要更多隨機對照試驗來專門針對行銷中常提及的 ADHD、焦慮症和其他病症測試消費級獨立設備。這些研究需要包含對照組，以便研究人員將神經回饋的特定效果與一般放鬆、心理預期或單純接觸新奇小工具的時間區分開來。
直接比較不同的回饋演算法也將非常有用。如果某種類型的遊戲或獎勵時機可以帶來更快的學習和更持久的變化，那麼這些資訊將對設備設計和臨床建議產生指導作用。
對於剛開始探索神經回饋的人來說，最有用的問題不是「這個設備能治好我的大腦嗎？」，而是「對於這個特定問題，實際科學對這個特定系統有何論述？」請尋找硬體一致性的證據、包含對照條件的試驗，以及能讓你保持投入的可用性功能。
技術正在進步，而證據雖然有限，但也指向了一些有趣的方向。將系統作為一個整體來理解——而不是被腦波控制的概念所眩惑——是認識其真正潛力的第一步。
參考文獻
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
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
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
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
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
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
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.
常見問題
什麼是神經回饋？
神經回饋是一種提供大腦活動即時回饋的技術，讓個人學習改變自身的大腦狀態。它通常使用 EEG 檢測電活動模式或使用 fNIRS 追蹤血流，然後將這些信號轉化為遊戲或聲音。
神經回饋設備是如何運作的？
神經回饋設備經歷三個階段：信號擷取、信號處理和回饋演算法。感測器拾取大腦信號，軟體將其清理並隔離特定頻段，然後回饋演算法將處理後的數據轉化為引導學習的視覺或聽覺提示。
不同的腦波頻段代表什麼意思？
不同的頻段與心智狀態大致相關：較慢的 theta 活動出現在嗜睡或內心專注期間，而較快的 beta 活動則伴隨著積極專注。神經回饋會隔離目標頻段，例如用於維持冷靜警覺的感覺運動節律，或用於維持持續注意力的 beta 波。
神經回饋設備使用什麼類型的感測器？
神經回饋設備最常使用檢測頭皮電模式的 EEG 感測器，有時也會使用追蹤血流的 fNIRS 感測器。兩者都會拾取神經信號，並將其處理為給使用者的回饋。
神經回饋在科學上被證實可以治療 ADHD 或焦慮症嗎？
研究文獻尚無定論，最近一項針對消費級 EEG headsets 的回顧指出缺乏嚴格的對照試驗。雖然有些研究報告了改善，但聲稱神經回饋可以治癒 ADHD 或消除焦慮的廣泛宣傳仍走在現有證據的前面。
自動化神經回饋設備可以在沒有臨床醫生的情況下運作嗎？
是的，隨機試驗顯示，自動化 EEG 生物回饋系統與臨床醫生指導的生物回饋一樣有效。在那項特定研究中，設計良好的獨立系統帶來了與受過培訓的專業人員相同的改善效果。
消費級神經回饋設備可靠嗎？
一項針對 Focused Technology F-1000 的硬體研究發現，兩塊內部電腦主機板產生的測量結果幾乎完全相同，這表明至少有些設備具有內部一致性。當設備在不同療程間顯示出變化時，使用者可以合理確信這種變化是在自己身上，而不是機器造成的。
什麼是實時 Z 分數訓練？
實時 Z 分數訓練是一種神經回饋類型，它利用常模數據庫提供關於多種 EEG 關係的即時回饋。案例研究記錄了向更典型腦波輪廓的轉變，但這些報告屬於有希望的軼事，而非對照證據。
初學者在選擇神經回饋設備時應該注意什麼？
初學者應該詢問科學對針對特定問題的特定系統有何結論，而不是輕信一般的行銷承諾。尋找硬體一致性的證據、包含對照條件的試驗，以及能夠讓您保持參與度的可用性功能。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
醫療免責聲明：本網站提供的資訊僅供教育和參考之用，不構成醫療或健康建議。本內容可能含有錯誤，不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問，請務必諮詢您的醫生或其他符合資格的健康提供者的建議。
克里斯蒂安·布爾戈斯
