想象一下玩一款手柄隐形的游戏——你完全仅凭自己的脑电波来进行操控。这一构想正是神经反馈的核心所在，这项技术为你提供了一个实时观察大脑活动的窗口，并教会你如何去改变它。
设备会捕捉大脑产生的信号，最常用的是通过脑电图（EEG）检测头皮上的电活动模式，有时也会使用功能性近红外光谱技术（fNIRS）传感器来追踪血流。这些原始信号经过处理后，会转化为屏幕上的简单游戏、声音或移动图形。通过反复试错，你的大脑会学会产生特定的模式，使反馈朝着你所期望的方向发展。
许多指南都侧重于单个部件——EEG电极、导线、软件——但一款设备只有在这些部件构成一个协调的整体时才能取得成功。本篇介绍将神经反馈视作一个集成系统进行审视，在这个系统中，信号处理、反馈设计和日常实用性相结合，共同决定了它是否真正有用。
什么是神经反馈设备？
神经反馈设备用于测量与大脑活动相关的信号，并将有关这些信号的信息呈现给用户，通常以视觉或音频提示的形式出现。其总体目标是让使用者观察自身活动的变化，并练习对这种反馈做出反应。各种设备在测量内容、信号处理方式以及反馈呈现方式上各有不同。神经反馈设备本身并不是诊断，也不能作为存在某种特定病症的凭证。
神经反馈是如何工作的？
在典型的训练中，当用户完成某项任务、休息或进行反馈程序时，传感器会采集信号。软件会对传入的数据进行处理，并根据设定的规则改变显示内容、声音或其他提示。
随后，用户可以尝试不同的心理策略，并观察反馈是否发生改变。该过程通常被描述为生物反馈的一种形式，不过具体的训练方案及其反馈所代表的意义各不相同。
测量、反馈和练习的循环是这种方法的核心。传感器并不能读取思想，反馈显示也不是一个人心理状态的直接体现。相反，它代表了测量信号的某些选定特征，这些特征可能会受到运动、电极接触以及软件处理数据方式的影响。理解这种区别有助于客观看待每次训练所宣称的效果。
神经反馈设备的类型
神经反馈系统可以根据其测量的信号以及使用的环境来进行区分。有些依赖于在头皮记录的电活动，而有些则使用基于光学的方法，或将传感器与其他形式的反馈相结合。技术决定了设备能够观察到什么，但仅凭技术本身并不能决定训练方案的质量。通过基础的对比，可以更容易地看出这些差异。
脑电图 (EEG) 神经反馈
EEG 神经反馈使用电极记录来自头皮的电活动。设备或相关软件会对记录进行处理，并可能根据选定的信号特征呈现反馈。电极位置、接触情况、运动和信号处理都会影响数据，这也是 EEG 设备和协议各不相同的原因之一。有关头皮电极放置的指南为安装设置如何影响记录和解读提供了进一步的背景信息。
以下区分描述的是大体测量方法的差异，而非有效性评级。系统的实际能力取决于其传感器和软件，同一类别内的设备也可能存在很大差异。
方法 | 测量信号 | 反馈背景 | 实际考量 |
|---|---|---|---|
EEG 神经反馈 | 在头皮记录的电活动 | 反馈可能与选定的 EEG 特征相关联 | 电极接触和运动可能影响信号质量 |
fNIRS 神经反馈 | 基于光学估算的血氧变化 | 反馈可能反映测得的血氧信号的变化 | 属于间接测量，与 EEG 不同 |
其他穿戴式形态 | 因传感器设计而异 | 反馈形式取决于具体设备 | 传感器类型和预期用途需仔细评估 |
这些类别之间不能混为一谈，仅凭一个标签并不能说明设备显示的是什么数据。对系统的评估还涉及其是否能清晰描述其测量方式、局限性以及预期应用环境。
fNIRS 神经反馈
功能性近红外光谱技术（fNIRS）利用光线来估算大脑表面附近组织中的血氧变化。在神经反馈应用中，这些估算值可用于针对测量信号的变化生成反馈。这与记录头皮电活动的 EEG 不同，因此这两种方法不能被视为等同或可以直接互相替代。
数据解读取决于测量设置和正在执行的任务。fNIRS 信号还可能受到大脑外部因素的影响，包括头皮附近的血流变化。因此，关于某个特定信号代表什么的说法，应该立足于该方法本身及其验证情况，而不是仅从显示界面中推测。
穿戴式神经反馈设备及其他新兴技术
穿戴式系统可以使用紧凑型传感器，专为实验室或诊所以外的反复使用而设计。其形态可以使安装更加方便，但便携性并不能保证信号准确、具有临床意义或适用于所有用途。有些设备会呈现简化的分数或交互式反馈；用户界面与底层的测量方法是截然不同的。
其他新兴方法可能会将神经反馈与其他传感器或反馈形式相结合。这种组合使得明确正在测量哪种信号以及软件如何处理它变得尤为重要。清晰记录传感器位置、数据处理方式以及解读局限性的文档，远比关于“大脑训练”的宽泛宣传更具参考价值。
深入了解神经反馈设备：信号处理与反馈回路
每个神经反馈系统都经历相同的三阶段流程，每个阶段的质量都决定了用户是否能真正学会调节自己的大脑状态：
信号采集：捕获原始 EEG 或 fNIRS 数据，同时应对来自眼动眨眼、肌肉紧张和线缆晃动的噪声。
反馈算法：将目标脑波活动的变化转化为驱动学习的视觉或听觉提示。
信号采集是起点。贴在头部的传感器会拾取微小的电波动（EEG）或血氧变化（fNIRS）。在此阶段，信号极其微弱，容易被眨眼、肌肉紧张甚至是线缆的轻微晃动所产生的噪声淹没。实际记录到的是大脑活动与背景干扰的混合物。
这种混乱的数据会在信号处理阶段得到清理。设备的软件会过滤掉已知的伪影，并通过数学方法将原始追踪信号分离为不同的频段——theta、alpha、感觉运动节律 (SMR)、beta 等。
每个频段都与心理状态大致相关：较慢的 theta 活动往往在昏昏欲睡或内省专注时出现，而较快的 beta 活动通常伴随着积极的专注。神经反馈设备旨在隔离训练方案所针对的频段，例如增加 12‑15 Hz 的 SMR 以实现冷静警觉，或增强 15‑18 Hz 的 beta 波以保持持续专注。
处理后的数据随后进入反馈算法，这是将数字转化为学习成果的部分。软件获取所选频段的当前振幅或比率，并将其转化为视觉或听觉提示。您可能会看到一辆汽车沿着道路加速、听到钟声变得更响亮，或者看到拼图碎片拼合到位——这一切完全取决于您的大脑是否正在向目标状态移动。
该算法决定了反馈响应的速度、触发奖励所需的变化幅度，以及当注意力分散时系统的宽容度。如果回路反应迟缓、更新太慢，就很难将精神努力与结果联系起来；而过度跳动的回路则可能令人感到困惑。
一项2023 年关于消费级神经反馈技术的研究综述强调，这些设备在设计时充分考虑了可用性。它们的“临床吸引力”部分来自于整个流程——从伪影去除到反馈游戏的设计——都经过精心工程设计，使得从未接触过脑读设备的人也能顺畅使用。
当系统作为一个天衣无缝的整体运作时，即使是初学者也能开始察觉其内在状态与屏幕上数字化反应之间的关联。
评估神经反馈的科学证据
因此，工程逻辑是合理的，但是当研究人员真正对神经反馈设备进行测试时会发生什么呢？现有的证据是由广泛的综述、有针对性的随机试验和个案报告拼接而成的。梳理这些资料可以发现其真实的潜力，但也揭示了巨大的空白。
一项针对用于心理健康和福祉的消费级 EEG 和 fNIRS 设备的调查，查阅了关于ADHD、焦虑、抑郁和癫痫等病症的现有文献。该综述指出，存在“表明神经反馈设备有效的证据”，意味着某些研究确实报告了改善情况。
然而，同一项分析也警告称，整体研究体系“缺乏严格受控的试验。”如果没有精心设计的对照组，就很难知道这种改善在多大程度上来自于神经反馈本身，还是来自于时间的推移、参与研究所获得的额外关注，抑或仅仅是在佩戴 headset 时安静坐着所带来的效果。
更具体的结论来自于一项随机对照试验（RCT），该试验在一家针对物质使用障碍的住院治疗中心测试了自动化 EEG 生物反馈系统。全部 95 名参与者在开始时都存在可测量的注意力缺陷，并全部接受了包括群体、家庭和个人咨询在内的标准综合治疗。随后他们被随机分为三组：
AEB 组：接受 15 次完全由设备自行运行的自动化 EEG 生物反馈。
CEB 组：接受 15 次由临床医生指导的生物反馈。
AT 组：接受 15 次额外的标准治疗，不包含生物反馈。
其结果是通过注意力变量测试（TOVA）进行衡量的，这是一种基于计算机的任务，用于跟踪一个人保持专注和抑制冲动反应的能力。AT 组在任何 TOVA 指标上都没有表现出变化。相反，两个生物反馈组——自动组和临床医生指导组——在反应时间变异性、遗漏错误、虚报错误和 d-prime（注意力敏感性指标）方面均有显着改善。
所有这些对比的 p 值均低于 .01，表明这些变化极不可能仅仅是随机噪声。至关重要的是，自动组和临床医生指导组之间没有显著差异。至少在这个特定人群和与注意力相关的终点上，一个设计良好的独立系统的有效性不亚于由受训专业人员执行的相同方案。
这一发现告诉我们，在受控条件下，设备的内部算法和反馈设计确实可以驱动具有统计学意义的认知变化。然而，这项研究针对的是特定群体（存在注意力缺陷的物质依赖康复者），因此我们不能轻易得出结论，认为同样的自动化系统在患有 ADHD 的儿童或患有广泛性焦虑的人群中会产生相同的结果。
更广泛的临床数据通常来自于个案研究而非大型试验。例如，一系列接受实时 Z 分数训练（LZT）——一种使用标准数据库创建实时反馈以反映多种 EEG 关系的神经反馈——的个案记录了脑波模式向更典型状态的转变。
作者观察到，QEEG 指标在多次训练后发生了变化，并且这些变化伴随着临床症状的改善。个案研究对于提出设想和展示真实临床环境中可能发生的情况非常有价值。然而，它们不能替代受控研究。
如果没有一组未接受 LZT 的对照人群，就无法得知相同的改善是否会自行发生，或者由其他干预手段引起。因此，尽管实时 Z 分数的报告令人鼓舞，但它们仍属于“具有希望的个案”，而非确凿的证据。
证据类型 | 优势 | 劣势 |
|---|---|---|
广泛综述 | 谨慎、结果参半 | 缺乏受控试验 |
随机试验 | 注意力有显著提升 | 受试人群狭窄 |
病例系列 | 显示真实世界中的变化 | 缺乏对照组 |
神经反馈设备可靠性的重要性
一台神经反馈设备即使拥有世界上最巧妙的算法，但如果硬件不稳定或者使用体验就像在操作一个损坏的玩具，那么任何治疗潜力都会荡然无存。整个系统的两个方面严重影响着实际效果：技术可靠性和人性化设计。
一项简单的设备研究测试了同一型号神经反馈设备（Focused Technology F-1000）内部的两种不同计算机主板是否能产生一致的结果。八名参与者交替连接到这两块主板上。研究记录了手指温度以及两个头皮位点的 EEG 读数。
分析发现，这两台计算机在测量结果上几乎完全相同。数据中的绝大多数变异来自于参与者本身，而不是来自于机器。这告诉我们，至少有一部分独立的神经反馈设备能够提供可重复、内部一致的硬件性能。如果一台设备显示您在多次训练之间的脑波模式发生了改变，您可以合理地确信这种变化发生在您身上，而不是因为机器读数出现了偏差。
第二大支柱是易用性。消费级神经反馈设备明确是为人们在家中使用而打造的。针对这些技术的综述指出，直观的应用程序界面、简单的传感器放置方式以及清晰的反馈呈现，正是这些工具在实验室之外获得“临床吸引力”的关键所在。
如果一款家用设备需要工程学学位才能操作，它最终只会被束之高阁。如果根本没人佩戴 headset，再出色的反馈算法也无法发挥教学作用。因此，易用性看似只是设计上的锦上添花，实则是设备有效性链路中的核心组成部分。一个使用起来不那么令人沮丧的系统，能让人们保持足够长久的参与度，从而让学习过程得以发生。
神经反馈宣传与科学证据之间的差距
在搜索框中输入“神经反馈治疗 ADHD”，您会看到关于无药、持久根治的承诺。广告中常常宣称该疗法能确切消除焦虑症状、提升专注力，甚至改善睡眠。如果科学文献能全面支持这些说法固然很好，但现实情况却要冷静得多。
这些设备确实记录了真实的生理信号，并且针对自动化系统的随机试验也表明，临床人群的注意力确实可以得到改善。这是一个意义重大的进展。但从更广泛的研究层面来看，证据依然零散不全。
关于消费级神经反馈技术的综述明确指出，针对营销材料中最常提及的心理健康问题，现有文献尚无定论。目前根本没有足够多设计严格的对照实验来将神经反馈设备与可靠的安慰剂模拟（sham）或成熟疗法进行对比。在这些研究积累充分之前，关于治愈 ADHD 或消除焦虑的泛化言论都超前于现有证据。
实时 Z 分数案例系列增添了有趣的细节，但并未填补这一空白。观察到少数个体的 EEG 发生变化并感觉好转，并不等同于证明了该干预措施在安慰剂效应之外直接引起了这些变化。
同样，关于物质依赖住院研究的积极结果固然令人振奋，因为它们来自 RCT，但它们回答的只是特定人群中关于注意力的一个非常具体的问题。在学校里饱受注意力不集中困扰的青少年可能具有完全不同的大脑基线状态和环境，因此相同的方案可能不会产生完全一样的效果。
明智的态度是将流行的营销说法视为未经证实的承诺，转而关注受控数据真正证明的内容：即某些设备可以在特定群体中带来可测量的注意力改善；硬件本身可以做到可靠；并且在这些环境下，自动化系统可以达到与专业临床医生指导相当的效果。从“初现曙光的迹象”走向“针对广泛病症的确凿疗法”，仍需更多深入研究。
如何通过 Emotiv 工具探索用于教学和研究的神经反馈？
上述所有内容都指向同一个结论：神经反馈系统是一个闭环链路，理解它的最佳方式就是亲眼看到各个阶段的运作。这正是 Emotiv 的 EEG 硬件和软件的用武之地。无论是在教室、研究实验室还是在开发者的工作台上，它们都让记录信号、检查处理过程以及自行设计反馈成为可能。
从一开始就明确其用途大有裨益。
Emotiv 工具的用途：用于教授神经反馈的工作原理、研究反馈范式、构建反馈应用程序原型，以及出于个人兴趣探索专注和放松状态。
它们不适用的用途：Emotiv 产品仅用于研究应用和个人用途。它们不是医疗器械，并非设计或旨在用于诊断、治疗或管理 ADHD、焦虑或任何其他病症。它们不能替代临床医生提供的神经反馈治疗。
用户如何通过互动应用体验实时神经反馈回路？
Emotiv Play 是一套适用于 MN8 耳塞和 Insight 头带的脑控移动端游戏。每款游戏都遵循前面描述的循环：headset 感知大脑信号，机器学习算法将其转化为游戏中的指令，玩家看到结果。例如，在“正念花园”（Mindful Garden）中，随着玩家保持专注和冷静，花朵便会绽放。
玩家进行简短的校准以设定个人基线，并可在设置中重新训练指令、调整灵敏度或改变难度。这些设置正是上述讨论过的反馈算法决策：多大程度的变化会触发奖励，以及当注意力漂移时系统具有多高的宽容度。
严格来说，由训练好的心理指令驱动的游戏比起经典的频段功率神经反馈，更接近于脑机接口。然而对于初学者来说，它们让核心理念变得具象化：大脑活动发生改变，屏幕随之做出反应。
Emotiv BrainViz 将 EEG 活动呈现为实时 3D 可视化，并可连接到 Epoc X 和 Insight。在下文讨论的一项 2024 年的研究中，研究人员将 BrainViz 与 Epoc X headset 结合使用，提供了 alpha 频段的神经反馈。
开发者如何利用 API 和开发者层级构建自定义神经反馈回路？
对于希望亲自设计反馈阶段的学生和开发者，Cortex API 提供了对频段数据（FFT 和频段功率）、性能指标和运动数据的实时访问，更高权限的开发者层级还支持获取原始 EEG 数据。通过编写一段简短的脚本，学生就可以将 alpha 功率映射为音调的音量或屏幕上形状的大小，然后尝试调整阈值和更新率。这是探索为什么更新过慢的回路会让人感到脱节、而反应过快的回路又会让人感到困惑的最直接方法。
EmotivPRO 涵盖了记录和分析功能：原始 EEG、用于区分训练阶段和休息阶段的事件标记，以及用于与 PsychoPy、MATLAB 和 EEGLAB 等工具同步的实验室流图层（LSL）支持。
通过 EmotivPRO Builder 和 EmotivLABS，研究人员还可以在浏览器中构建实验，并将其发布给拥有 Emotiv headset 的参与者。一项 2023 年的概念验证研究采用了这种方法远程收集睁眼和闭眼静息态 EEG，并观察到了当参与者睁开眼睛时如期发生的 alpha 功率下降。Alpha 节律正是许多神经反馈方案所针对的目标节律。
使用 Emotiv 的同行评审研究显示了什么
独立的科研团队已经使用 Emotiv headset 对神经反馈进行了直接研究。他们的研究结果与更广泛的文献呈现出相同的规律：训练信号的变化是可测量的，但行为层面的益处尚不确定。
研究 | Emotiv 系统 | 设计 | 研究发现 | 未能证明的内容 |
|---|---|---|---|---|
Epoc | 33名健康成年人；单盲、伪反馈对照；为期四天的高位 alpha 训练 | 主要分析发现对高位 alpha 或短时记忆没有影响；附加分析显示，与伪反馈相比，alpha 增长更快、幅度更大 | 对记忆力有任何改善；两组的表现都随时间推移而有所提升 | |
配合 BrainViz 的 Epoc X | 40名大学生随机分配至 alpha 训练组或对照组 | Alpha 振幅增加，在第2天和第8天出现显著差异；训练组自我报告的状态焦虑下降 | 对工作记忆有任何改善；该研究并非针对任何临床病症的治疗测试 | |
de Wit 等人，2017年，《Journal of Undergraduate Neuroscience Education》 | Epoc+ | 本科教学实验室 | 学生们认为实验课生动有趣，并报告对 EEG、课程材料和神经科学研究有了更好的理解 | 相对于对照组测得的学习提升；结果仅来自学生问卷调查 |
Naas 的研究是印证本文核心观点的一个有力范例。该研究采用了文献综述中所要求的伪反馈对照，结果发现参与者虽然可以改变被训练的信号，但这种改变并没有转移到记忆表现上。设备改变了信号，单凭这一事实并不能说明它改变了行为。
便携式 EEG 头戴设备如何促进神经科学的实践教学？
临床神经反馈系统是为医疗环境而构建的，伴随着高昂的成本和严格的培训要求。对于旨在传授该概念的教育工作者而言，便携式 EEG headset 往往是更实用的选择。de Wit 团队将其基于 Emotiv 的实验室评价为高性价比、可扩展且极具便携性，同时 Emotiv 还为神经科学实践和 BCI 学习提供了教育套件。
教学流程可以遵循技术流水线的三大阶段，并以证据探讨作为总结：
采集：记录睁眼和闭眼静息状态，观察闭眼时 alpha 波的上升。然后让学生眨眼并咬紧牙关，让他们在误将伪影当成大脑活动之前，亲眼看看伪影是什么样子。
处理：在 EmotivPRO 或 BrainViz 中将相同的记录作为频段进行观察，并讨论各个频段代表什么以及不代表什么。
反馈：使用 Cortex API 构建一个简单的“alpha 转换为声音”的回路，然后调整阈值和更新速率，对比不同版本的使用感受。
实证：以 Naas 的研究为蓝本开展小型课堂实验，半数同学接收真实反馈，另一半接收伪反馈，以此展示为什么对照条件至关重要。
脑数据在课堂上应当受到与实验室同等的审慎对待。学生应知晓正在记录的内容并表示同意；记录未成年人的数据通常需要家长同意和学校批准；并且数据的存储与共享应严格遵守机构政策及 Emotiv 的数据保护准则。
通过这种方式使用，Emotiv 工具并不承诺能够改变任何人的大脑。它们的作用是让整个神经反馈系统清晰可见——而这正是本文所强调的每位初学者都必须建立的认知。
神经反馈初学者未来的探索之路
剥离夸大宣传并审视设备整体时，您会发现它是一个工程化的锻炼回路，背后有着真实存在但仍在发展中的科学证据。神经反馈系统不仅是一组电极；它是一个采集神经信号、清洗信号并将其转化为学习体验的信息处理流程。
该领域未来的发展方向十分明确。需要更多随机对照试验来专门针对 ADHD、焦虑以及营销中频繁提及的其他病症对消费级独立设备进行检验。这些研究必须设立对照组，使研究人员能够将神经反馈的特异性效应与普遍的放松、心理预期或单纯摆弄新奇设备的效果区分开来。
直接比较不同的反馈算法也将大有裨益。如果某种类型的游戏或奖励时机能够带来更快的学习速度和更持久的改变，这些信息将同时对设备设计和临床建议起到指导作用。
对于刚开始探索神经反馈的人来说，最有价值的问题不是“这台设备能否修复我的大脑？”，而是“针对这个具体问题，实际的科学研究对这个特定系统有何结论？”请寻找能够证明硬件一致性、包含对照条件的试验以及能让您保持坚持使用的易用性特征的证据。
技术正在向前迈进，证据虽然有限，但也指向了一些令人感兴趣的方向。全面认识该系统——而不是被操控脑波的概念所迷惑——是认识其真正潜力的第一步。
参考文献
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.
常见问题解答
什么是神经反馈？
神经反馈是一种提供大脑活动实时反馈的技术，旨在让人学会改变自己的大脑状态。它通常使用 EEG 检测电活动模式或使用 fNIRS 追踪血流，然后将这些信号转化为游戏或声音。
神经反馈设备是如何工作的？
神经反馈设备经历三个阶段：信号采集、信号处理和反馈算法。传感器采集大脑信号，软件进行清洗并隔离出特定频段，随后反馈算法将处理后的数据转化为引导学习的视觉或听觉提示。
不同的脑波频段代表什么？
不同的频段与精神状态大致相关：较慢的 theta 活动出现在昏睡或内省时，而较快的 beta 活动伴随积极专注。神经反馈会隔离目标频段，例如用于保持冷静警觉的感觉运动节律或用于持续专注的 beta 波。
神经反馈设备使用哪些类型的传感器？
神经反馈设备最常使用检测头皮电信号的 EEG 传感器，有时也会使用追踪血流的 fNIRS 传感器。两者都用于拾取神经信号并将其处理后反馈给用户。
神经反馈在科学上被证明可以治疗 ADHD 或焦虑吗？
相关研究文献仍未有定论，最近对消费级 EEG headset 的一项综述指出其缺乏严格控制的试验。虽然部分研究报告有所改善，但声称神经反馈可以治愈 ADHD 或消除焦虑的泛化言论均超前于科学证据。
自动化神经反馈设备在没有临床医生的情况下能起作用吗？
是的，随机试验表明，自动化 EEG 生物反馈系统的效果与临床医生指导下的生物反馈一样有效。在该特定研究中，设计良好的独立系统带来了与专业受训人员相同的改善效果。
消费级神经反馈设备可靠吗？
针对 Focused Technology F-1000 的硬件研究发现，两个内部计算机主板产生了几乎完全一致的测量结果，这表明至少有一部分设备在内部具有良好的一致性。当设备显示跨训练周期的变化时，用户可以合理地确信这一改变发生在自己身上，而不是机器本身的问题。
什么是实时 Z 分数训练？
实时 Z 分数训练是一种神经反馈形式，它使用标准数据库就多种 EEG 关系提供实时反馈。个案研究记录了脑波向更典型模式的转变，但这些报告属于有希望的个案，而非确凿的受控研究证据。
初学者在选择神经反馈设备时应该关注什么？
初学者应该探究科学界针对特定问题的具体系统得出了什么结论，而不是轻信泛泛的营销宣传。关注硬件一致性的证据、包含对照条件的试验以及能让您坚持使用的易用性特征。
Emotiv 是一家神经技术领域的领导者，致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
医疗免责声明：本网站提供的信息仅用于教育和信息参考目的，不作为医疗或健康建议。这些内容可能包含错误，不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问，请始终咨询您的医生或其他合格的健康服务提供者。
克里斯蒂安·布尔戈斯
