Detailansicht
Predicting neurofeedback learning success
a machine learning analysis
Daniel Reiter
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Psychologie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Psychologie
Betreuer*in
Frank Scharnowski
Mitbetreuer*in
David Steyrl
DOI
10.25365/thesis.78929
URN
urn:nbn:at:at-ubw:1-11504.49460.907019-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Neurofeedback ist eine Technik, mit der Menschen lernen können, bestimmte Gehirnaktivitäten durch Echtzeit-Feedback ihrer eigenen Gehirnaktivitäten zu regulieren. Es hat das Potenzial, kognitive Funktionen zu verbessern und Symptome verschiedener klinischer Erkrankungen zu lindern. Eine große Herausforderung ist jedoch das Non-Responder-Problem - eine erhebliche Variabilität im individuellen Lernerfolg -, das die Wirksamkeit und Zuverlässigkeit von Neurofeedback einschränkt. In dieser Arbeit wurde untersucht, welche subjekt- und studienspezifischen Faktoren Neurofeedbackleistung und -verbesserung beeinflussen. Es wurde ein Datensatz aus 35 Neurofeedback-Studien mit 732 Teilnehmenden aus klinischen und gesunden Populationen zusammengestellt. Machine Learning Modelle wurden eingesetzt, um die Daten zu analysieren und einflussreiche prädiktive Merkmale zu identifizieren. Die Ergebnisse zeigten, dass sowohl die Neurofeedback-Leistung [mean balanced accuracy = 61.67 %, SD = 3.90, per subject grouping] als auch die Verbesserung [56.28 %, SD = 3.51, per subject grouping] signifikant vorhergesagt werden konnten. Zu den einflussreichsten Merkmalen gehörten Alter, Geschlecht, Gesundheitszustand, Dauer des Neurofeedbacklaufs und das Vorhandensein eines Transferlaufs vor dem Training. In einer explorativen Analyse, in der die Studien-ID als zusätzliches diskretes Merkmal einbezogen wurde, erwies sie sich als das Merkmal mit dem größten Einfluss auf die Neurofeedbackverbesserung - was darauf hindeutet, dass studienspezifische Faktoren, einschließlich potenziell nicht gemessener Faktoren, eine entscheidende Rolle spielen. Obwohl die Merkmale in der Analyse signifikant waren, war ihr Einfluss auf die Vorhersage gering. Diese Ergebnisse unterstreichen das komplexe Zusammenspiel von subjekt- und studienspezifischen Faktoren bei der Gestaltung der Neurofeedback-Leistung und -Verbesserung. Obwohl die Vorhersagegenauigkeit begrenzt bleibt, zeigt diese Arbeit mögliche Wege zur Optimierung zukünftiger Neurofeedback-Studien auf.
Abstract
(Englisch)
Neurofeedback is a technique that enables individuals to learn to regulate specific brain activities through real-time feedback from their own brain activities. It holds potential for improving cognitive functions and alleviating symptoms in various clinical conditions. However, a major challenge is the non-responder problem - substantial variability in individual learning success - which limits the efficacy and reliability of neurofeedback-based interventions. This thesis investigated what subject specific and study specific factors influence neurofeedback performance and improvement. A comprehensive dataset was compiled from 35 neurofeedback studies comprising 732 participants across clinical and healthy populations. Machine learning models were used to analyse the data and identify influential predictive features. Results showed that both neurofeedback performance [mean balanced accuracy = 61.67 %, SD = 3.90, per subject grouping] and improvement [56.28 %, SD = 3.51, per subject grouping] could be predicted significantly above chance. The most impactful features included age, sex, health status, length of neurofeedback run, and the existence of a pre-training transfer run. In an exploratory analysis incorporating study ID as an additional discrete feature, it emerged as the most impactful feature for neurofeedback improvement - suggesting that study specific factors, including potentially unmeasured ones, play a critical role. Although these features were significant in the analysis, the impact they had on the prediction was small. These findings underscore the complex interplay of subject specific and study specific factors in shaping neurofeedback performance and improvement. While predictive accuracy remains limited, this work highlights possible directions for optimizing future neurofeedback studies.
Schlagwörter
Schlagwörter
(Deutsch)
Neurofeedback Machine Learning Psychologie
Schlagwörter
(Englisch)
Neurofeedback Machine Learning Psychology
Autor*innen
Daniel Reiter
Haupttitel (Englisch)
Predicting neurofeedback learning success
Hauptuntertitel (Englisch)
a machine learning analysis
Publikationsjahr
2025
Umfangsangabe
94 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Frank Scharnowski
Klassifikation
77 Psychologie > 77.03 Methoden und Techniken der Psychologie
AC Nummer
AC17603042
Utheses ID
76818
Studienkennzahl
UA | 066 | 840 | |