Echtzeit funktionelle magnetresonanztomographiebasiertes Neurofeedback ist ein neues wissenschaftliches und klinisches Werkzeug, welches erlaubt die eigene Gehirnaktivität zu regulieren. Es ermöglich das Verhalten von gesunden Teilnehmerinnen zu beeinflussen als auch die Behandlung von klinischen Symptomen in Patientenpopulationen. Jedoch variiert die Fähigkeit der Regulation stark über Studien und TeilnehmerInnen. Konsistente Lernkurven wie beispielsweise stetige Anstiege sind selten. Unsere Studie untersucht ob die Neurofeedbackregulationsleistung über einzelne Runs zufällig variiert oder ob vorhersagbare Muster vorhanden sind. Unsere Modelle beinhalten zudem subjekt- und studienspezifische Merkmale wie beispielsweise Alter, Geschlecht, Instruktionen, trainierte Gehirnareale oder die Länge der einzelnen Runs, um zu untersuchen wie diese Faktoren die Leistung beeinflussen. Unter Verwendung von maschinellem Lernen (L1 regularisierte lineare Regression und Randomized Trees) sagen wir die Leistung in einem bestimmten Run vorher auf Basis der vorangehenden Regulationsleistungen. Zur Analyse des Beitrags der einzelnen Prädiktoren wurde die Methode der permutationsbasierten Prädiktorenrelevanz (Permutation-based feature importance) angewendet sowie die trainierten Modelle selbst analysiert. Unsere Analysen wurden auf einem Datensatz von 197 Probanden durchgeführt (aus 11 Studien), aus welchen wir schlussfolgern, dass die Regulationsleistung stets signifikant besser als das Zufallsniveau vorhergesagt werden kann. Jedoch bleibt mit Median R² werten von bis zu 0.26 stets ein großer Teil der Varianz in unseren Daten unerklärt. Die Analyse der Relevanz der Prädiktoren ergab, dass die vorhergehenden Runs die relevantesten Prädiktoren waren und der vorangehende Run oftmals der wichtigste Prädiktor. Insgesamt zeigen unsere Ergebnisse, dass Neurofeedbackregulationsleistung überzufällig gut vorhersagbar ist und systematischen Mustern folgt. Diese Ergebnisse können dazu beitragen die Selbstregulationsfähigkeit in Neurofeedbacktraining besser zu verstehen, und damit die Anwendungsmöglichkeiten von Neurofeedback vergrößern. Im Rahmen der Open Science Bewegung könnte ein solcher datenbasierter Ansatz ein vielversprechender Weg sein für ein tiefergehendes Verständnis von Neurofeedback.

Real-time fMRI-based neurofeedback is an emerging scientific and clinical tool that allows for learning to self-regulate brain activity. It has been shown to modulate behaviour in healthy individuals, and further has demonstrated the capacity to improve clinical symptoms in various patient populations. However, the performance in self-regulating neural activity varies considerably across studies and individuals. Consistent learning curve patterns, such as steadily rising regulation performances across runs, are rare. Here, we investigate whether neurofeedback regulation performances across runs are merely random or follow a predictable pattern. This is achieved by applying machine-learning (L1-regularized Linear Regression & Randomized Trees) to predict the regulation performance of a training run based on previous training run performances. Additionally, we included subject- and study-specific characteristics such as age, sex, instructions, trained brain regions, and the length of regulation blocks in our machine-learning models to investigate how these factors affect performance. For assessing the relevance of each feature, we applied permutation-based feature importance analyses to our trained models. To obtain results that generalize across the field of real-time fMRI neurofeedback, our analyses was conducted on a large and heterogeneous real-time fMRI neurofeedback dataset of 197 participants from 11 different studies that included healthy participants as well as patients, different ROIs, and diverse experimental designs. We were able to predict regulation performance significantly better than chance level. However, with median R² values of up to 0.26 a considerable part of variance remains unexplained. For the predictions, previous regulation performances were the most crucial features. Overall, we found that performance in neurofeedback training is not random but to some degree predictable. These results might help to develop a better understanding of how self-regulation of brain activity with neurofeedback is accomplished, thus allowing for more effective clinical and scientific use of this promising method. Considering increased availability of suitable data in the context of the Open Science movement, our data-driven approach might become a promising avenue for advancing our understanding and the applicability of neurofeedback.