Abstract Real-time fMRI neurofeedback is an increasingly popular neuroimaging technique that allows an individual to gain control over his/her own brain signals, which can lead to improvements in behavior in healthy participants as well as to improvements of clinical symptoms in patient populations. However, a considerably large ratio of participants undergoing neurofeedback training do not learn to control their own brain signals and, consequently, do not benefit from neurofeedback interventions, which limits clinical efficacy of neurofeedback interventions. As neurofeedback success varies between studies and participants, it is important to identify factors that might influence neurofeedback success. Here, for the first time, we employed a big data machine learning approach to investigate the influence of 20 different design-specific (e.g. activity vs. connectivity feedback), region of interest-specific (e.g. cortical vs. subcortical) and subject-specific factors (e.g. age) on neurofeedback performance and improvement in 608 participants from 28 independent experiments. With a classification accuracy of 60% (considerably different from chance level), we identified two factors that significantly influenced neurofeedback performance: Both the inclusion of a pre-training no-feedback run before neurofeedback training and neurofeedback training of patients as compared to healthy participants were associated with better neurofeedback performance. The positive effect of pre-training no-feedback runs on neurofeedback performance might be due to the familiarization of participants with the neurofeedback setup and the mental imagery task before neurofeedback training runs. Better performance of patients as compared to healthy participants might be driven by higher motivation of patients, higher ranges for the regulation of dysfunctional brain signals, or a more extensive piloting of clinical experimental paradigms. Due to the large heterogeneity of our dataset, these findings likely generalize across neurofeedback studies, thus providing guidance for designing more efficient neurofeedback studies specifically for improving clinical neurofeedback-based interventions. To facilitate the development of data-driven recommendations for specific design details and subpopulations the field would benefit from stronger engagement in Open Science and data sharing.

Hippocampal hyperactivity is a precursor of Alzheimer disease and more prominent in APOE-ε4 carriers. It is therefore important to investigate the processes of hippocampal self-regulation, to monitor therapeutic efficacy of preclinical interventions. We have developed a closed-loop, virtual reality neurofeedback paradigm for real-time fMRI, that provides a standardized method for quantifying processes of hippocampal self-regulation. We acquired multi-modal neuroimaging data from a sample of 53 cognitively unimpaired subjects at risk for AD and applied standard methods of structural and functional connectomics. The analyses reveal significant negative associations between hippocampal CA1 down-regulation performance and APOE-ε4 alleles, as well as hippocampal streamline density volume. Better memory performance was associated with increased, bilateral hippocampal functional connectivity during the neurofeedback task. These are the first results to link neurofeedback performance to a genetic risk factor and structural connectivity. Further, these are the first evidence that functional cohesion between the hippocampi can reflect subtle differences in memory function, in cognitively unimpaired individuals at risk for AD. We provide a novel method to assess hippocampal function in preclinical AD, and propose it can be used to derive proxies for neural reserve.

Hippocampal down-regulation is associated with genetic predisposition to Alzheimer disease (AD), neurodevelopmental processes and disease symptoms. Resting state eigenvector centrality (EC) patterns resemble those of FDG-PET in AD, they can predict self-regulation performance and they are related to functional compensation across the pathophysiological continuum of AD. We acquired cerebrospinal fluid (CSF) biomarkers from a cognitively unimpaired sample at risk for AD (N=48), to investigate the effect of β-amyloid peptide 42 (Aβ42) and phosphorylated tau (p-Tau) levels on EC during the down-regulation of hippocampal subfield cornu ammonis 1, with real-time fMRI closed-loop neurofeedback. Controlling the effects of confounding variables (age, sex, number of APOE ε4 alleles, cognitive reserve, brain reserve and hippocampal down-regulation performance), CSF Aβ42 levels correlated positively with EC in the anterior cingulate cortex (BA24, BA32) and primary motor cortex (BA4). CSF p-Tau levels correlated with EC positively in the ACC (BA32, BA10) ventral striatum (caudate, nucleus accumbens, putamen) and left primary somatosensory cortex (BA2), as well as negatively in the posterior cingulate cortex, precuneus, cuneus and left frontal pole (BA9). Controlling for CSF biomarkers and other prognosis variables, age correlated negatively with EC in the midcingulate cortex, insula, primary somatosensory cortex (BA2) and inferior parietal lobule (BA40), as well as positively with EC in the inferior temporal gyri. Taken together, we identified patterns of functional connectomics in individuals at risk of AD during hippocampal down-regulation, which resemble those found during resting state at advanced AD stages. Moreover, we provide a standard paradigm to replicate and extend this work on a global level. This opens new avenues for further research applications, which quantify and monitor disease progression, by identifying early alterations in the self-regulation of brain function, with potential for non-invasive prognostic screening.

Neurofeedback training has been shown to influence behavior in healthy participants as well as to alleviate clinical symptoms in neurological, psychosomatic, and psychiatric patient populations. However, many real-time fMRI neurofeedback studies report large inter-individual differences in learning success. The factors that cause this vast variability between participants remain unknown and their identification could enhance treatment success. Thus, here we employed a meta-analytic approach including data from 24 different neurofeedback studies with a total of 401 participants, including 140 patients, to determine whether levels of activity in target brain regions during pre-training functional localizer or no-feedback runs (i.e., self-regulation in the absence of neurofeedback) could predict neurofeedback learning success. We observed a slightly positive correlation between pre-training activity levels during a functional localizer run and neurofeedback learning success, but we were not able to identify common brain-based success predictors across our diverse cohort of studies. Therefore, advances need to be made in finding robust models and measures of general neurofeedback learning, and in increasing the current study database to allow for investigating further factors that might influence neurofeedback learning.

ABSTRACT Neurofeedback allows for learning voluntary control over one’s own brain activity, aiming to enhance cognition and clinical symptoms. A recent study improved sustained attention temporarily by training healthy participants to up-regulate the differential activity of the sustained attention network (SAN) minus the default mode network (DMN). However, long-term learning effects of functional magnetic resonance imaging (fMRI) neurofeedback training remain under-explored. Here, we evaluate the effects of network-based fMRI neurofeedback training for sustained attention by assessing behavioral and brain measures before, one day after, and two months after training. The behavioral measures include task as well as questionnaire scores, and the brain measures include activity and connectivity during self-regulation runs without feedback (i.e., transfer runs) and during resting-state runs. Neurally, we found that participants maintained their ability to control the differential activity during follow-up sessions. Further, exploratory analyses showed that the training-induced increase in FC between the DMN and occipital gyrus was maintained during follow-up transfer runs, but not during follow-up resting-state runs. Behaviorally, we found that enhanced sustained attention right after training returned to baseline level during follow-up. The discrepancy between lasting regulation-related brain changes but transient behavioral and resting-state effects raises the question of how neural changes induced by neurofeedback training translate to potential behavioral improvements. Since neurofeedback directly targets brain measures to indirectly improve behavior long-term, a better understanding of the brain-behavior associations during and after neurofeedback training is needed to develop its full potential as a promising scientific and clinical tool. Key points Participants were still able to self-regulate the differential activity between large-scale networks two months after the end of neurofeedback training and this during transfer runs without feedback. Lasting brain changes were also observed in the functional connectivity of trained regions in runs during which participants engaged in active self-regulation as well as during resting-state runs without concomitant self-regulation. The increased sustained attention we observed right after the end of neurofeedback training did not persist two months later.