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.

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.

The acquisition of new skills can be facilitated by providing individuals with feedback that reflects their performance. This process creates a closed loop that utilizes feedback processing and behavioral adaptation following feedback to promote effective training. Functional magnetic resonance imaging (fMRI)-based neurofeedback is a specific instantiation of this principle, where the brain is trained directly by providing feedback of its self-regulation. Neurofeedback is unique in that it is the most direct form of brain training and it trains something we do not normally have conscious access to - our brain activity. To understand how learning with neurofeedback or other forms of feedback is accomplished, it is essential to understand how the feedback is evaluated and how behavior is adjusted following guidance from the feedback signal. In this pre-registered mega-analysis, we re-analyzed data from eight intermittent fMRI neurofeedback studies (N = 153 individuals) to investigate brain regions whose activity and connectivity are associated with feedback processing and behavioral adaptation to feedback during neurofeedback training. We converted and harmonized feedback scores across studies, and computed their linear associations with brain activity and connectivity in parametric general linear model analyses. We observed that, during feedback processing, feedback scores were positively associated with (1) activity in key regions of the reward system, as well as the dorsal attention network, default mode network, and cerebellum; and with (2) reward system-related connectivity in the salience network. During behavioral adaptation (i.e., regulation after feedback), no significant associations were observed between feedback scores and either activity or associative learning-related connectivity. Our results demonstrate that neurofeedback is processed in the reward system, thereby endorsing the theory that reinforcement learning shapes this form of brain training towards behavioral change. In addition, the association of large-scale networks with feedback suggests that higher-level processing, involving the continuous transition between the evaluation of external feedback and the subsequent internal evaluation of the adopted cognitive state, is also involved in this type of learning. Our findings highlight the pivotal role of performance-related feedback as a driving force during learning, a conclusion that can potentially be extended to other processes beyond neurofeedback training.

Abstract Human intelligence is one of the main objects of study in cognitive neuroscience. Reviews and meta-analyses have proved to be fundamental to establish and cement neuroscientific theories on intelligence. The prediction of intelligence using in vivo neuroimaging data and machine learning has become a widely accepted and replicated result. Here, we present a systematic review of this growing area of research, based on studies that employ structural, functional, and/or diffusion MRI to predict human intelligence in cognitively normal subjects using machine-learning. We performed a systematic assessment of methodological and reporting quality, using the PROBAST and TRIPOD assessment forms and 30 studies identified through a systematic search. We observed that fMRI is the most employed modality, resting-state functional connectivity (RSFC) is the most studied predictor, and the Human Connectome Project is the most employed dataset. A meta-analysis revealed a significant difference between the performance obtained in the prediction of general and fluid intelligence from fMRI data, confirming that the quality of measurement moderates this association. The expected performance of studies predicting general intelligence from fMRI was estimated to be r = 0.42 (CI 95% = [0.35, 0.50]) while for studies predicting fluid intelligence obtained from a single test, expected performance was estimated as r = 0.15 (CI 95% = [0.13, 0.17]). We further enumerate some virtues and pitfalls we identified in the methods for the assessment of intelligence and machine learning. The lack of treatment of confounder variables, including kinship, and small sample sizes were two common occurrences in the literature which increased risk of bias. Reporting quality was fair across studies, although reporting of results and discussion could be vastly improved. We conclude that the current literature on the prediction of intelligence from neuroimaging data is reaching maturity. Performance has been reliably demonstrated, although extending findings to new populations is imperative. Current results could be used by future works to foment new theories on the biological basis of intelligence differences.

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.