Durch Deep Learning unterstütztes Biofeedback

Nach 60 Jahren Entwicklung von Biofeedback für Gehirnwellen, grundlegender und angewandter Forschung, Therapie und dem Bau verschiedener Geräte gibt es eine gut definierte Reihe von Anwendungen sowohl in Gesundheit als auch in Krankheit. Während dieser Jahre haben technologische Fortschritte große Beiträge zur Entwicklung von therapeutischen Biofeedback- und Trainingsverfahren geleistet. Variabilität als natürliche Eigenschaft biologischer Systeme und eine Nebenwirkung der Einschränkungen in aktuellen Biofeedback-Geräten, zusammen mit Unterschieden in Behandlungen und Trainingsmodellen, haben die regelmäßige Praxis in eine Landschaft gebracht, in der die Vorhersage von Ergebnissen schwierig, nicht immer zuverlässig oder reproduzierbar ist und es an Grundlagen für die Verallgemeinerung fehlt. Dieses Kapitel diskutiert die Entwicklung von Deep Learning (DL)-Lösungen, die darauf abzielen, den Biofeedback-Prozess zu steuern. Ziel ist es, aktuelle Geräte und Neurofeedback-Verfahren durch ein robustes Set von DL-Optionen zu ersetzen, die darauf ausgelegt sind, die Variabilität zu reduzieren und den Biofeedback-Prozess gemäß den natürlichen Beziehungen und Prinzipien der Gehirnwellen zu liefern, und schlägt DL-Modelle vor, die darauf abzielen, das aktuelle Vakuum an Präzision in aktuellen Neurofeedback (NFB)-Geräten und -Praktiken zu füllen.