Heute kein Zucker. Das war der Vorsatz. Du hast gut gefrühstückt, fühlst dich motiviert, der Tag läuft. Und dann stehst du im Café, blickst auf die Glasvitrine und siehst Croissants, Apfeltaschen, Schoko-Muffins. Und ehe du dich versiehst, hörst du dich sagen: „Ein Schokocroissant, bitte.“ Ein Teil von dir ist überrascht. Ein anderer gar nicht.

Wir alle kennen solche Momente. Wir haben uns fest vorgenommen, unsere Ernährung zu ändern, gesünder zu essen – und greifen dann doch zum Süßen. Das ist kein Zeichen von Willensschwäche. Es ist ein Zusammenspiel komplexer Hirnprozesse, die meist schneller ablaufen, als uns bewusst wird.

Was passiert im Gehirn, wenn wir das Croissant sehen?

Im Zentrum dieses Zusammenspiels steht das, was wir umgangssprachlich das „Belohnungssystem“ nennen – ein weit verzweigtes Netzwerk aus Hirnregionen, das eine zentrale Rolle bei Motivation, Lernen und Entscheidungsfindung spielt. Sehen wir zum Beispiel das leckere Croissant, schaltet sich dieses Netzwerk innerhalb von Sekundenbruchteilen ein. Im ventralen Striatum (einem Schlüsselbereich des Belohnungssystems, tief im Inneren des Gehirns) wird der Botenstoff Dopamin ausgeschüttet. Dieses Dopamin-Signal sagt dem Gehirn: Das will ich haben. Ein starker, automatischer, fast schon „primitiver“ Impuls. Gleichzeitig meldet sich dein präfrontaler Kortex (der vordere Teil deines Gehirns, hinter der Stirn). Er ist für Planung und Abwägung zuständig und erinnert dich an deinen Vorsatz: Heute kein Zucker. Welche der beiden Stimmen sich am Ende durchsetzt, entscheidet darüber, was du gleich bestellst.

Im Alltag halten sich diese beiden Systeme meist die Waage. Gerät dieses fein abgestimmte Zusammenspiel jedoch aus dem Gleichgewicht, zum Beispiel weil das Belohnungssystem über lange Zeit immer wieder besonders stark aktiviert wird, kann sich verändern, wie wir Motivation erleben, Entscheidungen treffen oder Belohnungen bewerten. Solche Veränderungen spielen bei verschiedenen psychischen Erkrankungen wie z.B. Suchterkrankungen oder Essstörungen eine Rolle. Genau deshalb ist es so wichtig, die Aktivität des Belohnungssystems besser zu verstehen – und vielleicht auch gezielt beeinflussen zu können.

Hirnaktivität bewusst regulieren: das Prinzip Neurofeedback

Die Idee, Hirnaktivität bewusst zu regulieren, ist nicht neu. Genau diesen Ansatz verfolgt eine seit Jahrzehnten eingesetzte Methode: das sogenannte „Neurofeedback“. Hierbei wird Hirnaktivität in Echtzeit gemessen und der Person sichtbar gemacht, meist über einen Balken oder eine andere visuelle Anzeige auf einem Bildschirm. Indem man sieht, was das eigene Gehirn gerade tut, lässt sich diese Aktivität schrittweise bewusst beeinflussen. Bei ADHS gehört Neurofeedback inzwischen sogar zu den etablierten Behandlungsoptionen. Und auch im Bereich der Belohnungsverarbeitung gibt es erste Studien, die versuchen, das Belohnungssignal gezielt zu modulieren. Etwa bei Menschen mit Suchterkrankungen oder Depressionen.

Bei ADHS werden hier oft gezielt präfrontale Areale moduliert, um die kognitive Kontrolle zu stärken. Hierbei kommt meist das EEG zum Einsatz (siehe Box unten). Studien, die dagegen das Belohnungssignal beeinflussen wollen, arbeiten fast alle mit dem fMRT (siehe Box unten). Und dies aus gutem Grund: fMRT ist eine der wenigen Methoden, die die Aktivität tiefer Hirnregionen wie des ventralen Striatums valide sichtbar machen können. fMRT-Aufnahmen zu erstellen ist jedoch sehr teuer, ortsgebunden und daher für den alltäglichen klinischen Einsatz kaum praktikabel. EEG bietet hier eine vielversprechende Alternative. Es ist günstig, mobil und leicht verfügbar. Allerdings misst das EEG hauptsächlich die elektrische Aktivität an der Hirnoberfläche. Tiefe Strukturen wie das ventrale Striatum bleiben ihm normalerweise verborgen. Ihre Signale sind zu schwach und zu stark mit anderen Quellen vermischt, um sie direkt aus dem EEG ablesen zu können.

Genau hier kommt künstliche Intelligenz ins Spiel.

Mit Hilfe von KI die Aktivität tiefer Hirnregionen aus dem EEG entschlüsseln

In den letzten Jahren haben neue Errungenschaften im Bereich des maschinellen Lernens (ML) ermöglicht, aus EEG-Daten auf die Aktivität tiefer Hirnstrukturen zu schließen. Das Prinzip: Wenn EEG und fMRT gleichzeitig aufgezeichnet werden, kann ein ML-Modell lernen, welche Muster im EEG mit dem fMRT-Signal aus der jeweiligen Hirnstruktur zusammenhängen. Einmal trainiert, kann ein solches Modell dann anhand des EEG allein eine Schätzung des Signals liefern – ganz ohne fMRT.

Erste Arbeiten auf diesem Gebiet lieferten bereits vielversprechende Ergebnisse. Singer und Kolleg:innen (2023) zum Beispiel erreichten mit ihrem Modell für das ventrale Striatum eine moderate Übereinstimmung zwischen dem aus dem EEG geschätzten und dem tatsächlichen fMRT-Signal. Und auch wenn die Vorhersagen keine perfekte Eins-zu-eins-Übersetzung war, zeigte ein erstes Folge-Pilotprojekt, bei dem das Modell für ein EEG-basiertes Neurofeedback-Training eingesetzt wurde, bereits positive Effekte bei Patient:innen mit Depression (Amital et al., 2025).

In unserer aktuellen Studie greifen wir diesen Ansatz auf und entwickeln ihn weiter (Herzog et al., 2026). Anstelle der klassischen, linearen Modelle, wie sie in früheren Studien verwendet wurden, setzen wir jedoch ein Deep-Learning-Modell ein, eine besonders leistungsfähige Form der künstlichen Intelligenz (KI). Deep Learning ist in der Lage, auch komplexere, nichtlineare Muster zu entdecken, also Zusammenhänge, die viele Variablen gleichzeitig und auf nicht offensichtliche Weise verknüpfen. Unsere Studie zeigte erste vielversprechende Ergebnisse: Unser Modell erreichte eine spürbar höhere Vorhersagegenauigkeit und bessere anatomische Spezifität als frühere, lineare ML-Modelle.

Trotz dieser Verbesserungen lag auch die Vorhersagegenauigkeit unseres Models insgesamt auf einem nur moderaten Niveau. Wir vermuten, dass dies unter anderem an der relativ kleinen Trainingsdatenmenge liegt (nur 19 Datensätze). In aktuellen Studien arbeiten wir deshalb daran, die Vorhersagegenauigkeit weiter zu verbessern, indem wir das Modell mit einer um ein Vielfaches größeren und vielfältigeren Datenmenge trainieren. Da bereits das weniger genaue ML-Modell von Singer et al. (2023) erste Hinweise auf klinische Relevanz zeigte, ist die Hoffnung berechtigt, dass auch unser Modell (trotz bisheriger Einschränkungen) für klinische Anwendungen nutzbar sein kann.

Was bedeutet das für die Zukunft?

Wenn auch zunächst nur theoretisch und mit moderater Genauigkeit, unsere Arbeit legt einen weiteren Grundstein für EEG-basiertes Neurofeedback zur Modulation von Belohnungssignalen im ventralen Striatum. Ein optimiertes Modell könnte noch genauere Vorhersagen liefern – und damit möglicherweise auch noch besser „wirken“. Um dies zu überprüfen, bereiten wir derzeit eine erste Neurofeedback-Studie vor, in der wir die praktische Anwendbarkeit unseres Modells testen wollen. Konkret wollen wir untersuchen, ob Menschen mit hilfe unseres Modells lernen können, ihre eigenen Belohnungssignale im Kontext von Essreizen gezielt zu beeinflussen. 

Stell dir also nochmals die Situation im Café vor. Aber dieses Mal läuft sie anders ab: Du blickst auf die Glasvitrine und spürst ganz subtil, wie ein vertrauter Impuls aufkommt. Aber dein Gehirn kennt ihn inzwischen. Mit Hilfe von KI-basiertem EEG-Neurofeedback hast du gelernt, deine Belohnungssignale im Gehirn zu erkennen und damit umzugehen. Vielleicht atmest du einmal tiefer durch, erinnerst dich an deine mentale Strategie, lenkst den Fokus um. Und triffst eine Entscheidung – nicht aus Reflex, sondern ganz bewusst.

Vielleicht wird es trotzdem ein Schokocroissant. Vielleicht auch nicht. Aber diesmal hast du entschieden, nicht dein Belohnungssystem.

EEG (Elektroenzephalografie) misst elektrische Aktivität von Nervenzellen über Elektroden auf der Kopfhaut. Sie nehmen die schwachen Spannungs- schwankungen auf, die entstehen, wenn große Gruppen von Neuronen gemeinsam aktiv sind. Das EEG „sieht“ also vor allem die Aktivität an der Hirnoberfläche. Was tief im Inneren des Gehirns passiert, etwa im ventralen Striatum, bleibt ihm normalerweise verborgen. Die Stärke des EEG liegt jedoch in seiner zeitlichen Genauigkeit: Es bildet Hirnaktivität im Millisekundenbereich ab, also nahezu in Echtzeit. fMRT (funktionelle Magnetresonanztomografie) misst dagegen Durchblutungs- Veränderungen als indirektes Maß für Hirnaktivität. Da aktive Hirnregionen mehr Sauerstoff verbrauchen, fließt nach deren Aktivierung vermehrt sauerstoffreiches Blut zu ihnen. Dies kann das fMRT messen. Es erlaubt räumlich sehr präzise Lokalisierung (wenige Millimeter genau) und kann so auch Aktivität in tiefen Hirnregionen wie dem ventralen Striatum sichtbar machen. Sein Nachteil: fMRT-Aufnahmen entstehen in großen, teuren Magnetresonanztomographen, in denen die Person regungslos liegen muss. Dadurch ist das Verfahren ortsgebunden und für den alltäglichen Einsatz wenig praktikabel. Außerdem ist das Durchblutungssignal deutlich langsamer als die eigentliche Nervenzellaktivität — es zeigt mit ein paar Sekunden Verzögerung an, was im Gehirn gerade passiert ist. Das EEG ist also schnell, aber oberflächlich; das fMRT präzise, aber langsam und unhandlich.

Referenzen:

Amital, D., Gross, R., Goldental, N., Fruchter, E., Yaron-Wachtel, H., Tendler, A., … & Sharon, H. (2025). Reward System EEG–fMRI-Pattern Neurofeedback for Major Depressive Disorder with Anhedonia: A Multicenter Pilot Study. Brain Sciences, 15(5), 476.

Singer, N., Poker, G., Dunsky-Moran, N., Nemni, S., Balter, S. R., Doron, M., … & Hendler, T. (2023). Development and validation of an fMRI-informed EEG model of reward-related ventral striatum activation. Neuroimage, 276, 120183.

Herzog, N., Vähäsarja, L., Reinfeld, P., Scherf, N., Hofmann, S. M., Andreou, C., … & Mulert, C. (2026). From surface to depth: Using deep learning to predict striatal fMRI reward signaling from EEG. Imaging Neuroscience, 4, IMAG-a.