Recent studies have revealed that decoding underlying learning strategies helps to decode the corresponding behavior or movement. This is because high-level cognitive states such as intention, learning strategies, or prediction errors (PEs) always precede and underlie every form of movement. However, Brain-Computer Interface (BCI), which serves as a communication channel between the brain and the machine, has focused on motor function-related EEG signals. Because motor function-related EEG signal delivers information only about which and how muscles are moved, it may not suitable for decoding high-level cognitive functions or complex movements. Related works have relied on a limited experimental environment, such as a 2-stage Markov Decision Task (MDT), making it hard to achieve realistic PE signals. To settle this issue, this study aims to decode the high-level cognitive state PE signal in a realistic environment. Specifically, we propose a novel realistic task paradigm with a high variability of PEs and implement the EEG-based PE decoder. As a proof of concept, we tested our model on the 2-stage MDT dataset obtained in the previous study and achieved an accuracy of 61.3 % for SPE and 58.4 % for RPE. Finally, we achieved an accuracy of 97.4 % for RPE in the realistic environment we suggested here.
최근 연구들에 따르면, 학습 전략을 디코딩 하는 것이 해당 학습 전략에 따른 행동이나 움직임을 디코딩 하는 것에 도움이 된다는 것을 밝혀졌다. 이는 의도나 학습 전략, 혹은 예측 오차와 같은 고위 인지 상태가 항상 모든 형태의 움직임보다 선행하고 그의 기초가 되기 때문이다. 하지만 뇌를 기계에 연결하여 직접적으로 컴퓨터나 기계를 조작하는 뇌-컴퓨터 인터페이스 분야에서는 움직임 관련 EEG 신호에만 집중해왔다. 움직임 관련 EEG 신호는 어떤 근육이 어떻게 움직이는 지에 대한 정보만 전달하기 때문에, 더 복잡한 운동 디코딩을 필요로 하는 문제에 대해서는 한계가 분명하다. 몇몇 연구자들은 고위 인지 상태를 고려하기 위해 노력해왔지만, 2 단계 마르코프 결정 과정과 같은 매우 간단한 실험 환경에 제한되어 있다는 치명적 한계를 갖고 있다. 이러한 문제를 해결하기 위해, 우리는 현실적인 환경에서 예측 오차 신호 디코딩을 목표로 한다. 이를 위해, 우리는 예측 오차 신호를 분류하는 EEG 디코더와 예측 오차 신호 값의 다양성을 주는 새로운 현실적인 실험 환경을 제안한다. 본 연구는 현실적인 환경에서 얻은 EEG 신호로부터 예측 오차 신호를 분류를 최초로 시도한 것이다. 우리가 제안한 예측 오차 신호 분류 모델이 EEG로부터 PE 신호를 잘 분류하는 지 확인하기 위해, 선행 연구에서 진행한 2 단계 마르코프 결정 과정에서 얻은 데이터로 테스트 해 본 결과 SPE 신호에 대해서는 61.3 %, 그리고 RPE 신호에 대해서는 58.4 %의 정확도를 달성하는 것을 확인하였고, 이 연구에서 제안한 현실적인 환경에 대해서는 97.4 %의 정확도를 달성하였다.
