Decoded Neurofeedback (DecNef) 연구는 뇌 조절을 위한 비침습적 접근법으로, 다양한 응용 분야를 가지고 있습니다. 그러나 피험자별 학습 변동성, 간접적 측정 의존성, 높은 비용 및 시간 소모가 연구 발전을 제약합니다. 본 논문에서는 DecNef을 기계 학습 문제로 공식화하는 모듈형 시뮬레이션 프레임워크인 DecNefLab을 제시합니다. DecNefLab은 가상 실험실을 제공하며, 연구자가 신경 피드백 역학을 모델링, 분석 및 이해할 수 있도록 돕습니다. 잠재 변수 생성 모델을 시뮬레이션된 피험자로 사용하여 내부 인지 상태를 직접 관찰하고, 다양한 프로토콜 설계와 피험자 특성이 학습에 미치는 영향을 체계적으로 평가할 수 있습니다. DecNefLab을 통해 (i) DecNef 학습의 경험적 현상을 재현하고, (ii) DecNef 피드백이 학습을 유도하지 못하는 조건을 식별하며, (iii) 실제 구현 전에 보다 강력하고 신뢰할 수 있는 DecNef 프로토콜 설계를 안내할 수 있습니다. 요약하면, DecNefLab은 계산 모델링과 인지 신경 과학을 연결하여 방법론적 혁신, 강력한 프로토콜 설계, DecNef 기반 뇌 조절에 대한 더 깊은 이해를 위한 원칙적인 기반을 제공합니다.
