Entrenamos una red neuronal artificial (ANN) para distinguir entre respuestas correctas e incorrectas en la tarea de toma de decisiones perceptivas utilizando 32 canales de EEG. El input de la ANN tomó la forma de una matriz 2D donde la dimensión vertical reflejaba el número de canales de EEG y la horizontal el número de muestras de tiempo. Nos enfocamos en distinguir las respuestas antes de su manifestación conductual; por lo tanto, utilizamos segmentos de EEG anteriores a la respuesta conductual. Para manejar los datos de input 2D, la ANN incluyó un procedimiento de convolución que transformaba una matriz 2D en un vector de características 1D. Introdujimos tres tipos de convolución, incluyendo convoluciones 1D a lo largo de los ejes x e y y una convolución 2D a lo largo de ambos ejes. Como resultado, el puntaje Z para respuestas incorrectas fue superior al 88%, lo que confirmó la capacidad del modelo para predecir errores en la toma de decisiones perceptivas utilizando EEG. Finalmente, discutimos las limitaciones de nuestro enfoque y su uso potencial en las interfaces cerebro-computadora para predecir y prevenir errores humanos en situaciones críticas.