EEG分類のための深層畳み込みアーキテクチャ: 時間的データ拡張と信頼度ベースの投票を用いた比較研究

要旨: 脳波（EEG）分類はブレイン-コンピュータ・インタフェース（BCI）システムで重要な役割を果たしますが、信号対雑音比の低さ、神経応答の時間的変動、およびデータの入手可能性の制限といった要因により、依然として困難です。本論文では、EEG信号中の事象関連電位（ERP）を分類するための深層学習アーキテクチャの比較研究を提示します。前処理パイプラインには、帯域通過フィルタリング、空間フィルタリング、および正規化が含まれます。我々は3つの主要なパイプラインを設計・比較します：Common Spatial Pattern（CSP）を使用した2次元畳み込みニューラルネットワーク（CNN）、公正な比較のため生データ上で直接訓練された別の2D CNN、および時空間表現を共同でモデリングする3D CNN。ERP潜時の変動に対処するため、訓練中に時系列シフト拡張戦略を導入します。推論時には、シフトされた試行間で予測の安定性を向上させるために、信頼度ベースのテスト時投票機構を採用します。層別化された5分割交差検証プロトコルに基づく実験評価は、CSPが2Dアーキテクチャに利点を提供する一方で、提案された3D CNNがAUCとバランス精度の点で両方の2Dバリアントを大きく上回ることを示しています。これらの知見は、時系列を考慮したアーキテクチャとデータ拡張戦略が、堅牢なEEG信号分類に有効であることを強調しています。