[논문 리뷰] Deep Convolutional Architectures for EEG Classification: A Comparative Study with Temporal Augmentation and Confidence-Based Voting

Aryan Patodiya, Hubert Cecotti|arXiv (Cornell University)|2026. 02. 25.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

논문은 ERP 기반 EEG 분류를 위한 2D 및 3D CNN 아키텍처를 비교하여, 시간 이동 보강 및 테스트 타임 신뢰도 기반 투표가 포함된 3D CNN이 2D 변형보다 우수하며, CSP가 2D 모델에 도움을 준다.

ABSTRACT

Electroencephalography (EEG) classification plays a key role in brain-computer interface (BCI) systems, yet it remains challenging due to the low signal-to-noise ratio, temporal variability of neural responses, and limited data availability. In this paper, we present a comparative study of deep learning architectures for classifying event-related potentials (ERPs) in EEG signals. The preprocessing pipeline includes bandpass filtering, spatial filtering, and normalization. We design and compare three main pipelines: a 2D convolutional neural network (CNN) using Common Spatial Pattern (CSP), a second 2D CNN trained directly on raw data for a fair comparison, and a 3D CNN that jointly models spatiotemporal representations. To address ERP latency variations, we introduce a temporal shift augmentation strategy during training. At inference time, we employ a confidence-based test-time voting mechanism to improve prediction stability across shifted trials. An experimental evaluation on a stratified five-fold cross-validation protocol demonstrates that while CSP provides a benefit to the 2D architecture, the proposed 3D CNN significantly outperforms both 2D variants in terms of AUC and balanced accuracy. These findings highlight the effectiveness of temporal-aware architectures and augmentation strategies for robust EEG signal classification.

연구 동기 및 목표

• 저 SNR 및 지연 가변성 속에서 EEG의 단일 트라이얼 ERP 분류를 견고하게 만들고자 한다.
• ERP 검출을 위한 다중 심층학습 파이프라인(2D CNN with CSP, 2D CNN without CSP, 3D CNN)을 평가하고 비교한다.
• ERP 지연 변동을 완화하기 위해 시간적 증강(temporal shift)과 테스트 시 신뢰도 기반 투표를 조사한다.
• 참가자 간 성능을 정량화하고 공정한 비교에서 3D 아키텍처가 2D 아키텍처를 능가하는지 여부를 확인한다.

제안 방법

• 대역통과 필터링, 표면 라플라시안, 정규화를 통해 EEG 데이터를 전처리하고; 1000 ms 에포크로 분할한 뒤 64 타임 포인트로 다운샘플링한다.
• 세 가지 파이프라인을 비교한다: 2D CNN with CSP (6 spatial filters, 64 time points), 2D CNN on raw 32 channels, 및 3D CNN on 5D volumetric input.
• 3D CNN의 경우 32-channel EEG를 7x5 그리드에 매핑하고, 누락 위치를 보간하며, 시프트{-2,-1,0,1,2}를 생성하기 위해 시간적 시프트 보강을 적용한다.
• 포컬 로스와 클래스 가중치를 사용하여 학습하고, 배치 정규화, GELU 활성화, 드롭아웃을 적용한다; AUC를 기준으로 계층화된 5-폴드 교차 검증과 조기 중지를 사용한다.
• 3D CNN 테스트 중, 시프된 트라이얼 간의 신뢰도 기반 투표를 수행하고 가장 높은 소프트맥스 신뢰도를 가진 예측을 선택한다.

실험 결과

연구 질문

• RQ1 3D CNN이 ERP 분류를 위해 시공간 ERP 패턴을 2D CNN보다 더 효과적으로 공동 모델링할 수 있는가?
• RQ2 CSP 전처리의 도입이 원채널 입력 대비 2D CNN 성능을 향상시키는가?
• RQ3 시간적 시프트 보강과 테스트 타임 신뢰도 투표가 ERP 지연 변동성에 대한 강건성을 향상시키는가?
• RQ4 공정한 비교 조건에서 3D CNN이 최고 성능의 2D CNN 대비 얻는 성능 향상은 어느 정도인가?

주요 결과

• 시간적 시프트 보강과 신뢰도 기반 투표를 갖춘 3D CNN이 최고 성능을 달성했으며, GAP 변형을 사용할 때 참가자 간 평균 AUC가 최대 0.994에 이른다.
• 2D CNN은 CSP 전처리로 일관되게 이점을 얻으며, 최상의 2D 모델에서 평균 AUC가 (CSP 0.866 vs CSP 미적용 0.857) 더 높다.
• 3D CNN 변형들 중 GAP 버전이 최상의 결과를 제공했다(평균 AUC 0.994, 표준편차 0.003).
• 최고의 3D 모델 GAP은 CSP를 사용한 최고 2D 모델(AUC 0.866) 및 CSP 없이(AUC 0.857)보다 유의하게 우수했다; 대응 표본 t 검정에서 p < 0.001을 나타냈다.
• 주체별 평가에서 강한 개인별 성능을 보이나, 연구진은 교차주체 일반화 테스트의 부재와 향후 전이학습 및 해석 가능성 향상의 가능성에 주목한다.