Convoluzioni Spaziotemporali 2D Migliorano l'Efficienza della Classificazione EEG

Un nuovo studio da arXiv (2605.03874) indaga l'uso di convoluzioni spaziotemporali bidimensionali (2D) in reti neurali convoluzionali (CNN) poco profonde per la classificazione dei segnali EEG. A differenza dei modelli convenzionali che concatenano convoluzioni unidimensionali (1D) indipendenti lungo le dimensioni spaziali e temporali senza attivazione non lineare, l'approccio 2D proposto è numericamente identico ma produce dinamiche di apprendimento diverse. Test su compiti di immaginazione motoria BCI a bassa dimensionalità (3 canali) e ad alta dimensionalità (22 canali) mostrano che le convoluzioni 2D riducono significativamente il tempo di addestramento in contesti ad alta dimensionalità, mantenendo le prestazioni di classificazione. La ricerca include anche un modello ibrido CNN+transformer. Gli autori esplorano le cause profonde di questo guadagno di efficienza, sebbene l'analisi completa sia troncata nell'abstract. Il lavoro offre una prospettiva di apprendimento delle rappresentazioni per una classificazione EEG più efficiente e spiegabile.