Vergleich von Deep‑Learning‑Architekturen für EEG‑Klassifikation: Zeit‑Augmentation & Voting

Die Klassifikation von Elektroenzephalographie‑Signalen (EEG) ist ein zentrales Element moderner Brain‑Computer‑Interface‑Systeme, bleibt jedoch wegen des niedrigen Signal‑zu‑Rauschverhältnisses, der zeitlichen Variabilität neuronaler Reaktionen und der begrenzten Datenmenge eine große Herausforderung.

In der vorliegenden Studie wurden drei Deep‑Learning‑Pipelines systematisch verglichen. Zunächst ein 2‑D‑Convolutional‑Neural‑Network (CNN), das die Common‑Spatial‑Pattern‑Methode (CSP) nutzt, anschließend ein zweites 2‑D‑CNN, das direkt auf rohen Daten trainiert wird, und schließlich ein 3‑D‑CNN, das räumliche und zeitliche Informationen gleichzeitig modelliert. Alle Modelle durchliefen ein einheitliches Vorverarbeitungs‑Pipeline, bestehend aus Bandpass‑Filterung, räumlicher Filterung und Normalisierung.

Um die Variabilität der ERP‑Latenzen zu adressieren, wurde eine temporale Shift‑Augmentation während des Trainings eingeführt. Beim Inferenzschritt wurde ein vertrauensbasiertes Test‑Time‑Voting eingesetzt, das die Stabilität der Vorhersagen über verschobene Trials hinweg erhöht.

Die Ergebnisse, basierend auf einem fünf‑fachen, stratifizierten Cross‑Validation‑Protokoll, zeigen, dass das 3‑D‑CNN sowohl in Bezug auf die AUC als auch auf die balancierte Genauigkeit deutlich besser abschneidet als die beiden 2‑D‑Varianten. CSP bietet zwar einen Vorteil für das 2‑D‑Modell, doch die zeit‑sensitiven Architekturen und Augmentationsstrategien demonstrieren eindeutig die Effektivität moderner Deep‑Learning‑Ansätze für robuste EEG‑Klassifikation.