深度可分卷積

深度可分卷積把一般卷積拆解為兩個較省的步驟：先做深度卷積（depthwise convolution），對每個輸入通道獨立濾波；再做逐點（1x1）卷積，混合各通道。這使參數與運算量約降至「卷積核大小比上輸出通道數」的比例，因此精簡型 EEG 網路（尤以 EEGNet 為代表）採用它。在神經資料中，深度階段有一個有用的詮釋：在時間濾波之後跨電極施用，它為每個頻帶各學一個空間濾波器，把「位置」與「內容」解耦。

深度乘數（每張輸入特徵圖學幾個空間濾波器）是關鍵的容量旋鈕：太大會在 BCI 典型的小試次數下過度擬合，太小則無法為單一節律表達多個空間型態。