DeepConvNet 與 ShallowConvNet

DeepConvNet 與 ShallowConvNet 由 Schirrmeister 等人（2017）提出，是最早被證明能就原始 EEG 進行運動想像解碼、且與濾波器組 CSP（filter-bank CSP）相競爭的卷積架構之一。ShallowConvNet 刻意設計得很淺：一層時間卷積、一層跨所有通道的空間卷積，接著平方、平均池化與對數——此流程模仿頻帶功率特徵擷取（平方即功率，對數穩定變異數），因此在振盪類範式上表現優異。DeepConvNet 則堆疊數個卷積–池化區塊並使用指數線性單元非線性，以擷取更具層次、較少人工設計的特徵。

該論文的長遠貢獻與其說是某個架構，不如說是讓 EEG 深度學習得以運作的配方：指數線性單元、批次正規化、丟棄法（dropout）與裁切訓練（cropped training，把每個試次切成許多重疊時間窗作為隱式擴增），並透過梯度可視化證明網路重建出已知的感覺運動節律生理特徵。