EEGNet

EEGNet 是 Lawhern 等人（2018）提出的精簡卷積神經網路，能以極少參數解碼多種 EEG 範式（P300、錯誤相關負波、運動想像、SSVEP）。第一層是沿時間軸的時間卷積，作用等同一組可學習的帶通 FIR 濾波器；接著的深度卷積（depthwise convolution）為每個時間濾波器各學一組空間濾波器，是 CSP 或拉普拉斯空間濾波步驟的資料驅動類比；最後的可分離卷積（separable convolution）則有效率地整併特徵圖。此設計刻意把神經科學家的先驗——EEG 特徵可分解為頻率與空間結構——編入網路，因此僅用數百個試次即可訓練，而一般影像 CNN 在此會過度擬合。

其優勢在於參數精簡（常僅數千個權重）與跨範式的通用性，但並非萬能：在小型單受試者資料集上，經良好正則化的黎曼切空間或收縮 LDA 流程往往與之相當甚至更佳，而文獻報告的多數優勢來自跨受試者預訓練，而非架構本身。