يُقترح إطار جديد لتحليل إشارات التخطيط الكهربائي للدماغ (EEG) يستند إلى التعلم العميق. رغم أن الشبكات العصبية العميقة، وبشكل خاص الشبكات العصبية التلافيفية (CNNs)، قد حظيت باهتمام كبير مؤخرًا، إلا أنها لا تزال تعاني من بُعد عالٍ للمعلومات التدريبية. تكون الصور الإدخالية ثنائية الأبعاد للشبكات العصبية التلافيفية أكثر عرضةً للتكرار مقارنةً بالسلسلة الزمنية أحادية البعد للشبكات العصبية التقليدية. في هذه الدراسة، نقترح إطارًا جديدًا لتقليل البُعد يهدف إلى تقليل بُعد مدخلات الشبكات العصبية التلافيفية بناءً على تحليل الموتر (Tensor Decomposition) لتمثيل الوقت-التواتر لإشارات التخطيط الكهربائي للدماغ. يقوم الخوارزمي المقترح لتقليل البُعد بناءً على تحليل الموتر بتحويل مجموعة كبيرة من شرائح الموتر الإدخالي إلى مجموعة موجزة من الشرائح التي تُسمى الشرائح الفائقة. استخدام الشرائح الفائقة ليس فقط يتعامل مع التشوهات والتكرارات في بيانات EEG بل يقلل أيضًا من بُعد مدخلات تدريب الشبكات العصبية التلافيفية. كما نأخذ في الاعتبار طرق تمثيل الوقت-التواتر المختلفة لإنشاء صور EEG ونقدم مقارنة شاملة بينها. قمنا باختبار الإطار المقترح لدينا على بيانات HCB-MIT، وتشير النتائج إلى أن نهجنا يتفوق على الدراسات السابقة الأخرى.