新しい深層学習に基づく脳波（EEG）信号解析フレームワークが提案されました。深層ニューラルネットワーク、特に畳み込みニューラルネットワーク（CNN）は最近著しい注目を集めていますが、訓練データの高次元性という問題を抱えています。CNNの2次元入力画像は、従来のニューラルネットワークの1次元入力時系列に比べて冗長性に脆弱です。本研究では、EEG信号の時間周波数表現のテンソル分解を基にした新たな次元削減フレームワークを提案します。提案するテンソル分解に基づく次元削減アルゴリズムは、入力テンソルの大規模なスライス集合を、スーパースライスと呼ばれる簡潔なスライス集合に変換します。スーパースライスを使用することで、EEGデータのアーティファクトや冗長性を処理するとともに、CNNの訓練入力の次元を削減することができます。また、EEG画像生成のために異なる時間周波数表現手法を取り扱い、それら間での包括的な比較を行いました。我々は提案したフレームワークをHCB-MITデータでテストし、結果は当方の手法が他の先行研究よりも優れていることを示しています。