時系列分類アルゴリズムは、これまで主に深層学習を用いないモデルによって支配されてきた。近年、多次元時系列分類（MTSC）における深層学習への関心が急増している。現在の最先端の深層学習手法の多くは畳み込みベースであり、1次元（1D）畳み込みを用いて2次元の時系列から特徴を抽出している。本研究では、1D畳み込みフィルタを互いに排他的な時系列的（temporal）および空間的（spatial）成分に分解することで、ほぼ追加計算コストを伴わずに顕著な精度向上が達成されることを示した。本研究で得られた排他的な時系列・空間的フィルタの特性を基に、次元間の相互作用を強調する新たなフィルタブロック「1+1D」を設計した。さらに、この1+1Dフィルタブロックを活用した新規かつ効果的なMTSC手法「Disjoint-CNN」を提案した。広範な実験を通じて、UEA多次元時系列アーカイブの26のデータセットにおいて、既存の最先端MTSCモデルを上回る性能を発揮し、9つのMTSCベンチマークモデルの中で最高の平均順位を達成したことを確認した。