脳コンピュータインターフェース（BCI）技術は、脳波センサー（EEG）を用いた医療応用の発展に伴い、機械学習によって急速に進化してきました。これまでの研究の大多数は分類精度の向上に焦点が当てられてきましたが、セキュリティと堅牢性に関する研究は相対的に限定的でした。しかし近年の研究により、EEGベースのBCIシステムが敵対的攻撃に対して脆弱であることが明らかになっています。微細で巧妙な入力の歪みによって誤診断が引き起こされる可能性があり、こうした摂動に対するモデルの堅牢性を評価することは、システムの信頼性を確保するために極めて重要となります。 本研究では、EGGベースのBCIシステムにおける敵対的堅牢性を調査するために、軽量でカスタマイズされた畳み込みニューラルネットワーク（CNN）アーキテクチャを提案しています。提案手法は2つのEEGデータセットを用いて評価され、EEGNet、DeepConvNet、SleepEEGNetといった3つの既存のEEG専用CNNモデルと比較されました。評価では勾配ベースの敵対的攻撃シナリオが採用されています。 実験結果によると、提案されたモデルは敵対的摂動下での分類において、ベースラインモデルに比べて一貫して優れたパフォーマンスを示しており、堅牢性が向上していることが実証されました。これらの知見は、敵対的条件下におけるEEGベースのBCIシステムの信頼性を向上させるために、軽量なアーキテクチャの潜在能力を強調するものです。