Статья посвящена задаче классификации электроэнцефалографических сигналов на основе их частотно-временных характеристик с применением адаптированных сверточных нейронных сетей. В исследовании показано, что эффективность автоматического анализа существенно возрастает при целенаправленной модификации архитектур под свойства биомедицинских данных. Такой подход отражает принцип ``сигнал определяет сеть''?: выбор и доработка модели должны учитывать характер спектральных признаков и особенности динамики мозговых ритмов. Для реализации этой идеи исходные сигналы преобразовывались в частотно-временные карты, которые рассматривались как изображения и использовались для обучения нейронных сетей. При этом классические архитектуры были адаптированы: одни упрощались для повышения вычислительной эффективности, другие -- оптимизировались для работы с одноканальными данными, третьи -- усиливались за счет остаточных связей и методов регуляризации. Проведенные эксперименты показали, что все модифицированные варианты сохраняют устойчивость обучения и способность корректно выделять информативные паттерны. При этом каждая из адаптаций имеет свои преимущества: LiteResNet2D обеспечивает наибольшую точность, LiteMobileNet2D лучше всего подходит для ресурсоограниченных устройств, SimpleAlexNet2D удобна для прототипирования и быстрой проверки гипотез. Исследование демонстрирует, что адаптация сверточных архитектур под характеристики электроэнцефалографических сигналов является ключевым условием для построения надежных и переносимых систем классификации. Этот подход открывает путь к созданию специализированных инструментов анализа, которые можно масштабировать и использовать в различных когнитивных и клинических приложениях.