基于变分深层嵌入的可解释EEG微状态发现：多象限评估下的系统化网络架构搜索
机器学习
2026-05-15 v2 神经元与认知
摘要
EEG微状态分析将连续脑电活动分割为简短的准稳定拓扑配置，这些配置反映离散的功能脑状态。传统方法如改进K均值直接在电极空间上进行硬分配，缺乏学习到的潜在表示、生成解码器，以及将潜在配置解码为可验证脑电图拓扑的机制，限制了模型的透明度和可解释性。为此，我们提出卷积变分深层嵌入（Conv-VaDE）模型，在共享潜在空间中联合学习拓扑重建和概率软聚类。Conv-VaDE实现对聚类原型的生成性解码，取代不可见的硬分区为概率软分配。采用极性不变方案和对聚类数（K从3到20）、潜在维数、网络深度和通道宽度的四维网格搜索，系统揭示了每种架构设计选择如何塑造所学EEG微状态表示的质量、稳定性和可解释性。该模型在10名受试者的LEMON安静状态闭眼EEG数据集上进行评估，使用拓扑模板形成、聚类稳定性和全局解释方差（GEV）进行评估。架构搜索结果表明，深度L=4在所有18个最佳配置中一致出现，在K=4处的最佳GEV为0.730，轮廓系数为0.229，在完整K范围内，中等深度的网络、紧凑通道宽度和小潜在维度占主导地位。这些结果表明，系统化的网络架构搜索而非模型规模，是实现通过变分深层嵌入获得可解释且稳定的EEG微状态发现的关键。
引用
@article{arxiv.2605.10947,
title = {Interpretable EEG Microstate Discovery via Variational Deep Embedding: A Systematic Architecture Search with Multi-Quadrant Evaluation},
author = {Saheed Faremi and Andrea Visentin and Luca Longo},
journal= {arXiv preprint arXiv:2605.10947},
year = {2026}
}