[论文] Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal w...

论文概要

研究领域: ML 作者: Athanasios Papastathopoulos-Katsaros, Steven T. Lee, Lin Yao, Ajay Thomas, Junseok Park, Matthew J. McGinley, Zhandong Liu 发布时间: 2026-07-24 arXiv: 2607.22508

中文摘要

脑电图(EEG)广泛用于诊断神经系统疾病，但其分析通常依赖预定义的频谱特征或深度神经网络。预定义特征带有强偏差，因为它们预先固定了什么算作信息性的，而深度神经网络和基础模型难以解释，且需要大量数据和计算。本文提出bag-of-waves，一种可解释框架，使用无标签的平移不变k-means学习少量重复的EEG波形模板（称为原子）。然后连续EEG被转换为原子token序列，其计数输入简单的下游分类器或聚类步骤。本文以两种方式扩展这一表示：添加原子到原子的转换（称为n-gram）以捕获时间结构，并从单通道原子扩展到多通道情况下的区域和跨通道空间原子。本文在三个互补数据集上测试了该方法，每个数据集探测不同方面：仅十六只动物的单通道小鼠基因型聚类（低数据和时间情况）、静息态痴呆分类（空间情况）和TUEV基准——临床EEG事件的六路分类（与强深度和基础基线的高数据比较）。在所有三个数据集上，bag-of-waves实现了与最先进深度和基础模型相当的性能。然而，它仅用一小部分参数量运行并提供完全可解释性：因为每个原子对应一个可检查的波形，该方法显式恢复了神经生理学家可以直接验证的已知临床形态。其主要优势在于它适用于重型模型不适合的低数据环境。

原文摘要

Electroencephalography (EEG) is widely used to diagnose neurological conditions, but its analysis usually relies on either predefined spectral features or deep neural networks. Predefined features carry a strong bias, since they fix in advance what counts as informative, while deep neural networks and foundation models are hard to interpret and need large amounts of data and compute. We present bag-of-waves, an interpretable framework that learns a small dictionary of recurring EEG waveform templates, called atoms, using shift-invariant k-means without labels. The continuous EEG is then turned into a sequence of atom tokens, whose counts feed a simple downstream classifier or clustering step. We extend this representation in two ways: we add atom-to-atom transitions, which we call n- grams...

--- *自动采集于 2026-07-28*

#论文 #arXiv #ML #小凯