通过变分深嵌入的可解释脑电图微观状态发现：具有多象限评估的系统架构搜索

arXiv:2605.10947v1 公告类型：新 摘要：脑电图微状态分析将连续的脑电活动分割成简短的、准稳定的拓扑结构，反映离散的功能性大脑状态。传统方法（例如改进的 K 均值）直接在电极空间中进行硬分配，不提供学习的潜在表示，不提供生成解码器，也没有将潜在配置解码为可验证的头皮拓扑的机制，从而限制了模型的透明度和可解释性。为了解决这个问题，我们提出了一种卷积变分深度嵌入（Conv-VaDE）模型，该模型在共享潜在空间中联合学习地形重建和概率软聚类。 Conv-VaDE 能够将集群原型生成解码为可验证的头皮拓扑结构，用概率软分配取代不透明的硬分区。极性不变性方案和对簇计数（K 从 3 到 20）、潜在维度、网络深度和通道宽度的四维网格搜索，系统地揭示了每个架构设计选择如何塑造学习的 EEG 微观状态表示的质量、稳定性和可解释性。该模型在十名参与者的 LEMON 静息状态闭眼脑电图数据集上使用地形模板形成、聚类稳定性和全局解释方差 (GEV) 进行评估。架构搜索表明，深度 L = 4 在所有 18 个最佳性能配置中一致出现，在整个模型扫描中产生 0.730 的最佳情况 GEV 和 K = 4 时 0.229 的轮廓，其中具有紧凑通道宽度和小潜在维度的中等深度网络在整个 K 范围内占主导地位。这些结果表明，原则性的架构搜索，而不是模型规模，是通过变分深度嵌入发现可解释和稳定的脑电图微状态的关键。