利用 bag-of-waves 提取可解释的 EEG 生物标志物：面向低数据场景的空间与时间波形字典

该研究针对预定义 EEG 频谱特征的先验限制，以及深度神经网络和基础模型的数据、计算与解释成本，提出 bag-of-waves：通过无监督学习构建可检查的波形字典，并以波形出现次数及其时空结构支持下游分类或聚类。基于摘要分析，未取得论文全文。 核心机制是使用 shift-invariant k-means，从 EEG 中学习一组反复出现的波形模板，称为 atoms；随后将连续 EEG 转换为 atom token 序列，用其计数作为简单下游模型的输入。时间扩展通过 atom 之间的转换，即作者所称的 n-grams，描述波形出现的时序结构；空间扩展则将单通道 atoms 推广为区域及跨通道空间 atoms。其可解释性依据是每个 atom 都对应可直接检查的波形，而非仅提供抽象潜在特征。 研究覆盖三类任务：仅有十六只动物的单通道小鼠基因型聚类，用于考察低数据与时间结构；静息态痴呆分类，用于考察空间表征；以及 TUEV 的六分类临床 EEG 事件任务，用于与较强的深度模型和基础模型进行高数据条件下的比较。作者报告，三个数据集上的性能均可与先进深度模型及基础模型竞争，且参数量更少；作者还报告，字典能够恢复可由神经生理学专家核验的已知临床波形形态。摘要未提供具体指标、参数量、基线名称或数据划分，无法据此量化性能与资源优势。 复现时需核对字典学习与评估数据的隔离方式、波形对齐与预处理、字典规模和 n-grams 设置、空间 atoms 的构建，以及时间和空间扩展的独立贡献；实验协议、消融及统计信息尚未验证。该研究的主要验证对象是动物基因型及临床 EEG 分析，摘要未报告 BCI 控制任务结果，不能将其结论直接视为 BCI 解码有效性的证据。