知识卡片：可解释的脑电生物标志物：基于波形包的低数据场景时空波形字典

一句话结论
Bag-of-waves 是一种基于无监督学习的小型可解释脑电波形字典方法，在仅有少量数据（如16只小鼠）或大规模临床数据集上均能达到与深度模型及基础模型相当的分类性能，同时保持完全的可解释性。

方法/产品要点

• 核心思想：使用平移不变k-means从连续脑电信号中无监督学习出少量重复出现的波形模板（称为“原子”），将脑电转换为原子令牌序列，再通过词袋（bag-of-waves）计数进行下游分类或聚类。
• 两个扩展：
  • 引入**原子到原子的转移（n-gram）**以捕捉时间结构；
  • 针对多通道情形，扩展为区域和跨通道空间原子。
• 可解释性：每个原子对应可检查的波形，神经生理学家可直接验证已知临床形态。
• 参数数量远少于深度模型与基础模型。

主要结果

• 在三个互补数据集上测试：
  • 单通道小鼠基因型聚类：仅用16只动物（低数据、时间序列场景）；
  • 静息态痴呆分类（空间场景）；
  • TUEV基准：六分类临床脑电事件（高数据场景，与强深度/基础模型对比）。
• 所有数据集上，bag-of-waves性能与当前最先进的深度模型和基础模型相当。
• 低数据场景下优势明显，重型模型在此场景中表现不佳。

为什么重要

• 解决了传统脑电分析的两极困境：预定义频谱特征带有强偏置（固定什么信息有用），而深度神经网络/基础模型难以解释、需要大量数据和算力。
• 提供一种轻量、可解释、标签高效的替代方案，特别适用于数据稀缺的临床神经科学场景。
• 与既有卡片的关系：本卡片聚焦脑电信号的可解释表示学习，不同于之前卡片关注的视觉注视、图像编辑或优化器主题，属于基础模型在低数据医疗场景的替代方法。

局限与不确定性

• 元数据未提供详细的实验结果数值（如准确率、对比基线名称等），具体性能指标待核实。
• 未提及该方法在自由运行脑电或多任务泛化上的表现，其对不同脑区或疾病的通用性需进一步验证。
• 可解释性依赖于对原子形态的神经生理学验证，可能受评估者主观判断影响。
• 无公开代码或实现细节，复现性待核实。

可用于图书/PPT/简报的角度

• 作为“可解释AI在医疗诊断中的应用”案例，展示如何用简单算法替代黑箱模型。
• 在介绍“低数据学习”或“无监督表示学习”时，对比预定义特征与基础模型的局限性。
• 为神经科学教程提供波形原子作为生物标志物的直观示例。

原始材料

• 标题：Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes
• 作者：待核实（仅提供arXiv ID）
• URL：https://arxiv.org/abs/2607.22508v1
• 英文关键词：foundation-model, EEG, interpretable, bag-of-waves, biomarker
• 注意：因无法抓取正文全文，上述内容仅基于摘要元数据生成，部分细节（如数据集名称、实验协议）待核实补充。