English(EN) Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

词袋模型框架为低数据量下的脑电图分析提供可解释性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-27 04:00

研究人员开发了一种名为词袋模型的新型可解释框架，用于分析脑电图（EEG）数据，尤其是在数据量较少的情况下。该方法学习一个重复的脑电图波形模板字典，将连续的脑电图转换为可用于分类或聚类的标记序列。该框架还可以整合时间和空间信息，在提供完全可解释性并显著减少数据和计算资源需求的同时，实现了与最先进的深度学习模型相媲美的性能。 AI

影响为分析脑电图等复杂生物信号提供了比深度学习更具可解释性和数据效率的替代方案。

排序理由该条目是一篇学术论文，详细介绍了一种分析科学数据的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Athanasios Papastathopoulos-Katsaros, Steven T. Lee, Lin Yao, Ajay Thomas, Junseok Park, Matthew J. McGinley, Zhandong Liu · 2026-07-27 04:00

Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

arXiv:2607.22508v1 Announce Type: new Abstract: 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…

报道来源 [1]

Interpretable EEG biomarkers with bag-of-waves: Spatial and temporal waveform dictionaries for low-data regimes

相关实体

相关话题