脳波（EEG）マイクロステート解析は、連続的な脳電気活動を短時間の準安定なトポグラフィック構成に分割し、それぞれが異なる機能的な脳状態を反映する手法です。修正K-meansのような従来手法は電極空間で直接ハード割り当てを行い、学習された潜在表現や生成デコーダを持たず、潜在構成を検証可能な頭皮トポグラフィに復号する機構がないため、モデルの透明性と解釈可能性が制限されていました。
この問題に対処するため、研究者らは畳み込み変分深層埋め込み（Conv-VaDE）モデルを提案しました。このモデルは共有潜在空間においてトポグラフィ再構成と確率的ソフトクラスタリングを共同で学習します。Conv-VaDEはクラスタープロトタイプを検証可能な頭皮トポグラフィに生成的復号し、不透明なハード分割を確率的ソフト割り当てに置き換えます。さらに、極性不変性スキームと、クラスタ数（K=3～20）、潜在次元、ネットワーク深さ、チャンネル幅に関する4次元グリッド探索を実施し、各アーキテクチャ設計の選択が学習されたEEGマイクロステート表現の品質、安定性、解釈可能性にどのように影響するかを体系的に明らかにしました。
モデルは10名の参加者からなるLEMON安静時閉眼EEGデータセットで評価され、トポグラフィテンプレート形成、クラスタリング安定性、全局説明分散（GEV）が指標として用いられました。アーキテクチャ探索の結果、深さL=4が18の最良構成すべてに一貫して現れ、K=4において最良のGEV 0.730、シルエット係数0.229を達成しました。全K範囲にわたって、コンパクトなチャンネル幅と小さな潜在次元を持つ中程度の深さのネットワークが優位を示しました。
これらの結果は、解釈可能で安定したEEGマイクロステート発見において重要なのはモデル規模ではなく、原理に基づいたアーキテクチャ探索であることを示しています。この研究は、EEGマイクロステート解析に透明性と解釈可能性をもたらすだけでなく、ニューラルネットワークアーキテクチャ設計において、単にモデルを大きくするよりも合理的なアーキテクチャ探索が性能向上に重要であることを示唆しています。