脑电图（EEG）微状态分析是一种将连续大脑电活动分割为短暂、准稳态拓扑配置的方法，这些配置反映了不同的功能性脑状态。传统方法如修正K均值直接在电极空间进行硬分配，缺乏学习到的潜在表示和生成式解码器，无法将潜在配置解码为可验证的头皮地形图，限制了模型的透明度和可解释性。
针对这一问题，研究人员提出了卷积变分深度嵌入（Conv-VaDE）模型。该模型在共享潜在空间中联合学习拓扑重建和概率软聚类。Conv-VaDE能够将聚类原型生成式解码为可验证的头皮地形图，用概率软分配取代了不透明的硬分区。此外，模型引入了极性不变性方案，并进行了四维网格搜索，涵盖聚类数量（K从3到20）、潜在维度、网络深度和通道宽度，以系统揭示每个架构设计选择如何影响学习的EEG微状态表示的质量、稳定性和可解释性。
模型在包含十名参与者的LEMON静息态闭眼EEG数据集上进行了评估，使用拓扑模板形成、聚类稳定性和全局解释方差（GEV）作为指标。架构搜索结果显示，深度L=4在所有18个最佳配置中一致出现，在K=4时达到最佳GEV为0.730，轮廓系数为0.229。在整个K范围内，具有紧凑通道宽度和小潜在维度的中等深度网络占主导地位。
这些结果表明，原则性的架构搜索（而非模型规模）是通过变分深度嵌入实现可解释且稳定的EEG微状态发现的关键。该研究不仅为EEG微状态分析提供了更具透明度和可解释性的方法，也为神经网络架构设计提供了重要启示，即合理的架构搜索比单纯增加模型规模更能提升模型性能。