腦電圖（EEG）微狀態分析是一種將連續大腦電活動分割為短暫、準穩態拓撲配置的方法，這些配置反映了不同的功能性腦狀態。傳統方法如修正K均值直接在電極空間進行硬分配，缺乏學習到的潛在表示和生成式解碼器，無法將潛在配置解碼為可驗證的頭皮地形圖，限制了模型的透明度和可解釋性。
針對這一問題，研究人員提出了卷積變分深度嵌入（Conv-VaDE）模型。該模型在共享潛在空間中聯合學習拓撲重建和機率軟聚類。Conv-VaDE能夠將聚類原型生成式解碼為可驗證的頭皮地形圖，用機率軟分配取代了不透明的硬分割槽。此外，模型引入了極性不變性方案，並進行了四維網格搜尋，涵蓋聚類數量（K從3到20）、潛在維度、網路深度和通道寬度，以系統揭示每個架構設計選擇如何影響學習的EEG微狀態表示的質量、穩定性和可解釋性。
模型在包含十名參與者的LEMON靜息態閉眼EEG資料集上進行了評估，使用拓撲模板形成、聚類穩定性和全域性解釋方差（GEV）作為指標。架構搜尋結果顯示，深度L=4在所有18個最佳配置中一致出現，在K=4時達到最佳GEV為0.730，輪廓係數為0.229。在整個K範圍內，具有緊湊通道寬度和小潛在維度的中等深度網路佔主導地位。
這些結果表明，原則性的架構搜尋（而非模型規模）是透過變分深度嵌入實現可解釋且穩定的EEG微狀態發現的關鍵。該研究不僅為EEG微狀態分析提供了更具透明度和可解釋性的方法，也為神經網路架構設計提供了重要啟示，即合理的架構搜尋比單純增加模型規模更能提升模型效能。