뇌전도 (Electroencephalography, EEG)는 신경학적 상태를 진단하는 데 널리 사용되지만, 그 분석은 대개 미리 정의된 스펙트럼 특징 (spectral features) 또는 심층 신경망 (deep neural networks)에 의존합니다. 미리 정의된 특징들은 무엇이 유익한 정보인지 미리 고정해 두기 때문에 강한 편향 (bias)을 갖는 반면, 심층 신경망과 파운데이션 모델 (foundation models)은 해석하기 어렵고 방대한 양의 데이터와 연산량을 필요로 합니다. 우리는 레이블 없이 이동 불변 k-평균 (shift-invariant k-means)을 사용하여 '원자 (atoms)'라고 불리는 반복되는 EEG 파형 템플릿의 작은 사전 (dictionary)을 학습하는 해석 가능한 프레임워크인 bag-of-waves를 제시합니다. 연속적인 EEG는 이후 원자 토큰 (atom tokens)의 시퀀스로 변환되며, 이 토큰들의 빈도수는 단순한 다운스트림 분류기 (downstream classifier) 또는 클러스터링 (clustering) 단계로 전달됩니다. 우리는 이 표현법을 두 가지 방식으로 확장합니다. 첫째, 시간적 구조를 포착하기 위해 'n-gram'이라 부르는 원자 간 전이 (atom-to-atom transitions)를 추가합니다. 둘째, 다채널 사례를 위해 단일 채널 원자에서 지역적 및 채널 간 공간적 원자 (regional and cross-channel spatial atoms)로 확장합니다. 우리는 서로 다른 측면을 조사하는 세 가지 상호 보완적인 데이터셋에서 이 방법을 테스트했습니다: 단 16마리의 동물만을 사용한 단일 채널 생쥐 유전자형 클러스터링 (데이터가 적고 시간적 요소가 중요한 사례), 휴지기 치매 분류 (공간적 사례), 그리고 강력한 심층 및 파운데이션 베이스라인과 비교하기 위한 임상 EEG 이벤트의 6개 클래스 분류 벤치마크인 TUEV (데이터가 많은 비교 사례). 세 가지 데이터셋 모두에서 bag-of-waves는 최첨단 (state-of-the-art) 심층 및 파운데이션 모델과 경쟁할 만한 성능을 달성했습니다. 그럼에도 불구하고, 이 모델은 훨씬 적은 매개변수 (parameter) 수로 작동하며 완전한 해석 가능성 (interpretability)을 제공합니다. 모든 원자가 검사 가능한 파형에 대응하기 때문에, 이 방법은 신경생리학자가 직접 검증할 수 있는 알려진 임상 형태 (clinical morphologies)를 명시적으로 복원해냅니다. 이 방법의 주요 장점은 더 무거운 모델들이 적합하지 않은 데이터가 부족한 환경 (low-data regime)에서도 작동한다는 점입니다.