뇌정보학 (neuroinformatics) 및 뇌-컴퓨터 인터페이스 (BCIs) 분야에서 뇌전도 (EEG) 신호로부터 범용적인 표현 (universal representations)을 학습하는 것은 최첨단 접근 방식입니다. 전통적으로 EEG는 다변량 시계열 신호 (multivariate temporal signal)로 취급되며, 표현 학습 (representation learning)을 위해 시간 영역 (time-domain) 또는 주파수 영역 (frequency-domain) 특징들이 추출되어 왔습니다. 본 논문은 단순하지만 효과적인 EEG 표현인 마이크로스테이트 (microstates)를 조사합니다. 마이크로스테이트는 미세한 시간 규모 (microscopic time scale)에서 뇌 활동 패턴의 구성 요소 (building blocks)를 나타냅니다. 우리는 연속적인 EEG 신호를 이산적인 마이크로스테이트 (discrete microstates) 시퀀스로 클러스터링함으로써, 대규모 의료 EEG 데이터셋으로부터 범용 마이크로스테이트 토크나이저 (microstate tokenizer)를 구축합니다. 이 마이크로스테이트 토크나이저는 수면 단계 분류 (sleep staging), 감정 인식 (emotion recognition), 운동 상상 분류 (motor imagery classification)를 포함한 일련의 다운스트림 태스크 (downstream tasks)에 걸쳐 범용적으로 채택됩니다. 실험 결과에 따르면, 마이크로스테이트를 이용한 EEG 표현 학습은 다양한 모델과 태스크에서 전통적인 시간 영역 및 주파수 영역 특징보다 뛰어난 성능을 보입니다. 추가 분석을 통해 마이크로스테이트가 더 높은 해석 가능성 (interpretability)과 확장성 (scalability)을 제공함을 확인하였으며, 이를 통해 인지 신경과학 (cognitive neuroscience)과 임상 연구 (clinical research) 모두에서 응용 가능성을 열어줍니다.