L'anàlisi de senyals electroencefalogràfiques (EEG) ha estat durant dècades una eina fonamental en el diagnòstic de trastorns neurològics, des de l'epilèpsia fins al deteriorament cognitiu. No obstant això, els mètodes tradicionals presenten limitacions significatives: l'ús de característiques espectrals predefinides introdueix un biaix fort en determinar a priori quins patrons són rellevants, mentre que les xarxes profundes i els models fundacionals requereixen enormes volums de dades i potència computacional, a més de ser difícils d'interpretar pels clínics. En aquest context, l'enfocament bag-of-waves sorgeix com una alternativa disruptiva que combina interpretabilitat, eficiència i rendiment competitiu fins i tot en escenaris de dades molt limitats.
Bag-of-waves proposa construir un diccionari petit de formes d'ona EEG recurrents —anomenades àtoms— mitjançant un algorisme de k-means invariant a desplaçaments, sense necessitat d'etiquetes. Un cop apresos aquests àtoms, el senyal continu es converteix en una seqüència de tokens d'àtoms, i les freqüències d'aparició d'aquests tokens alimenten un classificador simple o un pas de clustering. Aquesta representació s'enriqueix amb dues extensions clau: els n-grames de transicions entre àtoms, que capturen l'estructura temporal, i els àtoms espacials multicanal, que integren informació regional i transversal entre elèctrodes. El resultat és un model que no només iguala el rendiment de xarxes profundes i models fundacionals en benchmarks exigents com TUEV (classificació d'esdeveniments clínics en sis categories), sinó que ho fa amb una fracció dels paràmetres i ofereix una interpretabilitat total: cada àtom correspon a una morfologia d'ona inspeccionable, directament validable per neurofisiòlegs.
El gran avantatge de bag-of-waves rau en la seva capacitat per operar en règims de dades escasses, on els models pesats fallen per falta de mostres. Per exemple, en un estudi amb només setze ratolins (clustering de genotips), el mètode va aconseguir resultats competitius, demostrant la seva idoneïtat per a aplicacions clíniques on recollir grans volums d'EEG etiquetat és inviable o extremadament costós. A més, la seva arquitectura modular permet adaptar-lo a diferents necessitats: des de la classificació de demències en estat de repòs fins a la detecció d'esdeveniments epilèptics, tot amb un diccionari d'ones que pot ser analitzat i refinat per experts.
Des d'una perspectiva tècnica i empresarial, bag-of-waves representa un canvi de paradigma en el desenvolupament d'aplicacions a mida per al sector salut. Combinar aquesta metodologia amb plataformes al núvol (AWS, Azure) permet escalar el processament de senyals EEG sense comprometre la privacitat ni la latència, mentre que la integració amb eines de Business Intelligence com Power BI facilita la visualització de patrons i la generació d'informes clínics automatitzats. La ciberseguretat, per la seva banda, és un pilar ineludible en manejar dades sensibles de pacients, i aquí la implementació de protocols robustos de xifratge i control d'accés és crítica.
A Q2BSTUDIO, empresa especialitzada en desenvolupament de programari i tecnologia, entenem que la innovació en diagnòstic assistit per IA requereix un enfocament pragmàtic. El nostre equip pot construir sistemes basats en bag-of-waves que s'integrin amb fluxos de treball hospitalaris, utilitzant infraestructures al núvol per a l'entrenament dels diccionaris i agents d'IA que automatitzin la detecció d'anomalies. A més, la naturalesa interpretable del mètode facilita la validació clínica i la certificació regulatòria, aspectes clau per a l'adopció real en entorns mèdics.
Els resultats de bag-of-waves obren la porta a nous serveis d'intel·ligència artificial aplicats a l'anàlisi de biosenyals, amb un enfocament en la transparència i l'eficiència computacional. Ja sigui per classificar estats de son, detectar crisis epilèptiques o monitoritzar la progressió de malalties neurodegeneratives, aquesta tècnica ofereix un camí clar cap a eines clíniques que els metges puguin entendre i confiar. La combinació de diccionaris d'ones, n-grames temporals i àtoms espacials converteix l'EEG en un llenguatge estructurat, on cada patró té un significat fisiològic verificable.
En definitiva, bag-of-waves demostra que no sempre és necessari recórrer a models massius per obtenir resultats d'avantguarda. Amb una arquitectura lleugera, interpretable i entrenable amb poques dades, es posiciona com una solució ideal per a startups i centres de recerca que busquen desenvolupar biomarcadors EEG de forma àgil i fiable. A Q2BSTUDIO, oferim les capacitats tècniques per transformar aquesta metodologia en productes de programari robustos, integrant núvol, ciberseguretat i anàlisi de dades, tot amb l'objectiu d'accelerar l'adopció de la intel·ligència artificial en neurologia.
