En el camp de l'anàlisi de senyals cerebrals, l'electroencefalografia (EEG) continua sent una eina indispensable per diagnosticar trastorns neurològics i estudiar l'activitat neuronal. No obstant això, els mètodes tradicionals solen basar-se en característiques espectrals predefinides o en xarxes neuronals profundes. Les primeres introdueixen un biaix considerable en fixar per endavant què es considera informatiu, mentre que els models profunds i els models fundacionals són difícils d'interpretar i requereixen grans volums de dades i recursos computacionals. En aquest context sorgeix Bag-of-Waves, un marc interpretable que proposa un enfocament radicalment diferent: aprendre un petit diccionari de plantilles d'ones EEG recurrents, anomenades àtoms, mitjançant shift-invariant k-means sense etiquetes. El senyal continu es tokenitza en una seqüència d'àtoms els recomptes dels quals alimenten un classificador o un pas d'agrupament simple. Aquest enfocament no només és competitiu amb models d'última generació, sinó que també ofereix una interpretabilitat total, ja que cada àtom correspon a una forma d'ona inspeccionable i validable per un neurofisiòleg.
Però més enllà de la neurociència, la filosofia de Bag-of-Waves té implicacions profundes per al desenvolupament d'aplicacions en entorns amb dades limitades. En moltes indústries —des de la sanitat fins a la fabricació— l'escassetat de dades etiquetades és la norma, no l'excepció. Els models de deep learning requereixen milers o milions d'exemples per generalitzar, i quan no se'n disposa, el seu rendiment cau en picat. Bag-of-Waves demostra que és possible extreure patrons significatius amb pocs exemples (per exemple, només setze ratolins en un experiment de genotipatge) i tot i així aconseguir resultats comparables als de xarxes profundes. Aquesta lliçó és directament transferible al desenvolupament de programari a mida: en lloc de construir sistemes complexos i sobredimensionats, es poden optar per solucions lleugeres, interpretables i eficients que s'adaptin a les dades disponibles.
L'empresa Q2BSTUDIO, especialitzada en el desenvolupament de programari i tecnologia, ha sabut captar aquesta tendència. En lloc d'apostar cegament per models massius que consumeixen enormes quantitats de dades i energia, els seus equips dissenyen aplicacions a mida que integren intel·ligència artificial de manera pragmàtica. Per exemple, quan un client necessita analitzar senyals biomèdiques o sensors industrials amb pocs registres, es recorren a tècniques com Bag-of-Waves —o variants adaptades— per construir sistemes robustos sense dependre de grans infraestructures dIA. Aquest enfocament no només redueix costos, sinó que també facilita l'auditoria i el compliment normatiu, aspectes crítics en sectors regulats.
La interpretabilitat de Bag-of-Waves és un altre dels seus punts forts. En aplicacions clíniques, un metge no pot refiar-se d'una caixa negra; necessita entendre per què l'algorisme classifica un EEG com a normal o patològic. En descompondre el senyal en àtoms recognoscibles (com ones alfa, beta o complexos epilèptics), el sistema proporciona una explicació directa. Aquesta transparència és igualment valuosa en entorns empresarials: qualsevol solució dIA que prengui decisions crítiques —des de la detecció de fraus fins al manteniment predictiu— ha de ser comprensible per als equips de negoci i els reguladors. Q2BSTUDIO integra aquest principi en els seus desenvolupaments, construint models que no només prediuen, sinó que expliquen el perquè, utilitzant eines dBusiness Intelligence (BI) com Power BI per visualitzar aquests patrons de manera accessible.
A més, l'arquitectura de Bag-of-Waves permet extensions que capturen l'estructura temporal i espacial dels senyals. En afegir transicions entre àtoms (n-grames) es modela la dinàmica de l'EEG, mentre que en el cas multicanal es defineixen àtoms regionals i de canals creuats. Aquesta modularitat és anàloga a la que Q2BSTUDIO aplica en les seves solucions de cloud AWS/Azure: es despleguen components independents que escalen segons la demanda i que poden ser monitoritzats i actualitzats sense interrompre el servei. Per exemple, en un projecte de monitorització remota de pacients, un pipeline basat en Bag-of-Waves podria executar-se en serveis cloud d'AWS o Azure, processant senyals en temps real i generant alertes interpretables.
Un altre aspecte rellevant és la ciberseguretat. Els sistemes que gestionen dades biomèdiques o industrials sensibles han de complir amb estrictes normatives de privacitat i seguretat. Bag-of-Waves, en treballar amb representacions compactes (àtoms) en lloc de senyals bruts, redueix la superfície d'exposició. A més, la seva naturalesa interpretable facilita la detecció d'anomalies i atacs adversaris. Q2BSTUDIO ofereix serveis de ciberseguretat i pentesting que avaluen la robustesa d'aquests sistemes, garantint que les dades sensibles romanguin protegides tant en repòs com en trànsit.
En l'àmbit de l'automatització, Bag-of-Waves representa un canvi de paradigma: en lloc de programar regles fixes per detectar certs patrons, s'aprèn automàticament un diccionari de formes d'ona a partir de dades sense etiquetar. Això és especialment útil en entorns on els criteris de classificació canvien amb el temps (per exemple, nous tipus d'artefactes en senyals EEG). Q2BSTUDIO incorpora aquesta flexibilitat en les seves solucions dautomatització, dissenyant fluxos de treball que s'adapten a les dades sense necessitat de reescriure regles. Combinat amb agents d'IA que monitoritzen i ajusten els models en temps real, s'aconsegueixen sistemes autònoms i fiables.
Per il·lustrar l'aplicabilitat pràctica, considerem un cas d'ús: un hospital que vol classificar episodis epilèptics a partir d'enregistraments EEG de pocs pacients. Un enfocament tradicional requeriria milers d'exemples etiquetats o un model fundacional preentrenat que no sempre està disponible o és transferible. Amb Bag-of-Waves, s'extreuen àtoms representatius de les poques dades existents, es compten les seves freqüències i s'entrena un classificador lineal. El resultat és un sistema precís, interpretable i que es pot desplegar en una infraestructura lleugera. Q2BSTUDIO pot implementar aquest pipeline usant cloud AWS/Azure per emmagatzemar els registres, Power BI per visualitzar els patrons detectats i agents d'IA per millorar iterativament el diccionari d'àtoms. Tot dins d'un marc de ciberseguretat que compleix amb la HIPAA o el GDPR.
En resum, Bag-of-Waves no és només una tècnica prometedora per a l'anàlisi d'EEG; és un exemple de com abordar problemes complexos amb recursos limitats de manera interpretable i eficient. Per a empreses com Q2BSTUDIO, que desenvolupen aplicacions a mida i solucions dIA, aquest enfocament ofereix una alternativa viable als models massius. En combinar interpretabilitat, baix consum de dades i facilitat de desplegament al núvol, s'obren noves possibilitats en sectors com la salut, la indústria o la vigilància ambiental. La clau està en no deixar-se emportar per la moda dels grans models, sinó en triar l'eina adequada per a cada tasca —i sovint, una eina petita i ben dissenyada és la millor opció.
