Prompt-Beschreibung

Das Diffusions-Faltungs-Submodul dient als zentrale räumliche Merkmalsextraktionseinheit innerhalb des spatiotemporalen dynamischen Modellierungsmoduls. Seine Hauptfunktion besteht darin, die von dem dynamischen Graphkonstruktions-Submodul erzeugte dünnbesetzte dynamische Adjazenzmatrix zu nutzen, um eine gerichtete Diffusion mehrfacher Ordnung und eine mehrskalige Aggregation von Knotenmerkmalen auf der dynamischen Topologie zu erreichen. Dies erfasst präzise die nichtlinearen funktionalen Verbindungen und räumlichen Abhängigkeiten mehrfacher Sprünge zwischen Elektroden. Es passt sich auch an die gerichteten Eigenschaften der neuronalen EEG-Signalübertragung an und kompensiert den Verlust von Richtungsinformationen in traditionellen spektralen Graphfaltungen. Dieses Modul bildet eine enge Verbindung mit dem dynamischen Graphkonstruktions-Submodul durch "Topologieerzeugung-Merkmalsdiffusion". Der dynamische Graph liefert probenspezifische räumliche Assoziationsbeschränkungen, während die Diffusionsfaltung die tiefe räumliche Modellierung von Merkmalen basierend auf diesen Beschränkungen abschließt. (1) Gerichtete Multi-Order-Diffusionsiteration Sei die Diffusionsordnung (ein Hyperparameter), der Eingabe-Merkmalsensor (wobei die Batch-Größe, die Anzahl der Merkmalskanäle, die Anzahl der Knoten/Elektroden und die Anzahl der Zeitschritte ist) und die dynamische Adjazenzmatrix (erzeugt durch das dynamische Graphkonstruktions-Submodul durch einen "Prior-geleiteten + datengesteuerten" dualen Pfad und optimiert durch Top-K-Versparsifizierung). Der Diffusionsprozess wird iterativ durchgeführt, und die Merkmalsausbreitungsformel für die Iteration (k=1,2,...,K) lautet: (3-9) wobei das anfängliche Eingabe-Merkmal ist; der Tensor-Multiplikationsoperator basierend auf der Einstein-Summenkonvention ist, der verwendet wird, um die Batch-Matrix-Operation von Merkmalen und Adjazenzmatrix zu realisieren, und dessen spezifischer Elementberechnungsausdruck lautet: (3-10) Diese Gleichung spiegelt deutlich die Richtungs- und Gewichtungseigenschaften des Diffusionsprozesses wider: Das Ordnungs-Diffusionsmerkmal des Knotens in der Probe, dem Kanal und dem Zeitschritt ist die gewichtete Summe der Ordnungsmerkmale aller seiner Vorgängerknoten mit dem Adjazenzmatrixelement als Gewicht. Das Gewicht wird von dem dynamischen Graphkonstruktions-Submodul erzeugt und repräsentiert direkt die gerichtete Assoziationsstärke von Knoten zu Knoten (wie z. B. die Wahrscheinlichkeit, dass neuronale Signale von Elektrode zu Elektrode übertragen werden), was perfekt zu den gerichteten Übertragungseigenschaften von neuronalen EEG-Signalen passt. Es ist erwähnenswert, dass, da das dynamische Graphkonstruktions-Submodul redundante schwache Verbindungen durch Top-K-Versparsifizierungsoptimierung entfernt hat, eine dünnbesetzte Matrix ist. Der obige Summierungsprozess muss nur die Top-K stark korrelierten Nachbarn jedes Knotens berechnen, was die Rechenkomplexität der Multi-Order-Diffusion erheblich reduziert und Rauschinterferenzen durch schwache Verbindungen vermeidet. (2) Multi-Skalen-Merkmalsfusion Nach Diffusionsiterationen werden Merkmalsensoren unterschiedlicher Skalen erhalten, , ,..., (jeder Tensor hat eine Dimension von , entsprechend den Merkmalsaggregationsergebnissen von Nachbarn 1. bis Ordnung - das heißt, integriert direkte Nachbarinformationen, integriert 2-Hop-Nachbarinformationen usw. Um Multi-Skalen-Rauminformationen vollständig zu integrieren und die Einschränkungen von Einzel-Skalen-Merkmalen zu vermeiden, werden diese Merkmalsensoren zuerst entlang der Merkmalskanaldimension verkettet, um den verketteten Merkmalsensor zu erhalten: (3-11) wobei der Kanal-Dimensionsverkettungsoperator ist. Nach der Verkettung gilt , und seine Anzahl an Kanälen ist mal die anfängliche Anzahl an Kanälen, wodurch räum