Descripción del prompt
La enfermedad de Parkinson se entiende cada vez más como un trastorno neurodegenerativo influenciado no solo por la susceptibilidad neuronal inherente, sino también por la señalización patológica dentro del microambiente neuroinflamatorio. En respuesta al estrés neurotóxico, la microglia experimenta una activación sostenida, marcada por una fosforilación significativa y la translocación nuclear del Transductor de Señal y Activador de la Transcripción 3 (STAT3). El STAT3 activado actúa como un regulador transcripcional clave, amplificando la señalización inflamatoria y modulando el perfil secretor microglial. La microglia activada por STAT3 libera mediadores proinflamatorios solubles al entorno extracelular, creando un medio condicionado neurotóxico que propaga la inflamación a través de la señalización paracrina. La exposición de las neuronas dopaminérgicas a este medio condicionado derivado de la microglia induce disfunción mitocondrial, eleva el estrés oxidativo y activa las vías apoptóticas, comprometiendo en última instancia la supervivencia neuronal y el fenotipo dopaminérgico.
![你是一名经验丰富的科研绘图设计师，请仔细阅读我提供的文献信息，请充分理解研究内容，生成可用于科研发表的研究模式图。风格:脑电情感识别3.2.2.3时空分组融合子模块
时空分组融合子模块作为时空动态建模模块的核心交互单元，其核心目标是解决EEG信号“时间维度非平稳、空间依赖动态化、时空特征割裂”的关键问题。该模块通过“动态注意力分组-时空联合建模（IDGCN核心支撑）-门控交互更新-树状多分支融合”的递进式架构，深度耦合时间局部模式与空间多阶依赖，同时适配不同情感状态下脑电信号的时空动态变化。模块紧密衔接动态图构建子模块与扩散卷积子模块，依托改进的动态图卷积网络（IDGCN）实现动态拓扑引导的空间特征与时间序列特征的有机融合，为后续多分支层级整合提供高判别性的时空耦合特征。
（a） 动态注意力分组单元
该单元是基于注意力权重实现特征的自适应分组，突破固定窗口划分的局限性，使分组结果精准匹配数据的时空分布特性，为后续 IDGCN 的时空联合建模筛选高价值特征区域。
（a） 注意力权重计算
首先通过轻量级卷积网络对输入特征进行维度压缩与非线性变换，自适应学习分组注意力权重，公式为：
(3-16)
其中： 为输入时空特征张量（ 为批次大小， 为特征通道数， 为电极节点数， 为时间步长）； 为通道降维卷积，将通道数从 压缩至 ，在保留关键特征的同时减少计算开销； 为权重预测卷积，将通道数进一步压缩至2，输出两个分组的初始权重； 沿通道维度归一化，使两个分组权重和为1，确保特征能量守恒，最终得到注意力权重张量 ，其元素 表征第 个样本中第 个电极、第 个时间步特征属于第一分组的权重。
（b） 动态分组生成
基于学习到的注意力权重，对原始特征进行加权分组，得到两个互补的子空间特征，公式为：
(3-17)
(3-18)
其中， 、 分别为第一、第二分组特征。该分组方式的核心优势在于：注意力权重随输入特征动态变化，能够自动聚焦情感相关的关键时空区域，抑制眼电、肌电等噪声干扰，为后续IDGCN的高效建模提供高信噪比输入。
（b） IDGCN单元：时空联合建模的核心载体
该单元是模块的核心计算单元。其设计目标是对单个分组特征同步完成“时间依赖捕捉-动态空间依赖建模-分组交互更新”，通过整合时间卷积、动态图卷积（DGCN）、门控机制与残差调整，实现时空特征的深度耦合与精炼。
（1） 时间卷积子单元
针对 EEG 信号的时间非平稳性，设计两级时间卷积结构，分别捕捉中尺度与细尺度的局部时间依赖，公式为：
(3-19)
其中： 为IDGCN的输入分组特征（ 、 或前一级IDGCN输出）；Pad为边界填充操作，避免时间维度卷积导致的特征丢失，确保时间步长前后一致； 、 为时间卷积核大小： 用于捕捉中尺度时间模式，如5个连续时间窗口的电位变化趋势， 用于细化细尺度局部特征，如情绪突变时刻的 3 个时间步响应； 激活函数引入非线性，缓解梯度消失问题，同时保留部分负向特征信息； 为正则化操作，抑制过拟合，最终输出时间特征张量 ，其元素已编码局部时间依赖信息。
（2） 动态图卷积子单元
该子单元是IDGCN的空间建模核心，调用3.2.2.2节的扩散卷积子模块，结合动态图构建子模块生成的稀疏动态邻接矩阵 ，捕捉分组特征的动态空间依赖，实现“样本专属拓扑+多阶扩散”的空间特征提取。
特征预处理：通过 1×1 卷积对时间卷积后的特征进行维度校准与分布调整，公式为
(3-20)
其中 输入输出通道数均为 ，仅做线性变换；
动态邻接生成：调用动态图构建子模块，基于 生成样本专属稀疏邻接矩阵 （详细推导见3.2.2.1节），其元素 表征电极n到m的有向关联强度；
多阶扩散卷积：输入 与 至扩散卷积子模块，执行 阶有向扩散，公式为 ，拼接多阶特征后经1×1卷积融合，得到 ；
正则化与残差增强：经 正则化后，与 残差连接并通过 激活，公式为
(3-21)
最终输出时空耦合的空间特征 。
（3） 分组门控交互子单元
IDGCN的核心改进之一是引入分组门控交互，通过一个分组的时空耦合特征调制另一个分组的原始特征，实现跨分组信息交互与特征精炼。针对两个并行的分组特征 与 ，其交互公式为：
(3-22)
(3-23)
其中： 、 分别为第一、第二分组经IDGCN动态图卷积后的时空耦合特征； 作为门控函数，将特征值映射至[−1,1]区间，实现自适应调制——门控值接近1时保留并增强高价值特征，接近-1时抑制噪声特征； 、 分别为第二、第一分组的交互调制特征，已融合另一分组的高价值时空信息。
（4） 残差调整子单元
为确保IDGCN输出特征与输入特征维度一致，适配后续多分支融合，引入残差调整层，公式为：
(3-24)
其中 为门控交互后的特征（](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FZcIWXOBR3a2ptk2BKUzzVGT3yanreLM0%2Ff3a275c1-326a-4fe2-a5a3-5b978692580e%2Ffbd87164-8ced-4328-8e5c-c8aae129986a.png&w=3840&q=75)