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（
Se utilizó un sistema SHIME® (Simulador del Ecosistema Micro...
![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)
