Description du prompt

Vous êtes un concepteur expérimenté en illustration scientifique. Veuillez lire attentivement les informations de la littérature que je vous fournis, comprendre pleinement le contenu de la recherche et générer un diagramme de paradigme de recherche qui puisse être utilisé pour une publication scientifique. Style : Reconnaissance des émotions basée sur l'EEG 3.2.2.3 Sous-module de fusion de groupement spatio-temporel. Le sous-module de fusion de groupement spatio-temporel sert d'unité d'interaction centrale du module de modélisation dynamique spatio-temporelle. Son objectif principal est de résoudre les problèmes clés de "non-stationnarité dans la dimension temporelle, de dépendance spatiale dynamique et de séparation des caractéristiques spatio-temporelles" dans les signaux EEG. Ce module utilise une architecture progressive de "groupement d'attention dynamique - modélisation conjointe spatio-temporelle (prise en charge par IDGCN) - mise à jour d'interaction contrôlée - fusion multi-branches arborescente" pour coupler en profondeur les modèles locaux temporels avec les dépendances spatiales multi-ordres, tout en s'adaptant aux changements dynamiques spatio-temporels des signaux EEG dans différents états émotionnels. Le module est étroitement lié au sous-module de construction de graphe dynamique et au sous-module de convolution de diffusion, s'appuyant sur le réseau convolutif de graphe dynamique amélioré (IDGCN) pour réaliser la fusion organique des caractéristiques spatiales guidées par la topologie dynamique et des caractéristiques de séquence temporelle, fournissant des caractéristiques de couplage spatio-temporel hautement discriminantes pour l'intégration hiérarchique multi-branches ultérieure. (a) Unité de groupement d'attention dynamique Cette unité regroupe de manière adaptative les caractéristiques en fonction des poids d'attention, brisant les limitations du partitionnement de fenêtre fixe, permettant aux résultats du groupement de correspondre avec précision aux caractéristiques de distribution spatio-temporelle des données et de filtrer les régions de caractéristiques de grande valeur pour la modélisation conjointe spatio-temporelle ultérieure par IDGCN. (a) Calcul du poids d'attention Tout d'abord, un réseau convolutif léger est utilisé pour compresser la dimension et effectuer une transformation non linéaire sur les caractéristiques d'entrée, apprenant de manière adaptative les poids d'attention de groupement. La formule est : (3-16) Où : est le tenseur de caractéristiques spatio-temporelles d'entrée ( est la taille du lot, est le nombre de canaux de caractéristiques, est le nombre de nœuds d'électrode et est le pas de temps) ; est la convolution de réduction de dimensionnalité du canal, qui réduit le nombre de canaux de à , réduisant la surcharge de calcul tout en conservant les caractéristiques clés ; est la convolution de prédiction de poids, qui comprime davantage le nombre de canaux à 2, produisant les poids initiaux de deux groupes ; est normalisé le long de la dimension du canal, de sorte que la somme des poids des deux groupes soit 1, assurant la conservation de l'énergie des caractéristiques, et obtenant finalement le tenseur de poids d'attention , dont l'élément représente le poids de la caractéristique de l'électrode et le pas de temps dans l'échantillon appartenant au premier groupe. (b) Génération de groupe dynamique Sur la base des poids d'attention appris, les caractéristiques originales sont pondérées et regroupées pour obtenir deux caractéristiques de sous-espace complémentaires. Les formules sont : (3-17) (3-18) Où, et sont respectivement les caractéristiques du premier et du deuxième groupe. L'avantage principal de cette méthode de groupement est que les poids d'attention changent dynamiquement avec les caractéristiques d'entrée, ce qui peut automatiquement se concentrer sur les régions spatio-temporelles clés liées aux émotions et supprimer les interférences de bruit telles que l'électrooculographie et l'électromyographie, fournissant une entrée à rapport signal/bruit élevé pour la modélisation efficace ultérieure d'IDGCN. (b) Unité IDGCN : le support central de la modélisation conjointe spatio-temporelle Cette unité est l'unité de calcul centrale du module. Son objectif de conception est de réaliser simultanément la "capture de la dépendance temporelle - la mod