Descrizione del prompt

Il sottocomponente di convoluzione di diffusione funge da unità centrale di estrazione delle caratteristiche spaziali all'interno del modulo di modellazione dinamica spazio-temporale. La sua funzione principale consiste nell'utilizzare la matrice di adiacenza dinamica sparsa generata dal sottocomponente di costruzione del grafo dinamico per realizzare la diffusione diretta multi-ordine e l'aggregazione multi-scala delle caratteristiche dei nodi sulla topologia dinamica. Questo cattura precisamente le connessioni funzionali non lineari e le dipendenze spaziali multi-hop tra gli elettrodi. Si adatta anche alle caratteristiche direzionali della trasmissione neurale del segnale EEG, compensando la perdita di informazioni sulla direzionalità nelle tradizionali convoluzioni spettrali del grafo. Questo modulo forma una stretta connessione con il sottocomponente di costruzione del grafo dinamico attraverso "generazione della topologia - diffusione delle caratteristiche". Il grafo dinamico fornisce vincoli di associazione spaziale specifici per il campione, mentre la convoluzione di diffusione completa la modellazione spaziale profonda delle caratteristiche basata su questi vincoli. (1) Iterazione di Diffusione Diretta Multi-Ordine Sia l'ordine di diffusione (un iperparametro), il tensore delle caratteristiche di input (dove è la dimensione del batch, è il numero di canali delle caratteristiche, è il numero di nodi/elettrodi e è il numero di passi temporali) e la matrice di adiacenza dinamica (generata dal sottocomponente di costruzione del grafo dinamico attraverso un doppio percorso "guidato a priori + guidato dai dati" e ottimizzata dalla sparsificazione Top-K). Il processo di diffusione viene eseguito iterativamente e la formula di propagazione delle caratteristiche per l' iterazione (k=1,2,...,K) è: (3-9) dove, è la caratteristica di input iniziale; è l'operatore di moltiplicazione tensoriale basato sulla convenzione di sommazione di Einstein, che viene utilizzato per realizzare l'operazione di matrice batch di caratteristiche e matrice di adiacenza, e la sua espressione specifica per il calcolo degli elementi è: (3-10) Questa equazione riflette chiaramente le caratteristiche di direzionalità e ponderazione del processo di diffusione: la caratteristica di diffusione di ordine del nodo nel campione , canale e passo temporale è la somma ponderata delle caratteristiche di ordine di tutti i suoi nodi predecessori con l'elemento della matrice di adiacenza come peso. Il peso è generato dal sottocomponente di costruzione del grafo dinamico e rappresenta direttamente la forza di associazione diretta del nodo al nodo (come la probabilità che i segnali neurali vengano trasmessi dall'elettrodo all'elettrodo ), corrispondendo perfettamente alle caratteristiche di trasmissione direzionale dei segnali neurali EEG. Vale la pena notare che, poiché il sottocomponente di costruzione del grafo dinamico ha rimosso le connessioni deboli ridondanti attraverso l'ottimizzazione della sparsificazione Top-K, è una matrice sparsa. Il processo di sommazione di cui sopra deve solo calcolare i Top-K vicini fortemente correlati di ciascun nodo, il che riduce significativamente la complessità computazionale della diffusione multi-ordine ed evita l'interferenza del rumore proveniente da connessioni deboli. (2) Fusione di Caratteristiche Multi-Scala Dopo iterazioni di diffusione, si ottengono tensori di caratteristiche di diverse scale, , ,..., (ogni tensore ha una dimensione di , corrispondente ai risultati dell'aggregazione delle caratteristiche dei vicini di 1° a ordine - cioè, integra le informazioni sui vicini diretti, integra le informazioni sui vicini di 2-hop e così via. Al fine di integrare completamente le informazioni spaziali multi-scala ed evitare le limitazioni delle caratteristiche a singola scala, questi tensori di caratteristiche vengono prima concatenati lungo la dimensione del canale delle caratteristiche per ottenere il tensore delle caratteristiche concatenate: (3-11) dove è l'operatore di concatenazione della dimensione del canale. Dopo la concatenazione, , e il suo numero di canali è volte il numero di canali iniziale, integrando informazioni sulle caratteristiche spaziali multi-range dal locale al globale. Al fine di unificare la dimensione del canale delle caratteristiche (coerente con il numero di canali di input ) per facilitare la successiva connessione del modulo e la connessione