프롬프트 설명

확산 컨볼루션 서브모듈은 시공간 동적 모델링 모듈 내에서 핵심적인 공간 특징 추출 단위 역할을 수행합니다. 주요 기능은 동적 그래프 구축 서브모듈에서 생성된 희소 동적 인접 행렬을 활용하여 동적 토폴로지 상에서 노드 특징의 다차원 방향성 확산 및 다중 스케일 집계를 달성하는 것입니다. 이를 통해 전극 간의 비선형 함수적 연결 및 다중 홉 공간 의존성을 정확하게 포착합니다. 또한 EEG 신호 신경 전달의 방향성 특성에 적응하여 기존 스펙트럼 그래프 컨볼루션에서 방향성 정보 손실을 보완합니다. 이 모듈은 "토폴로지 생성-특징 확산"을 통해 동적 그래프 구축 서브모듈과 긴밀하게 연결됩니다. 동적 그래프는 샘플별 공간 연관 제약 조건을 제공하고, 확산 컨볼루션은 이러한 제약 조건을 기반으로 특징의 심층적인 공간 모델링을 완료합니다. (1) 다차원 방향성 확산 반복 확산 차수를 (하이퍼파라미터), 입력 특징 텐서를 (여기서 는 배치 크기, 는 특징 채널 수, 는 노드/전극 수, 는 시간 단계 수), 동적 인접 행렬을 (동적 그래프 구축 서브모듈에서 "사전 지식 기반 + 데이터 기반" 이중 경로를 통해 생성되고 Top-K 희소화에 의해 최적화됨)라고 합니다. 확산 프로세스는 반복적으로 수행되며, 번째 반복 (k=1,2,...,K)에 대한 특징 전파 공식은 다음과 같습니다. (3-9) 여기서, 는 초기 입력 특징; 는 아인슈타인 합 규칙에 기반한 텐서 곱 연산자로, 특징과 인접 행렬의 배치 행렬 연산을 구현하는 데 사용되며, 특정 요소 계산식은 다음과 같습니다. (3-10) 이 방정식은 확산 프로세스의 방향성 및 가중치 특성을 명확하게 반영합니다. 번째 샘플, 채널, 시간 단계에서 노드 의 차 확산 특징 는 인접 행렬 요소 를 가중치로 사용하여 모든 선행 노드 의 차 특징의 가중 합입니다. 가중치 는 동적 그래프 구축 서브모듈에 의해 생성되며 노드 에서 노드 로의 방향성 연관 강도 (예: 전극 에서 전극 으로 신경 신호가 전달될 확률)를 직접적으로 나타내며, EEG 신경 신호의 방향성 전달 특성과 완벽하게 일치합니다. 동적 그래프 구축 서브모듈이 Top-K 희소화 최적화를 통해 중복된 약한 연결을 제거했으므로 는 희소 행렬입니다. 위의 합산 프로세스는 각 노드의 Top-K 강하게 상관된 이웃만 계산하면 되므로 다차원 확산의 계산 복잡성을 크게 줄이고 약한 연결로 인한 노이즈 간섭을 피할 수 있습니다. (2) 다중 스케일 특징 융합 확산 반복 후, 서로 다른 스케일의 개의 특징 텐서 , ,..., 가 얻어집니다 (각 텐서는 의 차원을 가지며, 1차에서 차 이웃의 특징 집계 결과에 해당합니다. 즉, 는 직접 이웃 정보를 통합하고, 는 2-홉 이웃 정보를 통합하는 식입니다). 다중 스케일 공간 정보를 완전히 통합하고 단일 스케일 특징의 제한을 피하기 위해, 이러한 개의 특징 텐서는 먼저 특징 채널 차원을 따라 연결되어 연결된 특징 텐서를 얻습니다. (3-11) 여기서 는 채널 차원 연결 연산자입니다. 연결 후, 이고 채널 수는 초기 채널 수의 배이며, 로컬에서 글로벌까지의 다중 범위 공간 특징 정보를 통합합니다. 후속 모듈 연결 및 잔차 연결을 용이하게 하기 위해 특징 채널 차원 (입력 채널 수 와 일치)을 통일하기 위해 1×1 컨볼루션을 사용하여 연결된 특징의 차원을 줄입니다.