Описание промпта

Подмодуль диффузионной свертки служит основным блоком извлечения пространственных признаков в модуле пространственно-временного динамического моделирования. Его основная функция заключается в использовании разреженной динамической матрицы смежности, сгенерированной подмодулем построения динамического графа, для достижения многопорядковой направленной диффузии и многомасштабной агрегации признаков узлов на динамической топологии. Это позволяет точно захватывать нелинейные функциональные связи и многошаговые пространственные зависимости между электродами. Он также адаптируется к направленным характеристикам нейронной передачи сигналов ЭЭГ, компенсируя потерю информации о направленности в традиционных спектральных графовых свертках. Этот модуль тесно связан с подмодулем построения динамического графа посредством "генерации топологии - диффузии признаков". Динамический граф предоставляет специфичные для выборки ограничения пространственной ассоциации, в то время как диффузионная свертка завершает глубокое пространственное моделирование признаков на основе этих ограничений. (1) Многопорядковая направленная итерация диффузии Пусть порядок диффузии будет (гиперпараметр), входной тензор признаков будет (где - размер пакета, - количество каналов признаков, - количество узлов/электродов, а - количество временных шагов), а динамическая матрица смежности будет (сгенерированная подмодулем построения динамического графа посредством двойного пути "на основе априорных знаний + на основе данных" и оптимизированная с помощью Top-K разрежения). Процесс диффузии выполняется итеративно, и формула распространения признаков для итерации (k=1,2,...,K) выглядит следующим образом: (3-9) где, - начальный входной признак; - оператор тензорного умножения, основанный на соглашении Эйнштейна о суммировании, который используется для реализации пакетной матричной операции признаков и матрицы смежности, и его конкретное выражение для вычисления элемента выглядит следующим образом: (3-10) Это уравнение четко отражает направленность и характеристики взвешивания процесса диффузии: порядок диффузионного признака узла в выборке, канале и временном шаге является взвешенной суммой порядковых признаков всех его узлов-предшественников с элементом матрицы смежности в качестве веса. Вес генерируется подмодулем построения динамического графа и напрямую представляет силу направленной ассоциации узла с узлом (например, вероятность передачи нейронных сигналов от электрода к электроду ), идеально соответствуя характеристикам направленной передачи нейронных сигналов ЭЭГ. Стоит отметить, что, поскольку подмодуль построения динамического графа удалил избыточные слабые связи посредством Top-K оптимизации разрежения, является разреженной матрицей. Вышеупомянутый процесс суммирования требует только вычисления Top-K сильно коррелированных соседей каждого узла, что значительно снижает вычислительную сложность многопорядковой диффузии и позволяет избежать шумовых помех от слабых связей. (2) Многомасштабное слияние признаков После итераций диффузии получаются тензоров признаков разных масштабов, , ,..., (каждый тензор имеет размерность , соответствующую результатам агрегации признаков соседей от 1-го до порядка - то есть, интегрирует информацию о прямых соседях, интегрирует информацию о 2-шаговых соседях и так далее. Чтобы полностью интегрировать многомасштабную пространственную информацию и избежать ограничений одномасштабных признаков, эти тензоров признаков сначала объединяются по измерению канала признаков для получения объединенного тензора признаков: (3-11) где - оператор объединения по измерению канала. После объединения , и количество его каналов в раз больше начального количества каналов, интегрируя многодиапазонную пространственную информацию о признаках от локальной до глобальной. Чтобы унифицировать измерение канала признаков (соответствующее количеству входных каналов ) для облегчения последующего подключения модуля и остаточного соединения, для уменьшения размерности объединенных признаков используется свертка 1×1.