
擴散卷積子模組作為時空動態建模模組中的核心空間特徵提取單元。其主要功能是利用動態圖構建子模組生成的稀疏動態鄰接矩陣,在動態拓撲上實現節點特徵的多階定向擴散和多尺度聚合。這精確地捕捉了電極之間的非線性函數連接和多跳空間依賴性。它還適應腦電訊號神經傳輸的定向特性,彌補了傳統譜圖卷積中方向性資訊的損失。該模組通過「拓撲生成-特徵擴散」與動態圖構建子模組形成緊密連接。動態圖提供樣本特定的空間關聯約束,而擴散卷積則基於這些約束完成特徵的深度空間建模。 (1) 多階定向擴散迭代 令擴散階數為 (一個超參數),輸入特徵張量為 (其中 是批次大小, 是特徵通道的數量, 是節點/電極的數量, 是時間步長),動態鄰接矩陣為 (由動態圖構建子模組通過「先驗引導 + 數據驅動」雙路徑生成,並通過 Top-K 稀疏化進行優化)。擴散過程以迭代方式執行,第 次迭代 (k=1,2,...,K) 的特徵傳播公式為: (3-9) 其中, 是初始輸入特徵; 是基於愛因斯坦求和約定的張量乘法運算符,用於實現特徵和鄰接矩陣的批次矩陣運算,其具體元素計算表達式為: (3-10) 該方程式清楚地反映了擴散過程的方向性和加權特性:第 個樣本、第 個通道和第 個時間步中節點 的第 階擴散特徵 是其所有前驅節點 的第 階特徵的加權和,其中鄰接矩陣元素 作為權重。權重 由動態圖構建子模組生成,直接表示節點 到節點 的定向關聯強度 (例如,神經訊號從電極 傳輸到電極 的概率),完美匹配腦電神經訊號的定向傳輸特性。 值得注意的是,由於動態圖構建子模組已通過 Top-K 稀疏化優化移除了冗餘的弱連接,因此 是一個稀疏矩陣。上述求和過程只需要計算每個節點的 Top-K 強相關鄰居,這顯著降低了多階擴散的計算複雜度,並避免了來自弱連接的雜訊干擾。 (2) 多尺度特徵融合 經過 次擴散迭代後,獲得 個不同尺度的特徵張量, , ,..., (每個張量的維度為 ,對應於第 1 階到第 階鄰居的特徵聚合結果 - 也就是說, 整合直接鄰居資訊, 整合 2 跳鄰居資訊,依此類推)。為了充分整合多尺度空間資訊並避免單尺度特徵的局限性,首先沿特徵通道維度連接這些 個特徵張量,以獲得連接的特徵張量: (3-11) 其中 是通道維度連接運算符。連接後,,其通道數是初始通道數的 倍,整合了從局部到全局的多範圍空間特徵資訊。 為了統一特徵通道維度 (與輸入通道數 保持一致),以方便後續模組連接和殘差連接,使用 1×1 卷積來降低連接特徵的維度。
酵母菌(Saccharomyces cerevisiae)葡萄糖與醋酸發酵代謝途徑示意圖。圖示核心呈現碳源轉換、氧化還原...