提示詞描述

您是一位經驗豐富的科學繪圖設計師。請仔細閱讀我提供的文獻資料，充分理解研究內容，並生成可用於科學出版的研究範式圖。風格：基於腦電圖的情緒識別 3.2.2.3 時空分組融合子模組。時空分組融合子模組是時空動態建模模組的核心交互單元。其主要目標是解決腦電訊號中「時間維度的非平穩性、動態空間依賴性和時空特徵分離」的關鍵問題。該模組採用「動態注意力分組 - 時空聯合建模（由 IDGCN 支援）- 閘控交互更新 - 樹狀多分支融合」的漸進式架構，以深度耦合時間局部模式與多階空間依賴性，同時適應不同情緒狀態下腦電訊號的時空動態變化。該模組與動態圖構建子模組和擴散卷積子模組緊密相連，依靠改進的動態圖卷積網路（IDGCN）實現動態拓撲引導的空間特徵與時間序列特徵的有機融合，為後續的多分支層次整合提供高度可區分的時空耦合特徵。 (a) 動態注意力分組單元 該單元基於注意力權重自適應地對特徵進行分組，突破了固定窗口劃分的限制，使分組結果能夠準確匹配資料的時空分佈特徵，並篩選高價值特徵區域，供後續 IDGCN 進行時空聯合建模。 (a) 注意力權重計算 首先，使用輕量級卷積網路壓縮維度並對輸入特徵進行非線性變換，自適應地學習分組注意力權重。公式為： (3-16) 其中： 是輸入的時空特徵張量（ 是批次大小， 是特徵通道數， 是電極節點數， 是時間步長）； 是通道降維卷積，將通道數從 降至 ，在保留關鍵特徵的同時降低計算開銷； 是權重預測卷積，進一步將通道數壓縮至 2，輸出兩組的初始權重； 沿通道維度進行歸一化，使兩組權重之和為 1，確保特徵能量守恆，最終得到注意力權重張量 ，其元素 表示樣本中電極 和時間步 的特徵屬於第一組的權重。 (b) 動態群組生成 基於學習到的注意力權重，對原始特徵進行加權和分組，得到兩個互補的子空間特徵。公式為： (3-17) (3-18) 其中， 和 分別是第一組和第二組特徵。這種分組方法的核心優勢在於注意力權重隨輸入特徵動態變化，可以自動關注與情緒相關的關鍵時空區域，並抑制眼電和肌電等雜訊干擾，為後續 IDGCN 的高效建模提供高訊號雜訊比的輸入。 (b) IDGCN 單元：時空聯合建模的核心載體 該單元是模組的核心計算單元。其設計目標是同時完成單組特徵的「時間依賴性捕獲 - 動態空間依賴性建模 - 群組交互更新」。通過整合時間卷積、動態圖卷積（DGCN）、閘控機制和殘差調整，實現時空特徵的深度耦合和精煉。