提示词描述

扩散卷积子模块是时空动态建模模块中的核心空间特征提取单元。其主要功能是利用动态图构建子模块生成的稀疏动态邻接矩阵，在动态拓扑上实现节点特征的多阶定向扩散和多尺度聚合。这精确地捕捉了电极之间的非线性函数连接和多跳空间依赖性。它还适应脑电信号神经传输的定向特性，弥补了传统谱图卷积中方向性信息的损失。该模块通过“拓扑生成-特征扩散”与动态图构建子模块紧密连接。动态图提供样本特定的空间关联约束，而扩散卷积则基于这些约束完成特征的深度空间建模。 (1) 多阶定向扩散迭代 设扩散阶数为 （一个超参数），输入特征张量为 （其中 是批次大小， 是特征通道数， 是节点/电极的数量， 是时间步长），动态邻接矩阵为 （由动态图构建子模块通过“先验引导+数据驱动”双路径生成，并通过Top-K稀疏化优化）。扩散过程迭代进行，第 轮迭代 (k=1,2,...,K) 的特征传播公式为： (3-9) 其中， 是初始输入特征； 是基于爱因斯坦求和约定的张量乘法运算符，用于实现特征和邻接矩阵的批矩阵运算，其具体元素计算表达式为： (3-10) 该方程清楚地反映了扩散过程的方向性和加权特性：第 个样本、 通道和 时间步中节点 的 阶扩散特征 是其所有前驱节点 的 阶特征的加权和，其中邻接矩阵元素 作为权重。权重 由动态图构建子模块生成，直接表示节点 到节点 的定向关联强度（例如，神经信号从电极 传输到电极 的概率），完美匹配脑电神经信号的定向传输特性。 值得注意的是，由于动态图构建子模块已通过Top-K稀疏化优化移除了冗余的弱连接，因此 是一个稀疏矩阵。上述求和过程只需要计算每个节点的Top-K强相关邻居，这大大降低了多阶扩散的计算复杂度，并避免了弱连接的噪声干扰。 (2) 多尺度特征融合 经过 次扩散迭代后，获得 个不同尺度的特征张量， , ,..., （每个张量的维度为 ，对应于1阶到 阶邻居的特征聚合结果 - 即 整合直接邻居信息， 整合2跳邻居信息，依此类推）。为了充分整合多尺度空间信息并避免单尺度特征的局限性，首先将这些 特征张量沿特征通道维度连接起来，得到连接的特征张量： (3-11) 其中 是通道维度连接运算符。连接后， ，其通道数为初始通道数的 倍，整合了从局部到全局的多范围空间特征信息。 为了统一特征通道维度（与输入通道数 一致），以方便后续模块连接和残差连接，使用1×1卷积来降低连接特征的维度。