提示词描述

作为一名经验丰富的科学绘图设计师，请仔细阅读我提供的文献信息，充分理解研究内容，并生成一张可用于科学出版的研究范式图。风格：基于脑电的表情识别 3.2.2.3 时空分组融合子模块。时空分组融合子模块作为时空动态建模模块的核心交互单元，其主要目标是解决脑电信号中“时间维度上的非平稳性、动态空间依赖性以及时空特征分离”的关键问题。该模块采用“动态注意力分组 - 时空联合建模（由IDGCN支持）- 门控交互更新 - 树状多分支融合”的渐进式架构，以深度耦合时间局部模式与多阶空间依赖关系，同时适应不同情绪状态下脑电信号的时空动态变化。该模块与动态图构建子模块和扩散卷积子模块紧密相连，依靠改进的动态图卷积网络（IDGCN）实现动态拓扑引导下的空间特征与时间序列特征的有机融合，为后续的多分支分层集成提供高度区分性的时空耦合特征。 (a) 动态注意力分组单元 该单元基于注意力权重自适应地对特征进行分组，突破了固定窗口划分的局限性，使分组结果能够准确匹配数据的时空分布特征，并为后续IDGCN的时空联合建模筛选高价值的特征区域。 (a) 注意力权重计算 首先，使用轻量级卷积网络对输入特征进行降维和非线性变换，自适应地学习分组注意力权重。公式为： (3-16) 其中：是输入时空特征张量（是批次大小，是特征通道数，是电极节点数，是时间步长）；是通道降维卷积，将通道数从降到，降低计算开销的同时保留关键特征；是权重预测卷积，进一步将通道数压缩到2，输出两组的初始权重；沿通道维度进行归一化，使两组权重的和为1，保证特征能量守恒，最终得到注意力权重张量，其元素表示样本中属于第一组的电极和时间步长的特征的权重。 (b) 动态分组生成 基于学习到的注意力权重，对原始特征进行加权分组，得到两个互补的子空间特征。公式为： (3-17) (3-18) 其中，和分别是第一组和第二组的特征。这种分组方法的核心优势在于注意力权重随输入特征动态变化，可以自动关注与情绪相关的关键时空区域，抑制眼电和肌电等噪声干扰，为后续IDGCN的高效建模提供高信噪比的输入。 (b) IDGCN单元：时空联合建模的核心载体 该单元是该模块的核心计算单元。其设计目标是同时完成对单组特征的“时间依赖捕获 - 动态空间依赖建模 - 分组交互更新”。通过集成时间卷积、动态图卷积（DGCN）、门控机制和残差调整，实现时空特征的深度耦合和细化。