Nuestro trabajo se centra en la exploración de las relaciones internas de las señales en un sensor individual. En particular, abordamos el problema de no poder evaluar dichas relaciones intra-sensoriales debido a la falta de una representación de características ricas y explícitas. Para resolver este problema, proponemos una red de atención de gráficos, con un codificador de características de convolución de peso compartido para generar los segmentos de señal y aprender las relaciones internas entre ellos. Además, enriquecemos la representación de las características al utilizar un enfoque de múltiples cabezas al crear el gráfico de relaciones internas. En comparación con los enfoques de múltiples cabezas tradicionales, proponemos un mecanismo de múltiples cabezas basado en convolución más eficiente, que solo requiere de parámetros del modelo en comparación con el mejor valor de referencia de múltiples cabezas, como se demuestra en los experimentos. Además, es capaz de lograr un rendimiento de vanguardia en el conjunto de datos de electroencefalografía y mejorar la precisión en comparación con el mejor valor de referencia en un conjunto de datos de unidad de medición inercial (IMU).