买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于自集成的脑卒中查体评估结果数据处理方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115050469B 。

龙图腾网通过国家知识产权局官网在2025-07-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210703244.0，技术领域涉及：G16H50/20；该发明授权一种基于自集成的脑卒中查体评估结果数据处理方法是由严杰;李巧勤;刘勇国;张云;朱嘉静;傅翀设计研发完成，并于2022-06-21向国家知识产权局提交的专利申请。

本一种基于自集成的脑卒中查体评估结果数据处理方法在说明书摘要公布了：本发明公开了一种基于自集成的脑卒中查体评估结果数据处理方法，包括以下步骤：S1、对评估结果文本信息进行预处理，包括以下子步骤：S11、文本分词；S12、构建词汇表：将每个患者的查体评估结果分词后使用词袋法构成一个词汇表；S13、将得到的词汇表嵌入到一个高维向量；S14、将高维向量进行二值化处理；S2、构建基于自集成的模型：将二值化处理后的高维向量分别输入BNN网络和XNOR‑NET网络进行训练，将两个网络得到的输出进行融合。本发明根据医生的查体评估结果对脑卒中偏瘫分期进行预测，通过引入模型自集成，能够减少模型损失，提高模型预测准确度。

本发明授权一种基于自集成的脑卒中查体评估结果数据处理方法在权利要求书中公布了：1.一种基于自集成的脑卒中查体评估结果数据处理方法，其特征在于，包括以下步骤： S1、对评估结果文本信息进行预处理，包括以下子步骤： S11、文本分词：将评估结果文本信息利用n-gram语言模型进行分词处理，得到的结果记为T1，…，Ti，…，Tg，Ti为第i个词，g为分词数量； S12、构建词汇表：将每个患者的查体评估结果分词后使用词袋法构成一个词汇表； S13、将得到的词汇表嵌入到一个高维向量；具体实现方法为：每个词Ti被分配给一个随机的d维双极的向量：HTi∈{-1,1}[d×1]； 将置换运算ρ对HTj应用j次，即ρjHTj，用ρjHTj表示词Tj在n-gram中的相对位置；将ρjHTj形成一个与每个词Tj的向量HTj相对应的向量，记为mj：将一个患者的查体评估中观察到的所有n-gram集合在一起，将n-gram统计信息嵌入到HD向量h中： 其中k为n-gram的总数，fi是第i个n-gram出现的频率； S14、将高维向量进行二值化处理；具体实现方法为：使用w和b分别表示连续句嵌入和二进制句嵌入，L表示h的维数，sign为符号函数；设置硬阈值s，根据对硬阈值的比较将b在每个维度的值转换为0或1，即wi大于s时bi为1，小于s时bi为0，其中i＝1,2,3,…,L，计算公式如下： bi、wi分别表示第i维的连续句嵌入和二进制句嵌入； S2、构建基于自集成的模型：将二值化处理后的高维向量分别输入BNN网络和XNOR-NET网络进行训练，将两个网络得到的输出进行融合；具体实现方法为： S21、分别使用BNN网络和XNOR-NET网络进行训练，输入为经过二值化处理的高维向量，训练得到特征数据； BNN网络包括顺连的卷积层、批归一化层、激活层、池化层和全连接层，XNOR-NET网络包括顺连的批归一化层、二进制激活层、卷积层、池化层和全连接层； 在训练阶段首先对每一个参与训练的样本进行两次前向运算：包含一次随机增强变换和一次模型的前向运算；由于增强变换是随机的，因此两次前向运算结果不同，得到两个不同的隐藏层的输出，导致网络的输出不同； 自集成损失函数由两部分构成；第一项由交叉熵构成，用来评估有标签数据的误差；第二项由两次前向运算结果的均方误差构成，用来评估全部的数据；其中，第二项含有一个时变系数，用来逐步释放此项的误差信号，由此来降低参数的不确定性；自集成损失函数如下： 其中B为超参数batch，G为输入的训练集，zi和为同一模型两次训练的输出，yi为样本i对应的标签，wt为依赖时间的加权函数，C为不同类别的数量； S22、融合两个模型的输出，生成混合样本表示：将BNN网络和XNOR-NET得到的输出进行融合来降低过置信度，提高模型精度；将第i个样本的输出表示为xi，随机混合第i和第j样本的输出xi和xj，以及和两个样本的one-hot标签和得到混合样本表示和标签 指混合之前的one-hot标签；α是一个从Ω到1.00的随机数，Ω设置在0.5以上； S23、计算损失函数：在进行融合后，将混合样本分别输入两个网络的全连接层进行预测，得到预测结果y，两个模型都使用KL散度损失作为损失函数LKL1和Lkl2，KL散度即相对熵，公式如下： 其中分别是BNN网络和XNOR-NET网络预测的输出，yj是真实值，G为训练集大小； 另外，使用损失函数LSE来最小化来自具有相同框架和输入的两个模型的输出差异，损失函数公式如下： 其中θ1和θ2为第一个模型和第二个模型的参数集，f代表神经网络模型，代表神经网络中随机抽样的神经元，D为均方误差； 总损失函数表示为L＝LKL1+LKL2+λ2LSE，其中λ2为一个正值，通过最小化总损失函数得到模型参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区（西区）西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。