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！

龙图腾网获悉太原理工大学申请的专利一种脑卒中数据分布规律智能分析方法及系统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：CN115116619B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202210855844.9，技术领域涉及：G16H50/70；该发明授权一种脑卒中数据分布规律智能分析方法及系统是由李凤莲;张雪英;陈桂军;黄丽霞;焦江丽;李晓辉;史凯岳;杜鹏设计研发完成，并于2022-07-20向国家知识产权局提交的专利申请。

本一种脑卒中数据分布规律智能分析方法及系统在说明书摘要公布了：本发明涉及一种脑卒中数据分布规律智能分析方法和系统。其中方法包括：获取脑卒中病例数据；对脑卒中病例数据进行ZCA白化处理得到白化处理数据；采用堆叠稀疏自编码器对白化处理结果进行降维处理，得到降维数据；采用深度强化学习优化的学习矢量量化聚类方法对降维数据进行聚类得到聚类结果；基于聚类结果生成脑卒中数据分布规律。基于这一方法本发明能够提高数据处理效率，进而提高脑卒中数据分布规律的生成效率和精确性。

本发明授权一种脑卒中数据分布规律智能分析方法及系统在权利要求书中公布了：1.一种脑卒中数据分布规律智能分析方法，其特征在于，包括： 获取脑卒中病例数据； 对所述脑卒中病例数据进行ZCA白化处理得到白化处理数据； 采用堆叠稀疏自编码器对所述白化处理结果进行降维处理，得到降维数据； 采用深度强化学习优化的学习矢量量化聚类方法对所述降维数据进行聚类得到聚类结果； 基于所述聚类结果生成脑卒中数据分布规律； 所述深度强化学习优化的学习矢量量化聚类方法为融入有深度强化学习的状态集和深度强化学习的动作集的学习矢量量化聚类方法；采用的强化学习为深度Q网络； 所述动作集的构建过程包括： 通过探索与利用机制得到动作集，设计了适用于该聚类方法的奖赏函数，以确定最大奖赏值所对应动作，每次迭代选择最大奖赏所对应动作来得到迭代后的聚类结果； 其中，奖赏函数设计： 式中，ai代表第i次迭代从动作集A＝{a1,a2，...,ai，...,aL}中选取的动作，代表执行动作ai后所得到质心与各类簇样本的平均距离，di代表第i次迭代原始LVQ各类簇样本与其质心平均距离； 所述动作集的选取过程为： 采用“探索”机制和“利用”机制选择性的挑选数据点与原型向量进行“拉近或远离”运算； 其中，“利用”机制的实现过程为：引入参数mz，在输入数据集中随机选取m个样本组成数据子集Xm，将该数据集中的m个数据与原型向量做“拉近”或“远离”运算得到一个动作；z为脑卒中数据集样本个数； “探索”机制实现过程为：引入参数vz，探索系数ε取0.1，在脑卒中数据集中随机选取v个样本组成数据子集Xv，将数据子集Xv中的所有数据与原型向量做“拉近”或“远离”运算得到一个动作； 如果样本xi与原型向量pj的标签相同，则进行“拉近”运算，“拉近”运算为：采用公式p′j＝xj+ηxi-xj对原型向量进行更新；式中，η为学习率，p′j为更新后的原型向量，xj为原型向量pj对应的属性值； 样本xi与更新后的原型向量p′j之间距离为： ||p′j-xi||2＝||xj+ηxi-xj-xi||2＝1-η*||pj-xi|| 如果样本xi与原型向量pj标签不相同，则进行“远离“运算，“远离”运算为：采用公式p′j＝xj-ηxi-xj对原型向量pj进行更新； 此时，xi与更新后的原型向量p′j之间距离为： ||p′j-xi||2＝||xj-ηxi-xj-xi||2＝1+η*||pj-xi||2。

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太原理工大学，其通讯地址为：030024 山西省太原市迎泽西大街79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”。