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！

龙图腾网获悉山西大学申请的专利一种基于增广判别信息的EHR数据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：CN116230244B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202211406480.2，技术领域涉及：G16H50/70；该发明授权一种基于增广判别信息的EHR数据分析方法及系统是由白亮;崔文涛;杜航原设计研发完成，并于2022-11-10向国家知识产权局提交的专利申请。

本一种基于增广判别信息的EHR数据分析方法及系统在说明书摘要公布了：本发明公开了一种基于增广判别信息的EHR数据分析方法及系统，属于人工智能及数字医疗技术领域。本发明所述系统包括计算机处理器、内存及图形处理器；多模态EHR数据存储单元；多模态EHR数据预处理单元；多模态对比学习深度网络模型训练单元；多模态对比学习深度网络模型存储单元及下游任务单元。通过上述系统本发明首先构建了一个数据量大、数据内容丰富的多模态EHR数据集，其次设计了一个可以有效利用无标签EHR图像数据与EHR文本数据的基于增广判别信息的EHR数据分析方法，该方法能从EHR数据中提取到包含更多判别信息的特征表征向量，从而利用该特征表征向量提高医疗数据的利用率、提升下游医疗任务精确度。

本发明授权一种基于增广判别信息的EHR数据分析方法及系统在权利要求书中公布了：1.一种基于增广判别信息的EHR数据分析方法，其特征在于，包括以下步骤： S1、构造多模态EHR数据集，提取多模态EHR数据集中配对的图像、文本数据样本组成初始样本对； S2、对步骤S1中初始样本对中的图像、文本数据样本进行增广预处理得到图像增广样本及文本增广样本； S3、构建并初始化多模态对比学习深度网络模型中的各网络模块； 所述步骤S3具体包括以下步骤： S31、构建并初始化图像骨干网络，即图像编码器网络；图像骨干网络的主体为ResNet-50模型，区别在于将ResNet-50模型中最后一层用于分类的线性层神经网络替换为恒等映射层神经网络；此外，本方法选择未被训练的ResNet-50模型，构建模型之后将其参数进行随机初始化； S32、构建并初始化文本骨干网络，即文本编码器网络；文本骨干网络为Bert模型；本方法选择未被训练的Bert模型，构建模型之后将其参数进行随机初始化； S33、构建并初始化图像投影头网络，即多层感知机网络；图像投影头网络为多层非线性感知机网络模型，包括线性层、BatchNorm归一化层、ReLU非线性激活层、线性层及BatchNorm归一化层，表示为，其中，及为图像投影头网络中可训练参数； S34、构建并初始化文本投影头网络，即多层感知机网络；文本投影头网络为多层非线性感知机网络模型，包括线性层、BatchNorm归一化层、ReLU非线性激活层、线性层及BatchNorm归一化层，表示为，其中，及为文本投影头网络中可训练参数； S35、构建并初始化图像特征放大器网络，即多层感知机网络；图像特征放大器网络为多层非线性感知机网络模型，包括线性层、BatchNorm归一化层、ReLU非线性激活层、线性层及BatchNorm归一化层，表示为，其中，及为图像特征放大器网络中可训练参数； S36、构建并初始化文本特征放大器网络，即多层感知机网络；文本特征放大器网络为多层非线性感知机网络模型，包括线性层、BatchNorm归一化层、ReLU非线性激活层、线性层及BatchNorm归一化层，表示为，其中，及为文本特征放大器网络中可训练参数； S37、多模态对比学习深度网络模型整体使用Adam优化器，初始化Adam优化器包括设置初始学习率及权重衰减率；同时，设置模型的训练轮数，达到训练轮数后停止训练模型 S4、使用步骤S2中得到的图像增广样本、文本增广样本通过Adam优化器、多轮小批量迭代优化方式对步骤S3中的多模态对比学习深度网络模型进行训练，保存最优多模态对比学习深度网络模型； 所述步骤S4具体包括以下步骤： S41、将小批量图像增广样本、文本增广样本分别输入到图像骨干网络与文本骨干网络中，得到样本特征表征，其中为批量大小，表示第对增广样本特征表征，表示第个图像增广样本特征表征，表示第个文本增广样本特征表征； S42、将小批量图像样本特征表征、文本样本特征表征分别输入到图像投影头网络与文本投影头网络中，得到样本特征嵌入，其中为批量大小，表示第对样本特征嵌入，表示第个图像样本特征嵌入，表示第个文本样本特征嵌入； S43、生成小批量随机高斯噪声向量，其中为批量大小，表示第个高斯噪声向量，以单个随机高斯噪声向量为例，将均分为上下两部分，记为、；重组与生成图像重构特征嵌入、重组与生成文本重构特征嵌入； S44、将小批量图像重构特征嵌入、文本重构特征嵌入分别输入到图像特征放大器网络与文本特征放大器网络中，得到重构样本特征表征，其中为批量大小，表示第对重构样本特征表征，表示第个图像重构特征表征，表示第个文本重构特征表征； S45、使用小批量图像样本特征嵌入、文本样本特征嵌入计算双向对比损失，损失定义如式1、2所示： ，1 ，2 其中表示图像样本为锚点，文本样本为正、负例的对比损失；表示文本样本为锚点，图像样本为正、负例的对比损失；为温度超参数； 使用小批量图像重构特征表征、文本重构特征表征计算双向增广信息损失，具体定义如式3、4所示： ，3 ，4 其中表示图像重构特征表征为锚点，文本重构特征表征为正、负例的增广信息损失；表示文本重构特征表征为锚点，图像重构特征表征为正、负例的增广信息损失； 计算单步总训练损失以训练网络参数，总训练损失定义如式5： ，5 其中为一个渐增的系数； S46、重复步骤S41-步骤S45，训练多模态对比学习深度网络模型至结束，保存最优多模态对比学习深度网络模型中的图像骨干网络和文本骨干网络； S5、使用步骤S4中最优的多模态对比学习深度网络模型提取下游任务数据集的样本特征表征向量，应用该特征表征向量进行下游医疗任务。

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山西大学，其通讯地址为：030006 山西省太原市坞城路92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”。

以上内容由龙图腾AI智能生成。