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！

龙图腾网获悉复旦大学申请的专利基于多模态信息的CIPN信息融合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：CN119405277B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202411609221.9，技术领域涉及：A61B5/00；该发明授权基于多模态信息的CIPN信息融合方法及系统是由于泽宽;郭诗尧设计研发完成，并于2024-11-12向国家知识产权局提交的专利申请。

本基于多模态信息的CIPN信息融合方法及系统在说明书摘要公布了：本发明提供了一种基于多模态信息的CIPN信息融合方法及系统，包括：评估待测人员的主观问卷；根据待测人员的行走视频评估行走速度和步态；评估待测人员的手指精细运动技能；评估待测人员的神经传导速度；评估待测人员的大脑功能；评估待测人员的大脑结构；根据主观问卷、行走速度和步态、手指精细运动技能、神经传导速度、大脑功能和大脑结构，构建信息融合。相较于传统的NCI‑CTCAE分级系统和EORTCQLQ‑CIPN20问卷，本发明克服了主观性和重复性问题，提高了诊断准确性和治疗效果。

本发明授权基于多模态信息的CIPN信息融合方法及系统在权利要求书中公布了：1.一种基于多模态信息的CIPN信息融合方法，其特征在于，包括： 步骤S1：评估待测人员的主观问卷； 步骤S2：根据待测人员的行走视频评估行走速度和步态； 步骤S3：评估待测人员的手指精细运动技能； 步骤S4：评估待测人员的神经传导速度； 步骤S5：评估待测人员的大脑功能； 步骤S6：评估待测人员的大脑结构； 步骤S7：根据主观问卷、行走速度和步态、手指精细运动技能、神经传导速度、大脑功能和大脑结构，进行信息融合； 在所述步骤S7中： 步骤S7.1：收集N个待测人员的评估指标组成数据集合P和待测人员CIPN严重程度等级Y： P＝{p1,...,pl…,pN}，Y＝{y1,...,yl…,yN}，其中，pl＝{sl1,sl2,sl3,sl4,sl5,sl6}T为第l个待测人员的各项评估指标，Y为N个待测人员CIPN严重程度等级数据矩阵，其大小为5×N，yl是第l个待测人员CIPN严重程度等级； 步骤S7.2：数据标准化，具体构建方式如下： 步骤S7.2.1：将上述N个待测人员的数据按照预设的比例划分训练集、验证集和测试集； 步骤S7.2.2：对上述所有数据进行归一化，公式如下： 其中，sij为第i个待测人员的第j个特征，i∈{1,2,3,...,N}，j∈{1,2,3,4}，snij为第i个待测人员的第j个归一化特征；sminj为第j个特征的最小值，smaxj为第j个特征的最大值； 步骤S7.3：使用Mamba模型对构建多分类模型： 步骤S7.3.1：对数据集合P中的每个待测人员i的特征向量pi＝{sni1,sni2,sni3,sni4,sni5,sni6}T进行嵌入处理，将其转换为高维特征表示hi； ‑使用线性变换将原始归一化特征映射到高维嵌入空间： hi＝We·pi+be其中，hi是嵌入后的特征向量，尺寸为d×1；We是嵌入层的权重矩阵，尺寸为d×6；be是嵌入层的偏置向量，尺寸为d×1；d是嵌入维度的大小； 应用多头注意力机制捕捉各个归一化特征sij之间的关系，增强特征表示； 对嵌入后的特征向量hi计算查询Q、键K和值V： Q＝Wq·hi,K＝Wk·hi,V＝Wv·hi其中，Q是查询向量，尺寸为d×1；K是键向量，尺寸为d×1；V是值向量，尺寸为d×1；Wq、Wk和Wv分别为查询、键和值的权重矩阵，尺寸均为d×d； 计算自注意力分数AttentionQ,K,V其中：d1是键向量的维度，用于缩放点积结果； 对于多头注意力机制，将上述操作扩展为多头，并行地计算多个注意力分数： MultiHeadQ,K,V＝Concathead1,…,headh·Wo其中，headi表示第i个注意力头的计算结果；Wo是输出的权重矩阵，尺寸为d×d； 步骤S7.3.2：神经原子袋:NBA特征提取在多头注意力机制后，引入NBA来提取局部和全局特征，对多头注意力处理后的特征向量通过一组可训练的原子映射层am进行非线性特征映射： 其中，am是原子级特征表示，尺寸为d2×1；Wa和ba分别为第m个原子映射层的权重矩阵和偏置向量；σ是ReLU非线性激活函数；d2是原子级特征的维度大小； 将所有原子级特征通过池化操作整合为全局特征表示： 其中，是通过神经原子袋提取的全局特征表示，尺寸为d2×1；k是原子映射层的数量；MaxPooling为最大池化层； 步骤S7.3.3：将经过多头注意力机制和神经原子袋提取后的特征向量：通过分类头进行CIPN严重程度等级的预测； 分类头通常为一个或多个全连接层，并使用Softmax函数输出类别概率： 其中，Wc是分类头的权重矩阵，尺寸为C×d2；bc是分类头的偏置向量，尺寸为C×1；是第i个待测人员的CIPN严重程度等级预测结果，尺寸为C×1；C为CIPN严重程度等级数； 步骤S7.3.4：模型训练与更新： 使用交叉熵损失函数对模型进行训练，通过反向传播算法更新模型参数，交叉熵损失函数公式为： 其中，yic是第i个待测人员在类别c上的真实标签；是第i个待测人员在类别c上的预测概率；C为CIPN严重程度等级数； 步骤S7.3.5：重复训练直至收敛重复执行步骤S7.3.1至步骤S7.3.4，逐步优化模型参数，直至验证集上的性能提升效率低于预设标准。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。