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！

龙图腾网获悉烟台大学申请的专利一种基于平衡邻居感知与度量学习的疾病风险预测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：CN120727290B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202511134014.7，技术领域涉及：G16H50/30；该发明授权一种基于平衡邻居感知与度量学习的疾病风险预测方法及系统是由李瑞;刘其成设计研发完成，并于2025-08-14向国家知识产权局提交的专利申请。

本一种基于平衡邻居感知与度量学习的疾病风险预测方法及系统在说明书摘要公布了：本发明涉及计算机疾病预测技术领域，尤其是涉及一种基于平衡邻居感知与度量学习的疾病风险预测方法及系统。方法包括：基于获取的医学临床统计数据集构建无向图；利用邻居感知策略对无向图进行数据平衡；构建双层GCN网络模型；利用平衡后的数据训练双层GCN网络模型；通过计算高阶邻接矩阵来评估节点间的深层影响力，本方法能够识别出那些在结构上与“患病”群体关联最紧密的病人，并提升其在训练中的地位。

本发明授权一种基于平衡邻居感知与度量学习的疾病风险预测方法及系统在权利要求书中公布了：1.一种基于平衡邻居感知与度量学习的疾病风险预测方法，其特征在于，包括： 获取医学临床统计数据集； 基于获取的医学临床统计数据集构建无向图； 利用邻居感知策略对无向图进行数据平衡； 构建双层GCN网络模型； 利用平衡后的数据训练双层GCN网络模型； 利用训练后的模型进行疾病风险预测； 所述基于获取的医学临床统计数据集构建无向图，包括设一个无向图，其中表示原始病人接触关系矩阵，代表个病人之间的接触关系，在原始病人接触关系矩阵中,=1表示第个病人与第个病人有过直接接触；若=0，则表示两个病人没有过直接接触，除原始病人接触关系矩阵外,表示特征矩阵，其中每一行代表一个病人的特征，为特征的维度,是部分已确诊病人的健康状况标签集，的值域为，是指属于健康状况类别的所有病人的索引集合； 所述利用邻居感知策略对无向图进行数据平衡，包括引入感知系数作为超参数，并计算每个健康状况类别需要纳入的目标病人数： ， 其中，是类别中的病人集合，是感知系数，为类别总数，利用邻居感知策略选择个在接触关系网络上与其关联最紧密的未确诊病人，并补充到该类别的训练集中，从而实现训练集的平衡； 所述利用邻居感知策略对无向图进行数据平衡，还包括为量化病人间的影响力并提取特征，邻居感知策略基于原始病人接触关系矩阵计算归一化病人接触关系矩阵，表示为： ， 其中，为的自环矩阵，为度矩阵，并将归一化邻接矩阵提升到次幂，以表示第阶邻居信息，表示为： ， 在第层中，病人的嵌入特征通过高阶接触关系矩阵与原始特征矩阵相乘得到，表示为：； 所述利用邻居感知策略对无向图进行数据平衡，还包括当邻居感知根据公式得到高阶接触关系矩阵后，则同时执行节点探索和嵌入特征计算，在归一化邻接矩阵中，每一行表示一个节点对其他节点的探索频率，通过计算风险关联度得分矩阵来评估每个未确诊病人受到特定类别的影响程度，表示未确诊病人受到患病类别中所有病人影响的累积得分，表示为： ， 其中为第类节点的索引集合； 所述利用邻居感知策略对无向图进行数据平衡，还包括利用邻居感知根据类别索引直接对进行行求和操作，得到，表示计数矩阵第行，表示为： ， 其中表示的第行，其中，对于患病类别，在其风险关联度行向量中选择得分最高的个未确诊病人的索引，并加入到类别的集合中，如果当前处理的类是第类，将新筛选出的高风险病人的嵌入特征和患病标签，添加到新的训练集，表示为： ， 其中和初始化为空集，表示包含个元素的标签集合，所有元素均为； 所述利用平衡后的数据训练双层GCN网络模型，包括引入三元组损失函数，通过拉近同类病人、推开异类病人的方式来调整少数类病人与其邻居的关系，关于病人间的特征距离函数，其中两个节点的特征，通过公式计算每对节点之间的余弦距离，表示为：在方法中，将少数类病人样本定义为锚点病人，对于每个锚点节点，从其中间表示开始，并将其1跳邻居的同类病人作为正样本，异类病人作为负样本，构建基于邻居的三元组损失对，相应的基于邻居的三元组损失函数定义为： ； 所述利用平衡后的数据训练双层GCN网络模型，还包括使用基于邻居的三元组损失函数来对重平衡后的训练病人数据进行拟合，表示为： ， 其中用于提取特征表示的神经网络。

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烟台大学，其通讯地址为：264003 山东省烟台市莱山区清泉路30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。