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！

龙图腾网获悉湖南工商大学申请的专利一种因果驱动的无监督多模态小样本双循环数据融合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：CN121051708B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511607702.0，技术领域涉及：G06F18/25；该发明授权一种因果驱动的无监督多模态小样本双循环数据融合方法是由陈晓红;刘颂;曾阳艳设计研发完成，并于2025-11-05向国家知识产权局提交的专利申请。

本一种因果驱动的无监督多模态小样本双循环数据融合方法在说明书摘要公布了：本申请涉及一种因果驱动的无监督多模态小样本双循环数据融合方法，通过对各病灶样本的各模态数据分别进行预处理与特征维度对齐，得到对齐特征矩阵；基于对齐特征矩阵构建无向图，采用核独立分量分析、医疗先验以及因果一致性检验技术，构造出因果一致性样本对集合用以对集合进行特征提取网络的对比学习，输出因果增强特征并构建更新因果图；将更新因果图输入至动态融合权重计算模型计算出动态融合权重从而加权求和标准化后的因果增强特征，生成初步融合特征，并对初步融合特征进行筛选，将筛选出的有效融合特征输入至下游诊断模型修正更新因果图；对特征提取网络、动态融合权重计算模型、下游诊断模型进行全局微调，构建无监督小样本融合模型。

本发明授权一种因果驱动的无监督多模态小样本双循环数据融合方法在权利要求书中公布了：1.一种因果驱动的无监督多模态小样本双循环数据融合方法，其特征在于，包括： S1：获取各病灶样本的医学影像数据、电子病历文本数据、生理信号数据，并对各模态数据分别进行预处理与特征维度对齐，得到对齐特征矩阵； S2：基于对齐特征矩阵构建无向图，采用核独立分量分析筛选无向图中的无向边，并结合医疗先验确定无向边的方向，形成因果图；基于因果图和各模态数据，经过因果一致性检验，构造因果一致性样本对集合；基于因果一致性样本对集合进行特征提取网络的对比学习，输出因果增强特征，并基于因果增强特征构建更新因果图； S3：将更新因果图输入至动态融合权重计算模型计算出动态融合权重，基于动态融合权重加权求和标准化后的因果增强特征，生成初步融合特征，并对初步融合特征进行筛选，得到有效融合特征；将有效融合特征输入至下游诊断模型计算预测误差并修正更新因果图，将修正后的因果图反馈至步骤S2，指导下一轮样本生成和对比学习；计算动态融合权重的过程包括： 在动态融合权重计算模型中，提取更新因果图中任意两节点之间的因果路径的权重，因果路径包括直接因果路径、间接因果路径，直接因果路径为直接连接两节点的有向边，间接因果路径为间接连接两节点的一条路径，路径上包含至少两条有向边；直接因果路径的权重为对应有向边的第四边权重，间接因果路径的权重为间接因果路径上所有有向边的第四边权重的累乘；且两节点间的间接因果路径出现多条路径时，取路径上所有有向边的第四边权重的累乘结果最大的路径为间接因果路径； 计算任意一个节点到其余节点之间的因果路径的权重之和，作为对应节点的总因果影响力得分；对各节点的总因果影响力得分分别进行归一化处理，得到节点对应的动态融合权重，归一化公式为： ； 其中，表示第个病灶样本的第个模态对应的节点的动态融合权重；表示第个病灶样本的第个模态对应的节点的总因果影响力得分；表示第个病灶样本的第个模态对应的节点的总因果影响力得分； S4：基于对比损失、预测误差对特征提取网络、动态融合权重计算模型、下游诊断模型进行全局微调；重复步骤S2-S4，直至对比损失、预测损失以及因果图中边权重的差异均值满足设定收敛条件，构建出无监督小样本融合模型； S5：将待融合的多模态数据输入至无监督小样本融合模型，得到最终融合特征。

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湖南工商大学，其通讯地址为：410205 湖南省长沙市岳麓区岳麓大道569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。