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！

龙图腾网恭喜常州大学申请的专利一种多模态大脑影像特征学习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：CN114298180B 。

龙图腾网通过国家知识产权局官网在2025-06-24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：202111553816.3，技术领域涉及：G06V10/764；该发明授权一种多模态大脑影像特征学习方法是由焦竹青;陈思炜;石海峰;张宇涛;奚正涛设计研发完成，并于2021-12-17向国家知识产权局提交的专利申请。

本一种多模态大脑影像特征学习方法在说明书摘要公布了：本发明公开了一种多模态大脑影像特征学习方法，其步骤包括：对多模态大脑影像数据分别进行预处理，得到特征矩阵；计算每种模态数据特征间的相关系数，得到特征相关矩阵，进行线性融合得到特征相关正则化；对特征矩阵进行加权融合，计算特征相邻节点得到邻接矩阵，构建特征图拉普拉斯矩阵，得到特征结构正则化；将两种正则化嵌入到引入低秩约束的多任务模型中，进行特征学习，筛选具有良好表征特征向量；随后进行线性融合，使用支持向量机对训练集进行训练，利用测试集检验模型分类性能。本发明学习多模态大脑影像特征间的潜在关系和特征局部空间几何结构，筛选关联特征，提高特征学习解释性的同时提高分类性能。

本发明授权一种多模态大脑影像特征学习方法在权利要求书中公布了：1.一种多模态大脑影像特征学习方法，其特征在于，其步骤包括： 步骤1：从样本集中选取同一受试者的结构磁共振成像和正电子发射断层扫描成像，从结构磁共振成像中提取大脑感兴趣区域的平均灰质密度作为结构磁共振成像的特征，从正电子发射断层扫描成像中提取大脑感兴趣区域的葡萄糖代谢作为正电子发射断层扫描成像的特征； 步骤2：分别计算每种模态数据的特征之间的相关系数，得到对应的特征相关矩阵，并进行线性融合得到特征相关正则化；具体为： 分别计算每种模态数据特征之间的相关系数，定义矩阵i＝1,2,3…m，记录第i种模态的相关系数矩阵，其中p表示特征数；通过线性融合得到特征相关正则化，其计算公式为： 式中，tr·表示矩阵的迹范数，表示线性融合后的相关矩阵，其中m表示模态个数，则表示特征权重矩阵； 步骤3：对特征矩阵进行加权融合，计算特征相邻节点得到邻接矩阵，根据余弦距离方法，构建特征图拉普拉斯矩阵，得到特征结构正则化；具体为： 步骤3.1：对特征矩阵进行加权融合，具体为：将结构磁共振成像的特征矩阵X1和正电子发射断层扫描成像的特征矩阵X2分别进行标准化，随后进行加权融合，得到融合特征矩阵XF，其加权融合公式为： XF＝δ1X1+δ2X22 式中，X1和X2为特征矩阵，δ1和δ2为加权融合系数； 步骤3.2：根据融合后的特征矩阵XF，计算特征相邻节点，随后使用余弦距离法构建邻接矩阵H，其计算方法为： 式中，hij用来度量特征矩阵XF中第i列特征向量与第j列特征向量之间的相似性，Xi和Xj分别表示特征矩阵XF中第i列和第j列的特征向量； 步骤3.3：根据步骤3.2计算得到的邻接矩阵H，计算度矩阵S，进一步构造基于加权融合的拉普拉斯矩阵LF，其计算方法如公式4所示： LF＝S-H4 式中，是度矩阵，并且是一个对角矩阵，主对角线元素为邻接矩阵中每个特征的度； 步骤3.4：通过得到的拉普拉斯矩阵LF，进一步得到保持特征的局部空间几何结构的特征结构正则化，其计算公式如公式5所示： trWTLFW5 式中，为特征权重矩阵，tr·表示矩阵的迹范数； 步骤4：将特征相关正则化和特征结构正则化嵌入到引入低秩约束的多任务模型中，进行特征学习，得到特征学习模型；具体为： 使用迹范数近似低秩约束，在多任务学习模型基础上引入迹范数，并引入特征相关正则化以及特征结构正则化，得到一种基于特征相关与特征结构融合的多模态大脑影像特征学习模型： 式中，Yi表示第i种模态的标签，Xi为第i种模态的特征矩阵，wi中每行元素表示第i种模态下对应的特征权重值，α、β、γ为正则化参数且均为大于零的实数； 步骤5：通过特征学习模型筛选特征向量，对多模态数据提取到的特征进行线性融合，得到融合后的特征矩阵； 步骤6：将样本集融合后的特征矩阵划分为测试集和训练集，使用训练集对支持向量机进行训练并生成模型，利用测试集检验模型分类性能；采用训练好的模型分类得到特征向量。

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常州大学，其通讯地址为：213164 江苏省常州市武进区滆湖中路21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”。