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！

龙图腾网获悉山东大学申请的专利基于机器学习与数据驱动的正颌外科手术风险评估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：CN119274806B 。

龙图腾网通过国家知识产权局官网在2025-07-15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：202411793265.1，技术领域涉及：G16H50/30；该发明授权基于机器学习与数据驱动的正颌外科手术风险评估系统是由李青;于静泽;刘迪;王鹤;庙百慧;张风河;刘广瑞设计研发完成，并于2024-12-09向国家知识产权局提交的专利申请。

本基于机器学习与数据驱动的正颌外科手术风险评估系统在说明书摘要公布了：本公开提供了基于机器学习与数据驱动的正颌外科手术风险评估系统，涉及医学与人工智能系统技术领域，包括：数据获取模块，用于获取待评估患者的正颌手术数据，风险评估系统，用于将预处理后的患者的正颌手术数据输入至风险分类模型，在所述风险分类模型中，采用基于循环一致性的生成对抗网络对正颌手术数据进行数据扩充；采用基于动态自适应振荡的神经网络对扩充后的数据进行特征提取；将提取的高维特征输入基于潜在空间映射的自编码器进行特征降维；将降维后的特征表示输入至基于模糊约束的支持向量机中，通过模糊隶属度函数和自适应量化扰动机制处理正颌手术数据特征表示中的不确定性和噪声，并输出最终的正颌手术风险评估辅助分类结果。

本发明授权基于机器学习与数据驱动的正颌外科手术风险评估系统在权利要求书中公布了：1.基于机器学习与数据驱动的正颌外科手术风险评估系统，其特征在于，包括： 数据获取模块，被配置为获取待评估患者的正颌手术数据，并预处理； 风险评估系统，被配置为将预处理后的患者的正颌手术数据输入至风险分类模型，得到正颌手术风险评估的辅助分类结果； 其中，在所述风险分类模型中，首先，采用基于循环一致性的生成对抗网络对正颌手术数据进行数据扩充；针对扩充后的正颌手术数据，采用基于动态自适应振荡的神经网络进行特征提取；再将提取的高维特征，利用基于潜在空间映射的自编码器进行特征降维，将输入的高维特征映射到低维的潜在空间表示，采用特征自适应优化机制，根据输入特征的统计特性和相关性进行编码器参数的动态调整，进一步捕获正颌手术数据的内在结构和模式；将降维后的特征表示输入至基于模糊约束的支持向量机中，通过模糊隶属度函数和自适应量化扰动机制处理正颌手术数据特征表示中的不确定性和噪声，并输出最终的正颌手术风险评估辅助分类结果； 采用特征自适应优化机制，编码器的参数根据输入特征的统计特性和相关性进行动态调整，更好地捕获特征提取后的正颌手术数据的内在结构和模式，表示为： 式中，为潜在空间的低维表示；为编码器的映射函数；为自适应激活函数； 进一步地，设，自适应激活函数的计算方式表示为： 式中，为自适应激活函数的输入，为特征自适应参数；为动态权重系数，取值范围在[0，1]，用于平衡两种激活函数的影响；是双曲正切函数；为ReLU激活函数；为ReLU激活函数的自适应参数； 进一步地，特征自适应参数的计算方式表示为： 式中，为参数的调节系数；为输入向量的均值，计算为，为输入向量的维度；为避免除零的微小常数；设置为0.2，设置为0.001； 进一步地，动态权重系数的计算方式表示为： 式中，为L2范数； 进一步地，ReLU激活函数的自适应参数的计算方式表示为： 式中，为自适应参数的学习率；为自适应参数的控制参数；为特征的偏度指标；设置为0.2； 进一步地，特征的偏度指标根据特征方差统计计算得到，表示为： 式中，为特征方差，为样本总数； 解码器接受来自编码器的低维潜在表示，通过逆向的非线性变换，尝试重构出原始的高维特征向量，表示为： 式中，为解码器重构的高维特征向量；为解码器的映射函数；为自适应激活函数； 将解码器输出的重构特征与原始输入特征进行比较，计算二者之间的重构误差，重构误差反映在降维和重构过程中信息的损失程度，计算方式表示为： 式中，为自编码器的重构损失；为解码器对第个样本的重构特征向量；为正则化参数；为自编码器权重的正则化项；为熵正则化系数，控制熵项对总损失的影响；为潜在空间的低维表示的熵项； 进一步地，自编码器权重的正则化项采用稀疏正则化和特征装饰项，以防止过拟合，促进自编码器权重的稀疏性，减少编码器权重向量之间的相关性，计算方式表示为： 式中，表示Frobenius范数，用于防止过拟合，促进模型的泛化能力；为自编码器的第一正则化系数；为自编码器的第二正则化系数；为编码器权重矩阵的第行第列的元素；为编码器权重矩阵的第行的元素；为编码器权重矩阵的第行的元素； 采用基于熵约束的潜在空间信息压缩策略计算潜在空间的低维表示的熵项，计算方式表示为： 式中，为第个样本在潜在空间第维的值；为样本总数；为潜在空间的低维表示的维度，也即降维后特征向量的维度；为对第个样本在潜在空间第维的值的概率密度函数； 进一步地，由于潜在表示是编码器的连续输出，需要对其概率密度函数进行估计，采用核密度估计方式进行计算，表示为： 式中，为带宽参数，控制核函数的平滑程度；为第个样本在潜在空间第维的值；为核函数；设置为2; 进一步地，核函数采用高斯核进行计算，表示为： 式中，表示函数的输入； 采用基于模糊约束的支持向量机作为分类器模型，分类器模型包括模糊化层、优化层以及决策层，所述模糊化层将输入的特征降维后的正颌手术数据进行模糊化处理，使得每个数据点不再是一个确定的值，而是由多个模糊值表示；优化层使用基于模糊约束的支持向量机的框架，建立优化模型，通过最大化类间间隔的同时，最小化类内差异来得到一个分类超平面，模糊化正颌手术数据使得分类超平面能够在存在噪声和不确定性时仍然保持较高的准确性；决策层基于优化层得到的超平面，进行决策推理，判断新的样本属于哪一类别，通过模糊推理机制，处理分类结果的不确定性，给出最终的分类结果； 最终得到决策超平面为，且得到的分类决策函数为： 式中，为新样本的分类结果；为新样本的模糊化特征；为符号函数，根据超平面的位置决定分类结果；为随机扰动项；为支持向量机的偏置项；为样本的权重向量；为每一个输入数据点，T为转置。

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东大学，其通讯地址为：250000 山东省济南市历下区文化西路44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”。