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！

龙图腾网获悉中南民族大学申请的专利一种功能连接网络的构建方法、系统及电子设备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：CN115760678B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202210954075.8，技术领域涉及：G06T7/00；该发明授权一种功能连接网络的构建方法、系统及电子设备是由唐奇伶;蔡碧莲;卢玉红;王艳设计研发完成，并于2022-08-10向国家知识产权局提交的专利申请。

本一种功能连接网络的构建方法、系统及电子设备在说明书摘要公布了：本发明公开了一种功能连接网络的构建方法、系统及电子设备，包括：利用变分自编码网络通过无监督学习的方式对每个大脑感兴趣区域建立多元高斯分布概率模型，利用Jensen‑Shannon散度计算任意两个脑区概率分布之间的相似性程度，得到成对脑区的邻接矩阵即为脑功能网络；采用双样本t‑检验来选择具有较高区分度的特征集，将选择的特征集输入支持向量机进行分类；将不同维度模型的特征集输入支持向量机分类器，并利用adaboost增强方式对多个分类器进行联合，得到一个更强的分类器。本发明采用生成学习的方式提高了轻度认知障碍诊断中群体数据的统计能力和观测数据可变性的泛化能力，并通过多维度模型的联合增强，进一步提高轻度认知障碍的诊断准确性。

本发明授权一种功能连接网络的构建方法、系统及电子设备在权利要求书中公布了：1.一种功能连接网络的构建方法，其特征在于，包括： S1：从ADNI数据库中选出符合标准的轻度认知障碍和正常对照组的rs-fMRI数据； S2：对选出来的rs-fMRI数据进行预处理，并使用AAL模板提取感兴趣区域的平均时间序列； S3：构建基于生成学习的脑功能网络，通过生成网络VAE得到各个脑区不同维度的高斯分布，利用Jensen-Shannon散度计算任意两个脑区概率分布之间的相似性程度，得到成对脑区的邻接矩阵； 具体包括： 步骤S31：以无监督学习的方式训练生成网络VAE； 所述步骤S31具体为： 以感兴趣区域ROI的平均时间序列作为输入，经过编码器得到潜在空间中的多元高斯分布； 使用重参数方式从所述潜在空间中采样得到向量； 将所述向量输入到解码器中，以重构原始数据或生成新数据； 生成网络VAE的损失函数由两部分组成，重构误差以及使潜在空间规则的正则化项，表示如下： 其中，是生成网络VAE的输入，即感兴趣区域ROI的平均时间序列；是生成网络的输出，即重构的结果；参数μx代表输入到生成网络VAE的平均均值、σx代表输入到生成网络VAE的协方差，函数DKL代表使潜在空间规则的正则化函数，N代表多元高斯分布； 步骤S32：使用训练好的生成网络VAE的编码器来获得相应脑区的多元高斯函数的均值和协方差； 令和为两个感兴趣区域ROI的概率密度函数，均是由生成网络VAE得到的且相互独立的多元高斯分布，则： 其中：是生成网络VAE的输入，即感兴趣区域ROI的平均时间序列，是第一脑区的多元高斯函数的均值，为第一脑区的多元高斯函数的协方差，是第二脑区的多元高斯函数的均值，为第二脑区的多元高斯函数的协方差，代表基于感兴趣区域ROI的多元高斯分布； 所述感兴趣区域ROI的概率密度函数的表达式为： 其中，是高斯分布的维数，是平均向量，是对角线元素为的协方差矩阵，x为ROI的平均时间序列，T代表转置； 步骤S33：采用Jensen-Shannon散度衡量两个基于感兴趣区域ROI的概率密度函数和之间的统计相似性，估计脑区的功能连接矩阵；所述Jensen-Shannon散度为Kullback-Leibler散度的变体，所述Jensen-Shannon散度定义如下： 其中，所述Kullback-Leibler散度由两个分布的均值和协方差矩阵表示，所述Kullback-Leibler散度的定义如下： 其中，tr·表示矩阵的迹，为Jensen-Shannon散度，DKL为Kullback-Leibler散度； S4：对得到的脑功能网络采用双样本t-检验来选择具有较高区分度的特征集； S5：利用adaboost增强方式对不同维度模型的特征集训练的支持向量机分类器进行联合，得到一个强分类器，利用所述强分类器对轻度认知障碍MCI进行分类诊断。

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中南民族大学，其通讯地址为：430074 湖北省武汉市洪山区民族大道708号、823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”。