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！

龙图腾网获悉上海交通大学申请的专利一种非相同标签空间的无监督部分对抗自适应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：CN119475091B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202411539903.7，技术领域涉及：G06F18/2415；该发明授权一种非相同标签空间的无监督部分对抗自适应方法及系统是由金衍瑞设计研发完成，并于2024-10-31向国家知识产权局提交的专利申请。

本一种非相同标签空间的无监督部分对抗自适应方法及系统在说明书摘要公布了：本发明涉及心电图分析技术领域，公开了一种非相同标签空间的无监督部分对抗自适应方法及系统，所述方法包括：构建深度学习诊断模型、特征提取器、特征分类器和全连接特征处理器；根据源域分类损失构造熵最小化损失函数；计算得到选择因子，根据所述选择因子调整源域数据在所述诊断模型训练中的权重；构建所述诊断模型训练过程中的最终损失函数，通过最小化所述最终损失函数优化所述特征提取器、特征分类器和全连接特征处理器。通过以上方法,实现了一种非相同标签空间的无监督部分对抗自适应系统，通过引入EL损失函数、选择因子和最终损失函数对模型进行对抗训练，能够有效提升深度学习模型的跨域迁移性能，保证模型在非相同标签空间的诊断性能。

本发明授权一种非相同标签空间的无监督部分对抗自适应方法及系统在权利要求书中公布了：1.一种非相同标签空间的无监督部分对抗自适应方法，其特征在于，包括如下步骤： S1：收集某标签空间的临床心电图数据集，构建深度学习诊断模型，同时构建基于所述诊断模型的特征提取器、特征分类器和全连接特征处理器； S2：将源域心电图输入所述特征分类器获得源域分类损失，将未标注数据集中的数据馈给所述特征分类器构造熵最小化损失函数； S3：根据输入诊断模型的源数据集和新输入的数据集计算得到选择因子，根据所述选择因子调整源域数据在所述诊断模型训练中的权重； S4：构建所述诊断模型训练过程中的最终损失函数，通过最小化所述最终损失函数优化所述特征提取器、特征分类器和全连接特征处理器； 在步骤S2中，将源域心电图输入所述特征分类器获得源域分类损失进一步包括： 所述源域分类损失CL公式通过计算样本被预测为属于某一类和不属于某一类的对数概率之和，衡量源域心电图特征在所述特征分类器中的分类损失，公式如下： 其中，表示所述特征分类器对输入数据处理后的输出属于的标签概率预测值，越接近真实标签损失值越小； 其次，将未标注数据集中的数据馈给所述特征分类器构造熵最小化损失函数进一步包括： 首先根据所述源域分类损失CL公式得到样本属于某一类别的概率所对应的对数似然值，其中，若，，认为；若，，认为； 采用熵最小化原理，衡量所述特征分类器在未标注数据上的分类效果，以此构造所述熵最小化损失函数EL，若概率分布比较集中，损失函数值越大，若概率分布比较均匀时，损失函数值较小，公式如下： 在步骤S3中，根据输入诊断模型的源数据集和新输入的数据集计算得到选择因子进一步包括：所述选择因子用于减少正向分类过程中标签类对应的源域数据的贡献，同时，在反向传播过程中，获得的贡献反过来应用于源域数据集样本，减少标签类中的源域数据在训练过程中对数据校准的影响，所述选择因子计算过程依次包括如下公式： 其中，表示输入数据，为特征分类器，表示数据输入所述特征分类器处理后的输出结果，表示源数据集， 表示新数据集，表示源数据集类别，表示新数据集类别，表示选择因子； 在步骤S4中，构建所述诊断模型训练过程中的最终损失函数进一步包括： 所述最终损失函数包括四部分，分别涉及不同的数据集、损失函数以及参数，公式表示如下： 其中，、λ表示权重系数，为所述特征分类器，为所述特征提取器，为所述全连接特征处理器，表示所述特征分类器的熵最小化损失函数，表示所述全连接特征处理器的熵最小化损失函数，表示所述选择因子,表示从源数据集中取出的样本，表示从新数据集中取出样本，表示源数据集类别,表示新数据集类别，表示所述特征分类器对输入数据处理后的输出属于的标签概率预测值。

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上海交通大学，其通讯地址为：200240 上海市闵行区东川路800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”。