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！

龙图腾网获悉南通大学申请的专利一种融合信任损失和决策再分类的图卷积心脏病检测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：CN119763809B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202411877187.3，技术领域涉及：G16H50/20；该发明授权一种融合信任损失和决策再分类的图卷积心脏病检测方法是由丁卫平;戴稳豪;尹涛;陈红光;黄嘉爽;谢天;姜舒;张炜;耿胜;成晓天设计研发完成，并于2024-12-19向国家知识产权局提交的专利申请。

本一种融合信任损失和决策再分类的图卷积心脏病检测方法在说明书摘要公布了：本发明提供一种融合信任损失和决策再分类的图卷积心脏病检测方法。属于医学信息智能处理技术领域，解决了在心脏病检测中，不确定性数据影响分类精度的问题。其技术方案为：首先，采集心脏病信息数据样本集，然后，对上述数据进行预处理，构建邻接矩阵；接着，将处理过后的心脏病信息数据输入图卷积神经网络GCN进行模型的训练；最后，模型进入测试阶段，得到初步分类结果后进入决策层，根据阈值筛选出不确定节点信息，利用高斯核进行映射，使其在高维可分，达到再分类效果。

本发明授权一种融合信任损失和决策再分类的图卷积心脏病检测方法在权利要求书中公布了：1.一种融合信任损失和决策再分类的图卷积心脏病检测方法，其特征在于包括以下步骤： 步骤1：采集心脏病数据样本集，样本集包括心脏病特征信息、心脏病类别，给予每条数据唯一ID,利用相似度为每个ID选取邻居，构建邻接关系； 步骤2：对原始样本集进行预处理，将原始类别转换成独热编码标签，根据邻接关系构建稀疏邻接矩阵，并将心脏病样本集数据分为训练样本集、验证样本集和测试样本集； 步骤3：将上述训练样本集数据输入改进过后的图卷积神经网络，根据心脏病实际类别，对图卷积神经网络进行训练，在负对数似然损失函数基础上又融合了基于信任的自适应损失函数，并根据新的损失函数输出值，进行反向传播，更新模型参数； 所述步骤3包括如下步骤： 步骤3.1设置随机种子seed=42，训练总轮数epochs=200，学习率lr=0.01，丢弃率Dropout=0.5，设置模型进入训练模式，训练模式下，Dropout随机丢弃一部分神经元，将样本数据特征和邻接矩阵输入图卷积神经网络，公式如下： ； 其中,,，为输入层到隐藏层的权重，为隐藏层到输出层的权重，为个节点对应各类别的概率分布，隐藏层的非线性激活函数表示为： ； 输出层函数使用对数转换输出对数概率分布，公式如下： ； 其中是输入向量中的第个分量； 步骤3.2使用函数将对数概率分布，还原为普通概率分布，保留对数概率分布，计算表达式如下： 步骤3.3根据第个节点的概率分布对每个节点的最大概率和次大概率做差分，操作为： 得到最大差分矩阵，差值作为节点分类的信任值； 步骤3.4已知第个节点的对数概率分布，训练集样本索引，训练集样本数量，第个节点的真实类别标签，计算负对数似然损失，函数计算公式为： ； 步骤3.5利用最大差分矩阵，通过Hadamard乘积为负对数似然损失赋予自适应权重，得到信任自适应损失，损失函数公式如下： ； 将信任自适应损失函数与负对数似然损失函数融合，得到最终的损失函数，表示为： ； 节点信任越高，对模型的影响就越大，节点信任越低，对模型的影响就越小，对于具有不确定性质的节点，减少其对模型的干扰，提高模型对确定性质节点的分类能力，设置，根据损失值进行反向传播，更新模型参数，输出每轮训练的损失和分类准确度； 步骤4：将验证样本集数据输入模型，根据最后一轮验证的分类准确度计算出不确定分类节点阈值； 步骤5：将测试样本集输入训练好的模型，得出初步分类概率分布，概率分布进入决策层，根据不确定分类节点阈值筛选不确定节点的信息，使用高斯核函数对不确定节点进行再分类。

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南通大学，其通讯地址为：226000 江苏省南通市崇川区永福路79号1幢南通大学技术转移研究院；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。