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面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择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：CN119742050B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202411806508.0，技术领域涉及：G16H50/20；该发明授权面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法是由丁卫平;武倩楠;周天奕;樊晓雪;尹涛;耿胜;华启冲;戴稳豪设计研发完成，并于2024-12-10向国家知识产权局提交的专利申请。

本面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法在说明书摘要公布了：本发明提供了面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法，属于医学信息智能处理技术领域，解决了肺炎病因诊断中症状重叠、标签歧义以及数据特征冗余的技术问题。技术方案为：包括以下步骤S1，对患者的肺炎数据进行数据预处理；S2，以患者特征和病因标签为节点，构建贝叶斯网络以解决病因标签的消歧问题，并生成标签置信度矩阵；S3，基于邻域粗糙集计算每个特征对病因标签的依赖度；S4，结合显著性分析和冗余度约简，筛选最优特征集。本发明的有益效果为：本发明方法以肺炎诊断场景为应用背景，能够有效处理患者病因复杂性和数据冗余问题，既提高了诊断的可靠性与效率，又降低了计算成本，为实际临床诊断提供了技术支持。

本发明授权面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法在权利要求书中公布了：1.面向肺炎病因诊断的贝叶斯网络与粗糙集特征选择方法，其特征在于，包括以下步骤： S1、采集肺炎患者的多模态数据，包括症状数据、实验室检测结果和影像学检查特征，首先针对部分患者缺失的检测指标，采用统计方法进行补全，然后进行数据标准化，即将数值型特征归一化，像痰液颜色描述这种文本型特征编码为分类变量； S2、构建贝叶斯网络，节点包括输入特征和病因标签，解决患者病因标签的重叠与歧义问题，最后生成标签置信度矩阵； 所述步骤S2包括以下步骤： 步骤S2.1：定义变量之间的关系，根据肺炎数据集，首先令表示症状、实验室指标等特征的随机变量为C＝{c1,c2,c3,...,ci,...,cn}，其中ci为第i个肺炎特征，cn为第n个肺炎特征，n为特征的个数，令表示病因标签的随机变量为L，接着额外引入部分条件概率变量Ppartial，表示部分特征和目标标签之间的特殊关系；然后假设变量之间的关系，由于标签一般是由多个特征共同决定的，因此假设特征对标签有直接影响，特征C之间假设是条件独立，意味着每个特征在知道标签L之后，彼此之间不再有联系，而Ppartial独立于特征，但与标签L直接相关； 步骤S2.2：构建贝叶斯网络的图形结构，将变量定义为节点，根据第一步定义的变量之间的关系，特征C＝{c1,c2,c3,...,ci,...,cn}有指向标签L的有向边，表示特征会影响标签，特征之间没有边，它们是条件独立的； 步骤S2.3：确定每个节点的条件概率表，表示节点的概率分布，首先计算每个标签L的先验概率PL： 这个先验概率是指在不提供特征数据时，每个标签的概率分布； 接着计算每个特征的条件概率分布Pci∣L，即对于每个特征ci在给定标签L的条件下，各个特征的概率分布，假设ci满足正态分布，则： 其中μ为特征ci在标签L下的均值，σ为标准差，exp·为指数函数；由于特征之间是条件独立的，所以每个特征的概率只依赖于标签，则联合条件概率分布PC∣L公式为: 然后计算部分条件概率PpartialL，即样本对类别的部分标签概率，其概率值为0或1； 步骤S2.4：根据贝叶斯定理计算后验概率,结合第三步中的先验概率PL和条件概率PC∣L和部分条件概率PpartialL求解出后验概率PL∣∣C，Ppartial，由于特征是条件独立的，把定理进行简化为： 其中，L′表示某个标签，最后将每个样本的每个候选标签的后验概率作为标签置信度，构成标签置信度矩阵； S3、构建邻域粗糙集模型，将患者样本划分为多个邻域，根据标签置信度矩阵划分等价类，结合邻域和等价类计算特征依赖度，并将其最为特征评价指标； S4、根据依赖度得出特征的显著性，计算互信息和条件熵得到特征的冗余度，根据显著性和冗余度筛选出最优特征子集。

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。