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！

龙图腾网获悉齐鲁工业大学(山东省科学院)申请的专利基于频率感知横、纵向聚合的ICU患者死亡率预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：CN120526999B 。

龙图腾网通过国家知识产权局官网在2025-10-28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：202511012897.4，技术领域涉及：G16H50/30；该发明授权基于频率感知横、纵向聚合的ICU患者死亡率预测方法是由张维玉;刘阳;周小丁;孟肖扬;鹿文鹏设计研发完成，并于2025-07-23向国家知识产权局提交的专利申请。

本基于频率感知横、纵向聚合的ICU患者死亡率预测方法在说明书摘要公布了：本发明公开了一种基于频率感知横、纵向聚合的ICU患者死亡率预测方法，涉及自然语言处理领域。本发明先获取掩码特征矩阵和值域缩放因子矩阵；将获取的掩码特征矩阵和值域缩放因子矩阵输入至频率感知聚合及死亡率预测网络模型中，前向传播一次，输出预测的ICU患者死亡概率值；频率感知聚合及死亡率预测网络模型中的频率感知纵向聚合子层对特征重建模块输出的频率感知编码特征矩阵以及值域缩放因子矩阵进行频率感知纵向聚合操作；频率感知横向聚合子层对频率感知纵向聚合子层输出的纵向聚合表示与值域缩放因子矩阵进一步融合，生成具有特征之间语义关联与频率感知依赖信息的融合特征表示。本申请所述对死亡的预测更精准。

本发明授权基于频率感知横、纵向聚合的ICU患者死亡率预测方法在权利要求书中公布了：1.一种基于频率感知横、纵向聚合的ICU患者死亡率预测方法，其特征在于：包括以下步骤：基于待预测ICU患者的临床数据获取掩码特征矩阵和值域缩放因子矩阵；将获取的掩码特征矩阵和值域缩放因子矩阵输入至频率感知聚合及死亡率预测网络模型中，前向传播一次，输出预测的ICU患者死亡概率值； 掩码特征矩阵是基于频率感知输入矩阵进行掩码处理得到的，频率感知输入矩阵是基于值域缩放因子矩阵和连续特征矩阵进行频率感知融合得到的，值域缩放因子矩阵中的元素为不同临床特征在当前时间步及其历史时间步上的累计观测比例； 频率感知聚合及死亡率预测网络包括特征重建模块、频率感知纵向聚合子层、频率感知横向聚合子层，频率感知纵向聚合子层对特征重建模块输出的频率感知编码特征矩阵以及值域缩放因子矩阵进行频率感知纵向聚合操作；频率感知横向聚合子层对频率感知纵向聚合子层输出的纵向聚合表示与值域缩放因子矩阵进一步融合，生成具有特征之间语义关联与频率感知依赖信息的融合特征表示； 值域缩放因子矩阵的获取方式为：将观测指示矩阵按照时间维度进行统计，得到值域缩放因子矩阵； 观测指示矩阵中的矩阵元素为0或者1，若第t时间步的第d项临床特征存在原始临床特征值，则定义矩阵元素；否则，定义矩阵元素； 连续特征矩阵是通过对时序矩阵进行缺失补全得到的； 时序矩阵的矩阵元素为原始临床特征值或者NaN，其中，NaN表示临床特征缺失； 所述特征重建模块与Transformer结构区别仅在于：特征重建模块中的编码器输出端另外连接有一个输出层，输出层用于输出频率感知编码特征矩阵；特征重建模块用于对掩码特征矩阵进行编码，得到频率感知编码特征矩阵； 频率感知纵向聚合子层包括多层感知机和softmax层； 其中，频率感知纵向聚合子层中，多层感知机对频率感知编码特征矩阵中的每个元素进行非线性映射，获得频率感知编码特征矩阵中每个元素的高阶语义表示； 而后，将值域缩放因子矩阵中每一个临床特征对应的列向量与可学习参数β中对应的分量进行缩放，得到纵向频率偏置项矩阵B1； 而后，基于矩阵B1中各临床特征的纵向频率偏置项与相应的高阶语义表示相加，计算每个临床特征在所有时间步上的纵向注意力打分项； 而后，softmax层在时间维度上对每个临床特征的所有纵向注意力打分项进行归一化处理，得到每个临床特征归一化的纵向注意力权重； 最后，对每个临床特征，将其在所有时间步上的纵向注意力权重与频率感知编码特征矩阵中对应时间步的元素进行纵向频率感知聚合操作，得到该临床特征的子纵向聚合表示；而后，将所有临床特征的子纵向聚合表示按特征维度拼接，得到最终的纵向聚合表示； 频率感知横向聚合子层包括多层感知机和Softmax层； 其中，频率感知横向聚合子层中，多层感知机对每个临床特征的纵向聚合子表示进行非线性映射，得到其深层语义嵌入； 而后，将值域缩放因子矩阵中每一个时间步对应的行向量与可学习参数γ中对应的分量进行缩放，得到横向频率偏置项矩阵B2； 而后，基于矩阵B2中各临床特征的横向频率偏置项与其对应的深层语义嵌入，计算所有时间步上临床特征的横向注意力打分项； 而后，softmax层在特征维度上对所有时间步内各临床特征的横向注意力打分项进行归一化处理，得到每个时间步内所有临床特征归一化的横向注意力权重； 最后，将每个时间步内所有临床特征的横向注意力权重与对应的频率感知编码特征矩阵中的元素进行频率感知横向聚合操作，得到该时间步的子融合特征表示；而后，将所有时间步的子融合特征表示按时间维度拼接，得到最终的融合特征表示。

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齐鲁工业大学(山东省科学院)，其通讯地址为：250353 山东省济南市长清区大学路3501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”。

以上内容由龙图腾AI智能生成。