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！

龙图腾网获悉华南师范大学申请的专利患者的疼痛程度的识别方法、装置和疼痛程度识别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：CN119719932B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510011000.X，技术领域涉及：G06F18/2411；该发明授权患者的疼痛程度的识别方法、装置和疼痛程度识别系统是由梁艳;古幸怡;吴丽华;丘姗灵设计研发完成，并于2025-01-03向国家知识产权局提交的专利申请。

本患者的疼痛程度的识别方法、装置和疼痛程度识别系统在说明书摘要公布了：本发明涉及一种患者的疼痛程度的识别方法、装置和疼痛程度识别系统。一种患者的疼痛程度的识别方法，包括：判断待检测的疼痛数据的数据类型：若所述数据类型为生理信号类型，则采用多尺度卷积机制、压缩‑激励残差网络和变压编码器进行特征提取，并采用支持向量机对提取的信号特征进行疼痛分级，获得患者的疼痛程度；若所述数据类型为图像类型，则采用双分支特征提取机制对面部表情图像进行多尺度特征提取，并结合残差与注意力机制交替进行特征融合，并将融合后的特征图进行特征展平和疼痛程度映射，获得患者的疼痛程度。本发明所述的患者的疼痛程度的识别方法，具备基于生理信号疼痛分级高精确度和基于图像疼痛分级高准确度的优点。

本发明授权患者的疼痛程度的识别方法、装置和疼痛程度识别系统在权利要求书中公布了：1.一种患者的疼痛程度的识别方法，其特征在于，包括以下步骤： S1、判断待检测的疼痛数据的数据类型：若所述数据类型为生理信号类型，则执行步骤S2A；若所述数据类型为图像类型，则执行步骤S2B； S2A、对待检测的疼痛数据进行信号预处理，获得疼痛关键信号数据；其中，所述信号预处理为信号降噪操作； S3A、采用多尺度卷积机制对疼痛关键信号数据进行特征提取，获得初步的疼痛信号特征；其中，所述多尺度卷积机制包括大段卷积分支和小段卷积分支； 所述大段卷积分支通过步长为50且400×400的大卷积核，提取疼痛关键信号数据的全局特征； 所述小段卷积分支通过步长为6且50×50的小卷积核，提取疼痛关键信号数据的局部特征； S4A、采用压缩-激励残差网络对初步的疼痛信号特征进行全局空间特征提取，获得全局增强信号特征； S5A、采用变压编码器对全局增强信号特征进行序列特征提取，获得最终疼痛信号特征； S6A：采用支持向量机对最终信号特征进行疼痛分级，获得患者的疼痛程度，完成生理信号类型的疼痛分级； S2B、对待检测的疼痛数据进行图像预处理，获得面部疼痛表情图像； S3B、采用双分支特征提取机制对面部疼痛表情图像进行多尺度特征提取，并结合残差与注意力机制交替进行特征融合，获得局部优先特征图和全局优先特征图； 其中，所述双分支特征提取机制包括残差卷积局部特征提取分支和基于注意力的全局特征提取分支； 所述残差卷积局部特征提取分支设有若干层的残差卷积模块Residuali； 所述基于注意力的全局特征提取分支设有若干层的移动窗口注意力模块SwinTrans 当获得由第i层所述残差卷积模块Residual提取的局部特征图，以及第i层移动窗口注意力模块SwinTrans提取的全局特征图后，采用所述残差与注意力机制交替进行特征融合，其具体表示如下： finalFuse＝CBAMResfuse+Conv1×1fuse 式中，reshapeAttFeature表示将全局特征图AttFeature尺寸调整至与局部特征图ResFeature一致；||表示拼接操作，用于形成局部聚合特征图fuse表示第i层的聚合操作；finalFuse为第i层的最终融合特征图，表示为第i层不同分支的特征图完全融合后的特征图；Conv1×1表示卷积核为1x1的卷积操作；Res表示残差块； 当获得第i层的最终融合特征图后，将其融合返回至对应分支的特征图，其具体表示如下： AttFeature＝AttFeature+finalFuse ResFeature＝ResFeature+finalFuse 式中，AttFeature和ResFeature表示为分别与最终融合特征图finalFuse进行融合； S4B、将局部优先特征图和全局优先特征图进行融合，获得最终疼痛特征图； S5B、将最终疼痛特征图展平为一维向量，并将所述一维向量通过全连接层进行疼痛程度映射，获得患者的疼痛程度，完成图像类型的疼痛分级。

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华南师范大学，其通讯地址为：528225 广东省佛山市南海区狮山南海软件科技园华南师范大学人工智能学院；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。