Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 山东建筑大学;聊城大学;苏州国科康成医疗科技有限公司乔立山获国家专利权

山东建筑大学;聊城大学;苏州国科康成医疗科技有限公司乔立山获国家专利权

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!

龙图腾网获悉山东建筑大学;聊城大学;苏州国科康成医疗科技有限公司申请的专利一种基于多尺度核注意力机制的脑网络分析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:CN120541553B

龙图腾网通过国家知识产权局官网在2025-11-11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:202511036890.6,技术领域涉及:G06F18/232;该发明授权一种基于多尺度核注意力机制的脑网络分析方法是由乔立山;姜俊骥;周月莹;张丽梅;袭肖明;戴亚康设计研发完成,并于2025-07-28向国家知识产权局提交的专利申请。

一种基于多尺度核注意力机制的脑网络分析方法在说明书摘要公布了:本发明公开了一种基于多尺度核注意力机制的脑网络分析方法,包括以下步骤:对功能磁共振成像数据进行预处理,得到每个脑区的时间序列;利用皮尔逊相关性构建每个被试的初始功能脑网络作为模型的初始输入特征;基于多尺度核注意力机制的编码器对初始功能脑网络进行特征提取和分析;基于大脑模块性的先验知识,使用正交聚类的方式对基于多尺度核注意力机制的编码器的输出进行聚合和读出;分类层输出最终的识别结果。本方法在深度学习模型中以灵活性和解释性良好的方式捕获脑区之间的复杂交互关系,能有效构建高层次功能脑网络,为识别任务提供有价值的信息,并且能在提高识别性能的基础上有效探索生物标识物,具有重要的理论意义与实用价值。

本发明授权一种基于多尺度核注意力机制的脑网络分析方法在权利要求书中公布了:1.一种基于多尺度核注意力机制的脑网络分析方法,其特征在于包括以下步骤: 1数据预处理:使用DPARSF工具箱对磁共振仪器采集到的功能磁共振成像数据进行预处理; 2构建初始功能脑网络: 根据预处理得到的数据,利用皮尔逊相关性构建每个被试的初始功能脑网络,并将其作为模型的初始输入特征,表示为;皮尔逊相关性的计算公式如下: ; 其中,表示第个脑区和第个脑区的皮尔逊相关性,和分别表示和的平均值; 3基于多尺度核注意力机制的编码器对初始功能脑网络进行特征提取和分析: 基于多尺度核注意力机制的编码器被设计为由两条分支构成的并行结构,具体流程如下;首先,将初始功能脑网络输入到两个不同的多尺度核注意力模块中,分别使用不同的多尺度高斯核函数1、2计算脑区之间的相关性,得到两种注意力矩阵和,具体计算公式如下: 多尺度高斯核函数1: ; 多尺度高斯核函数2: ; 其中,表示由多尺度高斯核函数1计算得到的第个脑区和第个脑区之间的相关性,表示由多尺度高斯核函数2计算得到的第个脑区和其他任意脑区之间的相关性,和分别表示第个脑区和第个脑区的初始特征,表示任意脑区的初始特征,和是可学习的核参数,由于和可以取多个值,因此可学习的核参数有多个;两种不同的多尺度高斯核函数继承了普通高斯核函数强大的表征能力,从不同的视角建模了脑区之间的复杂交互关系,得到功能脑网络的高层次表示,并且多个可学习的核参数使建模过程更加灵活;此外,每一个核参数都与唯一的功能连接或脑区具有一一对应的关系;其中,多尺度高斯核函数1中的核参数与功能连接一一对应,多尺度高斯核函数2中的核参数与脑区一一对应;第个脑区与核参数对应,第个脑区与核参数对应;第个脑区和第个脑区之间的功能连接与核参数对应,第个脑区和第脑区之间的功能连接与核参数对应;在模型训练时,核参数自适应地学习和更新,能够识别有判别性的功能连接和脑区,为生物标识物的发现提供线索;通过softmax函数对两种注意力矩阵进行归一化操作,每条分支的线性层对初始特征进行投影,并分别与归一化之后的注意力矩阵相乘得到两个多尺度核注意力模块的输出和,公式如下: ; ; 其中,和表示两个归一化之后的注意力矩阵,和分别代表两条分支的投影矩阵; 接下来,和分别经过层归一化操作、残差连接和前馈网络进行进一步的特征提取,得到更新后的特征和;最后,将和两者在特征维度上进行拼接,得到基于多尺度核注意力机制的编码器的输出; 4对脑区特征进行聚合和读出: 基于大脑模块性的先验知识,使用正交聚类的方式对基于多尺度核注意力机制的编码器的输出进行聚合和读出;首先,设置大脑的功能模块个数,并使用Xavier初始化得到个聚类中心;随后,使用Gram-Schmidt方法得到正交聚类中心;具体公式如下: ; ; 接下来,使用投影算子得到分配矩阵;第个脑区被分配到第个聚类中心的概率由如下公式计算: ; 最后,分配矩阵的转置与相乘得到读出层的输出特征; 5分类: 将读出层的输出特征展平成一个向量后,输入到多层感知机中得到模型最终的识别结果。

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山东建筑大学;聊城大学;苏州国科康成医疗科技有限公司,其通讯地址为:250101 山东省济南市历城区临港开发区凤鸣路;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。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。