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！

龙图腾网获悉西安交通大学医学院第一附属医院申请的专利基于物联网的心衰患者远程监测与预警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：CN120376195B 。

龙图腾网通过国家知识产权局官网在2025-12-05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：202510865988.6，技术领域涉及：G16H80/00；该发明授权基于物联网的心衰患者远程监测与预警系统是由梁琦;张永健;雷新军;郝翔设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于物联网的心衰患者远程监测与预警系统在说明书摘要公布了：本发明公开了基于物联网的心衰患者远程监测与预警系统，包括数据采集与预处理模块，用于采集多源生理与行为数据并进行预处理，生成输入样本集；特征评估模块，用于构建极端梯度提升树算法模型，获取特征重要性评分；特征筛选模块，用于执行递归特征消除流程，输出最优特征子集；风险判别模块，用于将最优特征子集输入极端梯度提升树算法模型，生成心衰风险评分；预警触发模块，用于触发预警并向患者与平台发送预警信息；反馈记录模块，用于生成反馈信息；动态优化模块，用于基于反馈信息更新输入样本集，重新训练极端梯度提升树算法模型与筛选特征。本发明融合极端梯度提升树与递归特征消除，实现心衰患者多源数据的精准评估与动态预警。

本发明授权基于物联网的心衰患者远程监测与预警系统在权利要求书中公布了：1.基于物联网的心衰患者远程监测与预警系统，其特征在于，包括如下模块： 数据采集与预处理模块，用于采集多源生理与行为数据并进行预处理，生成输入样本集； 特征评估模块，用于构建极端梯度提升树算法模型并训练，获取特征重要性评分； 特征筛选模块，用于执行递归特征消除流程，输出最优特征子集； 风险判别模块，用于将最优特征子集输入极端梯度提升树算法模型，生成心衰风险评分； 预警触发模块，用于根据心衰风险评分与预设风险阈值比较，触发预警并向患者与平台发送预警信息； 反馈记录模块，用于记录预警评分、预警等级与平台响应结果，生成反馈信息； 动态优化模块，用于基于反馈信息更新输入样本集，定期重新训练极端梯度提升树算法模型与筛选特征； 特征评估模块具体用于： S21、输入样本集为，其中表示第个样本的原始特征向量，表示对应的心衰风险标签，为样本数量； S22、构建输入特征间的图结构关系图，其中节点集合表示输入特征，边集合表示特征间的相关性边，边权根据特征之间的皮尔逊相关系数计算获得； S23、利用图卷积网络对结构化的输入样本集中的每个样本进行图结构嵌入处理，生成融合特征依赖关系的图结构嵌入向量； S24、将图结构嵌入向量与原始特征向量拼接，形成增强型输入向量，并构建增强型输入样本集； S25、基于增强型输入样本集，构建极端梯度提升树算法模型，所述极端梯度提升树算法模型由多个回归树组成，以增强型输入向量作为极端梯度提升树算法模型输入，通过迭代训练不断累加各回归树的输出，逐步逼近对应样本的心衰风险标签值； S26、基于增强型输入向量定义三阶近似的目标函数； ； 其中，、、分别表示损失函数关于模型预测值的第一阶、第二阶和第三阶导数，表示目标函数中的结构正则项，为第t轮回归树对第i个样本增强型输入向量的输出值，表示在第t轮训练中生成的第t棵回归树函数； S27、构建目标函数中的结构正则项； ； 其中，表示第棵回归树的叶节点数，为第个叶节点的预测权重，表示基于各叶节点样本数量计算的信息熵值，、、为结构正则系数； S28、将所有样本的初始预测值设置为常数项，并设定初始学习率为； S29、在第轮训练中，综合考虑当前模型残差下降速率、累计预测误差波动度以及上一轮心衰风险评分结果的动态区间宽度，动态计算自适应学习率，在极端梯度提升树算法模型训练过程中自适应控制更新步长； ； 其中，为初始学习率，、、为调控因子； S210、基于所述目标函数和所述结构正则项，在当前轮次中采用贪心分裂策略构建回归树，并以自适应学习率更新当前极端梯度提升树算法模型的预测输出； S211、重复执行步骤S25至S210，直至极端梯度提升树算法模型达到设定的回归树数量上限或目标函数满足收敛条件； S212、基于训练完成的极端梯度提升树算法模型中各输入特征对目标函数的增益贡献度，计算每个输入特征的特征重要性评分，输出特征重要性评分集合，其中M为特征维度； 所述特征筛选模块具体用于： S31、接收输入样本集，其中表示第个样本的原始特征向量，表示对应的心衰风险标签，为样本数量； S32、根据输出的特征重要性评分集合，引入特征分布一致性权重系数，计算加权评分向量，其中特征分布一致性权重系数通过计算特征在各子样本集中出现的分布差异度并归一化后获得： 其中，M为特征维度； S33、基于加权评分向量执行升序排序，选取得分最低的个特征，构建待剔除特征索引集合，从输入样本集中剔除待剔除特征索引集合对应的特征，构建第一轮特征子集样本集； S34、将第一轮特征子集样本集输入至极端梯度提升树算法模型中进行训练，输出对应的特征重要性评分向量； S35、对待剔除特征索引集合中的每个特征，计算对极端梯度提升树算法模型目标函数的边际影响量； S36、设当前迭代轮次为，基于上一轮特征子集样本集和特征重要性评分向量，执行以下步骤： 根据边际影响量，计算特征保留评分； ； 其中，为特征融合权重，为第t-1轮迭代中第j个特征在极端梯度提升树算法模型中计算得到的特征重要性评分； 结合特征保留评分和特征分布一致性权重系数，执行分层剔除策略，构建新一轮特征子集样本集； 将新一轮特征子集样本集输入至极端梯度提升树算法模型中进行训练，输出对应的特征重要性评分向量； 计算本轮极端梯度提升树算法模型性能指标； S37、判断是否满足迭代终止条件，若满足则终止递归特征消除流程，否则令，返回步骤S36继续执行，所述迭代终止条件包括： 当前特征子集样本集中的输入维度小于设定的最小特征维度； 极端梯度提升树算法模型性能下降幅度满足，其中为性能容差阈值； S38、将迭代终止轮次记为，提取当前保留的特征索引集合，作为最终的最优特征子集； S39、根据特征索引集合，对结构化输入样本集中所有样本执行特征映射，生成最终输入样本集； 所述风险判别模块和预警触发模块具体用于： S41、接收最终输入样本集，其中，表示第个样本在所选最优特征子集维度下的输入特征向量，表示对应的心衰风险标签，为样本数量； S42、将所述最终输入样本集中每一个样本的最优特征向量输入至构建并训练完成的极端梯度提升树算法模型，执行心衰风险的分类判别处理过程，输出每个样本在设定时间窗口内的心衰风险评分值，构成心衰风险评分结果； S43、将全部样本对应的心衰风险评分值构成风险评分向量，其中表示第个样本在所述分类判别处理过程中的心衰风险评分结果； S44、设定多级风险阈值集合，其中，满足，表示第个风险等级对应的评分下限阈值，共构建个风险等级区间； S45、针对风险评分向量中的任一评分，判定在所设定多级风险阈值集合中所属的风险等级区间，存在唯一一个风险等级标签，满足不等式，并将风险等级标签作为第个样本的心衰风险等级输出； S46、将全部样本对应的风险等级标签组成风险等级标签向量，其中表示与输入特征向量对应的心衰风险等级结果； S47、设定预警触发的风险等级阈值，当任一风险等级标签时，立即触发预警流程，启动心衰风险应急响应程序； S48、将满足预警条件的样本索引组成预警触发样本集合，并针对预警触发样本集合中每个样本的对应患者终端设备与医疗服务平台，发送包含风险等级标签、风险评分值与时间窗口信息的预警信号和预警信息包； S49、记录每一次预警事件对应的样本编号、心衰风险评分值、风险等级标签、发送的患者终端设备编号及医疗平台返回的预警响应处理信息，构建反馈信息。

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西安交通大学医学院第一附属医院，其通讯地址为：710061 陕西省西安市雁塔西路277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。