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！

龙图腾网获悉南京航空航天大学申请的专利一种基于多数据中心的多模态脑网络特征分类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：CN116433964B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202310261251.4，技术领域涉及：G06V10/764；该发明授权一种基于多数据中心的多模态脑网络特征分类方法是由戚世乐;季一新;张道强设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本一种基于多数据中心的多模态脑网络特征分类方法在说明书摘要公布了：本发明公开了一种基于多数据中心的多模态脑网络特征分类方法，对多个不同数据中心的各模态脑影像数据进行预处理；提取预处理图像中的参数，构建各脑网络；将每个脑网络的上三角元素拼接并聚合为各连接聚合矩阵；将多个数据中心设定为目标域和源域；使用基于超图的多源领域自适应算法将源域中的样本分布转换为与目标域一致，并将其与目标域中的样本组合；使用基于局部有序结构的多任务特征选择算法进行特征选择；对选择出的判别特征采用基于多核学习的支持向量机算法进行分类。该方法降低了多中心脑网络特征分布的异质性；使用多核学习融合功能网络和结构网络以更好地辅助脑网络特征分类，对研究大脑的认知功能和结构的障碍具有重要的应用价值。

本发明授权一种基于多数据中心的多模态脑网络特征分类方法在权利要求书中公布了：1.一种基于多数据中心的多模态脑网络特征分类方法，其特征在于，包括以下步骤： 1采集多个不同数据中心的各模态脑影像数据，并分别进行预处理，得到各数据中心各模态的预处理图像； 2将得到的预处理图像基于标准化大脑分区模板进行脑区划分，均划分为N个脑区，每个脑区分别对应脑网络中的一个节点； 3分别提取各数据中心各模态预处理图像中的参数，分别构建各模态的脑网络； 4将每个脑网络的上三角元素拼接成一个维数为的连接向量；并将每个数据中 心的相同模态的所有连接向量组合成连接聚合矩阵； 5选择一个数据中心为目标域，其他数据中心为源域，对目标域和源域中连接聚合矩阵的连接向量分别划分训练集和测试集；使用基于超图的多源领域自适应算法为每个源域中的训练集求解得到一个转换矩阵，通过转换矩阵将多个源域中的连接向量分布转换为与目标域中的连接向量分布一致，并将转换后源域中的训练集与目标域中的训练集组合为最终的各模态连接训练集；基于超图的多源领域自适应算法中，第m个模态的目标函数如下所示： 3 式中，为矩阵的核范数，为矩阵的l2,1范数，tr.为矩阵的迹运算，为目标域训练集的特征矩阵，Dm为第m个模态的特征数，NT为目标域中训练集 的个数，为第i个源域训练集的特征矩阵，为第i个源域中训练 集的个数，为所有源域的重建系数矩阵，NS为所有源域中训练集的个数，为所有源域的误差矩阵，为第i个源域的转换矩阵，为超图拉普拉斯矩阵，τ和λ均为平衡三项的正则化参数； 目标函数求解的具体过程为：计算所有源域中训练集的超图G，求解出Lh，然后通过增广 拉格朗日乘子法求解式3，得到的最优解，通过将相应源域中的 数据转换至目标域； 对Lh进行求解，计算所有源域中训练集的超图G；GV,C,A由顶点的集合V，超边的集合C 以及各超边权重的集合A组成，每一条超边ci都被赋予一个权重aci，对于超图G，关联矩阵用于表示各顶点和超边之间的关联，定义如下所示： 4 在关联矩阵M的基础上，超图中各顶点的度和各超边的度的定义如下所示： 5 6 超图的拉普拉斯矩阵由式5和式6可得，如下所示： 7 式中，Lh是超图的拉普拉斯矩阵，I是单位矩阵，； 6使用基于局部有序结构的多任务特征选择算法在最终的各模态连接训练集中训练模型和选择特征；基于训练集训练的模型以及选择的特征，在目标域测试集中选出判别特征； 7对选择出的判别特征采用基于多核学习的支持向量机算法进行分类，最终得到分类结果。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。