買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜中國科學(xué)院深圳先進技術(shù)研究院申請的專利監(jiān)測腦血流自動調(diào)節(jié)功能、訓(xùn)練目標模型的方法及裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114831615B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210200408.8，技術(shù)領(lǐng)域涉及：A61B5/026；該發(fā)明授權(quán)監(jiān)測腦血流自動調(diào)節(jié)功能、訓(xùn)練目標模型的方法及裝置是由吳棟;張攀登;劉嘉設(shè)計研發(fā)完成，并于2022-03-01向國家知識產(chǎn)權(quán)局提交的專利申請。

本監(jiān)測腦血流自動調(diào)節(jié)功能、訓(xùn)練目標模型的方法及裝置在說明書摘要公布了：本申請公開了一種監(jiān)測腦血流自動調(diào)節(jié)功能、訓(xùn)練目標模型的方法及裝置，屬于智能醫(yī)學(xué)技術(shù)領(lǐng)域。所述方法包括：基于動脈血壓信號與腦血流信號，確定用于表示待監(jiān)測的腦血流自動調(diào)節(jié)CA功能當(dāng)前狀態(tài)的第一傳遞函數(shù)分析TFA變量，動脈血壓信號為CA功能的輸入信號，腦血流信號為CA功能的輸出信號。基于第一TFA變量，通過目標模型確定CA功能是否損傷，目標模型能夠基于任意的CA功能對應(yīng)的TFA變量監(jiān)測任意的CA功能是否損傷，目標模型包括第一支路和第二支路，第一支路用于確定第一TFA變量的聚類損失，第二支路用于確定第一TFA變量的重構(gòu)損失。目標模型是基于重構(gòu)損失和聚類損失對模型進行訓(xùn)練得到的，相比于邏輯回歸模型，提高了監(jiān)測的準確性。

本發(fā)明授權(quán)監(jiān)測腦血流自動調(diào)節(jié)功能、訓(xùn)練目標模型的方法及裝置在權(quán)利要求書中公布了：1.一種監(jiān)測腦血流自動調(diào)節(jié)功能的方法，其特征在于，所述方法包括：基于動脈血壓信號與腦血流信號，確定用于表示待監(jiān)測的腦血流自動調(diào)節(jié)CA功能當(dāng)前狀態(tài)的第一傳遞函數(shù)分析TFA變量，所述動脈血壓信號為所述CA功能的輸入信號，所述腦血流信號為所述CA功能的輸出信號；基于所述第一TFA變量，通過目標模型確定所述CA功能是否損傷，所述目標模型能夠基于任意的CA功能對應(yīng)的TFA變量監(jiān)測所述任意的CA功能是否損傷，所述目標模型包括第一支路和第二支路，所述第一支路用于確定所述第一TFA變量的聚類損失，所述第二支路用于確定所述第一TFA變量的重構(gòu)損失；所述第一支路包括編碼模塊和深度嵌入式聚類模塊，編碼模塊包括N個具有不同感受野大小的卷積核的分支，所述N為大于或等于2的整數(shù)；所述第二支路包括所述編碼模塊和解碼模塊，所述解碼模塊包括N個具有不同感受野大小的卷積核的分支；所述目標模型是基于多組樣本數(shù)據(jù)中每組樣本數(shù)據(jù)對應(yīng)的第二TFA變量，對深度卷積嵌入式聚類模型進行迭代訓(xùn)練獲得，所述每組樣本數(shù)據(jù)包括樣本動脈血壓信號和樣本腦血流信號，每組第二TFA變量用于描述對應(yīng)CA功能的狀態(tài)；所述方法還包括：在每次迭代中，將多組第二TFA變量中的指定數(shù)量閾值組第二TFA變量作為所述深度卷積嵌入式聚類模型的輸入特征；分別通過所述編碼模塊中的多個分支中每個分支對所述輸入特征進行卷積處理，以實現(xiàn)對所述輸入特征的編碼，通過所述深度嵌入式聚類模塊對所述編碼模塊編碼處理后得到的特征進行聚類處理，并根據(jù)聚類結(jié)果進行所述第一支路的梯度反向傳播；分別通過所述解碼模塊中的N個分支中每個分支對所述編碼模塊編碼處理后得到的特征進行卷積處理；在所述第二支路中的每個分支上，采用跳躍連接方式將編碼模塊中的指定卷積層的卷積結(jié)果與所述解碼模塊中相同通道的卷積結(jié)果進行結(jié)合；將所述解碼模塊包括的每個分支輸出的卷積結(jié)果進行融合，得到特征重構(gòu)結(jié)果，并根據(jù)所述特征重構(gòu)結(jié)果進行所述第二支路的梯度反向傳播；在迭代訓(xùn)練滿足訓(xùn)練結(jié)束條件的情況下，將得到的深度卷積嵌入式聚類模型確定為所述目標模型。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人中國科學(xué)院深圳先進技術(shù)研究院，其通訊地址為：518000 廣東省深圳市南山區(qū)深圳大學(xué)城學(xué)苑大道1068號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。