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！

龙图腾网获悉东莞理工学院申请的专利一种基于松弛约束对称低秩表征的慢性病共病模式识别方法、装置、电子设备及存储介质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：CN119312046B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202411366929.6，技术领域涉及：G06F18/20；该发明授权一种基于松弛约束对称低秩表征的慢性病共病模式识别方法、装置、电子设备及存储介质是由刘志刚;李蔚凌;钟裕荣;吴昊设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本一种基于松弛约束对称低秩表征的慢性病共病模式识别方法、装置、电子设备及存储介质在说明书摘要公布了：本申请公开了一种基于松弛约束对称低秩表征的慢性病共病模式识别方法、装置、电子设备及存储介质，所述方法通过获取医疗数据资源，利用医疗数据资源构建慢性病共病网络，慢性病共病网络用于描述疾病间的相关性、影响力，对慢性病共病网络进行低秩表征学习挖掘输出其中的社区结构，运用社区划分机制识别共病网络中的社区结构，发掘共病模式，在学习目标中引入松弛对称约束能够很好地感知到网络的固有对称结构特性，而引入捕获局部拓扑特征的图正则化技术，有效保持了网络的固有几何结构特性。

本发明授权一种基于松弛约束对称低秩表征的慢性病共病模式识别方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种基于松弛约束对称低秩表征的慢性病共病模式识别方法，其特征在于，包括： 获取医疗数据资源，其中，所述医疗数据资源包括从检验、诊断、治疗、处方、电子病历、临床数据资源中梳理出的慢性病患病情况的数据记录； 利用医疗数据资源构建慢性病共病网络，其中，所述慢性病共病网络用于描述疾病间的相关性、影响力，可根据多源数据通过计算疾病或患者间相关性进行构建，所述多源数据包括患者基本信息以及检验、诊断、治疗、处方数据、电子病历、临床数据、组学大数据，其中，所述慢性病共病网络用图G＝V,E进行表示，V＝{vi|i∈{1,…,n}}表示包含n个疾病节点的集合，E＝{eij|i,j∈{1,…,m}}表示包含m条连边的集合；其中，邻接矩阵A＝[aij]用于表示和存储目标共病网络G，aij表示疾病节点vi和vj之间的交互关系，其数值等于Isi,sj； 对所述慢性病共病网络进行低秩表征学习挖掘输出其中的社区结构，其中，所述低秩表征学习采用松弛约束的对称非负矩阵分解算法得到目标网络的低秩表征矩阵；采用松弛约束的对称低秩表征方法表征所述共病网络包括： 设计目标函数，目标函数如下： 其中，A为所述共病网络对应的邻接矩阵；决策参数W和H代表可学习的特征矩阵，P和Q为辅助参数矩阵，其大小分别跟特征矩阵W和H相同；表示矩阵的F范数；λ为正值常数，代表图正则化项系数；Tr·用于计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵，引入辅助矩阵P和Q的目的是将决策参数W和H的训练和约束进行分离，实现松弛约束“W＝P,H＝Q,P＝Q”下的对称性表征，以及非负约束“P,Q≥0”下的数值特性表征； 构造增广拉格朗日函数，采用ADMM交替方向乘子法构造增广拉格朗日函数： 其中，A为所述共病网络对应的邻接矩阵；决策参数W和H代表特征矩阵，P和Q是跟特征矩阵W、H相同的辅助参数矩阵；表示矩阵的F范数；λ为正值常数，代表图正则化项的系数；Tr·计算矩阵的迹；L代表邻接矩阵A的拉普拉斯矩阵；°代表矩阵的Hadamard积；α、β和θ分别对应于三个惩罚项权重，控制其比例大小，P和Q的非负性可通过将它们的值域映射到非负空间而实现； 推导关于参数的更新规则，在ADMM优化框架下，令t和t+1分别表示参数的当前和更新迭代状态，运用更新规则迭代更新全部参数，直至达到收敛条件；其中，收敛条件为：1连续两次迭代训练后目标函数值差值绝对值小于0.1；2或迭代次数达到20次时停止；更新规则如下： 其中，表示梯度，η是梯度上升中的学习率，输出特征参数W、H、P和Q，并将Q作为社区划分指示矩阵； 运用社区划分机制识别共病网络中的社区结构，发掘共病模式。

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东莞理工学院，其通讯地址为：523000 广东省东莞市松山湖科技产业园区大学路1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”。