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！

龙图腾网获悉华中科技大学同济医学院附属协和医院申请的专利一种慢性Doc患者的预后预测方法及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：CN120048519B 。

龙图腾网通过国家知识产权局官网在2026-03-17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：202510129602.5，技术领域涉及：G16H50/30；该发明授权一种慢性Doc患者的预后预测方法及系统是由李炳;付朋;王羡科;姜晓兵;赵洪洋设计研发完成，并于2025-02-05向国家知识产权局提交的专利申请。

本一种慢性Doc患者的预后预测方法及系统在说明书摘要公布了：本发明提供了一种慢性Doc患者的预后预测方法及系统，涉及临床预后评估技术领域，通过收集神经影像学、神经电生理数据、生化指标和临床资料等多模态数据，进行标准化处理和特征提取，融合空间特征、时间序列特征及关键特征。结合训练好的意识状态分级评估模型与预后预测模型，生成特征级数据集，精准预测患者意识状态分级及预后发展趋势。本发明有效整合多模态数据的互补信息，提升预后预测的准确性与可靠性，为临床决策、个性化治疗及医疗资源优化提供科学支持。

本发明授权一种慢性Doc患者的预后预测方法及系统在权利要求书中公布了：1.一种慢性Doc患者的预后预测方法，其特征在于，包括： 收集慢性Doc患者的多模态数据，并分别对各个类型的所述多模态数据进行标准化处理，得到标准化数据集；所述多模态数据包括：神经影像学数据、神经电生理数据、生化指标和临床资料； 对所述标准化数据集中的各类型数据进行特征提取，得到神经影像学数据对应的空间特征、神经电生理数据对应的时间序列特征以及生化指标和临床资料对应的关键特征； 对所述空间特征、所述时间序列特征和所述关键特征进行特征融合，得到融合特征向量； 将所述融合特征向量输入至训练好的意识状态分级评估模型中，得到分类结果和模型中间层特征； 将所述分类结果作为标签，结合模型中间层特征生成特征级数据集； 将所述特征级数据集输入至训练好的患者预后预测模型中，得到预测结果； 对所述标准化数据集中的各类型数据进行特征提取，得到神经影像学数据对应的空间特征、神经电生理数据对应的时间序列特征以及生化指标和临床资料对应的关键特征，包括： 对神经影像学数据，使用卷积神经网络提取空间特征； 对神经电生理数据，使用时频分析提取时间序列特征； 对生化指标和临床资料，采用随机森林算法提取关键特征； 对神经电生理数据，使用时频分析方法提取时间序列特征，包括： 利用短时傅里叶变换方式提取时频特征；所述时频特征的表达式为：；其中，为原始的神经电生理数据，为时间窗函数，为时间点，表示信号在不同时间段的局部频谱，为频率，表示信号的频率分量，为时频特征，表示信号在每个时间点的频率分布，是窗函数的宽度，动态调整为：，为调整参数，用于控制窗宽对信号幅值的敏感性； 根据所述时频特征提取功率谱密度，并对所述功率谱密度进行归一化，得到归一化功率谱密度；所述功率谱密度的表达式为：；其中，为功率谱密度，表示信号在时间和频率上的能量强度；所述归一化功率谱密度的表达式为：；其中，分别为分析频率范围的最小值和最大值，为归一化功率谱密度； 根据短时多尺度熵进行非线性特征分析，得到频率加权多尺度熵；其中，所述短时多尺度熵的表达式为为；其中，为在时间和时间尺度上的短时多尺度熵，用于量化信号的复杂性，反映神经电生理信号的动态变化模式，为时间尺度，表示窗口的大小，为在时间尺度上，信号的概率分布；所述频率加权多尺度熵的表达式为：；其中，为在频率上的短时多尺度熵，为频率权重函数，根据特定频段的重要性自适应调整，为所述频率加权多尺度熵； 将所述归一化功率谱密度转化为时频加权特征；所述时频加权特征的表达式为：；其中，为频率加权项，当时，强调高频分量，当时，强调低频分量，－为时频加权特征，表示时频特征在时间维度上的投影；，为神经电生理数据的信号局部标准差，为神经电生理数据的信号局部均值； 将所述时频特征、所述归一化功率谱密度、所述频率加权多尺度熵和所述时频加权特征进行多维特征拼接，得到融合后的时间序列特征。

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华中科技大学同济医学院附属协和医院，其通讯地址为：430022 湖北省武汉市解放大道1277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。