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！

龙图腾网获悉四川大学华西医院申请的专利一种基于自适应搜索神经网络的心脏患者抑郁风险预测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：CN121281849B 。

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：202511855217.5，技术领域涉及：G16H50/30；该发明授权一种基于自适应搜索神经网络的心脏患者抑郁风险预测方法是由罗泽汝心;刘翔;田畯;张秀;陈秒;喻鹏铭;周南希设计研发完成，并于2025-12-10向国家知识产权局提交的专利申请。

本一种基于自适应搜索神经网络的心脏患者抑郁风险预测方法在说明书摘要公布了：本发明属于医疗领域，具体的说是一种基于自适应搜索神经网络的心脏患者抑郁风险预测方法，该预测方法包括以下步骤：数据预处理：对心脏患者的医疗特征数据进行预处理，采用Z‑score标准化方法，本发明通过两阶段自适应搜索自动选择最优隐藏层结构与激活函数，无需人工干预，能够根据不同数据集的特性动态调整结构，有效捕捉生理指标与抑郁症状之间复杂的潜在关联，克服传统模型对数据适配性不足的问题，从而提高了在心脏患者抑郁风险预测任务中的准确性；采用AFCNN针对医疗数据的特性进行优化处理，能够更好地适应心脏患者相关数据的特殊情况，在实际临床场景中保持稳定的预测精度，为心脏患者抑郁风险评估提供可靠依据。

本发明授权一种基于自适应搜索神经网络的心脏患者抑郁风险预测方法在权利要求书中公布了：1.一种基于自适应搜索神经网络的心脏患者抑郁风险预测方法，其特征在于，该预测方法包括以下步骤： S1、数据预处理：对心脏患者的医疗特征数据进行预处理，采用Z-score标准化方法，公式为：，其中，和为训练集特征的均值和标准差，将数据转换为统一数值范围，消除不同特征量纲影响；同时保存各特征的和值，用于后续测试集与实际临床数据的标准化处理； S2、构建自适应全连接神经网络： 网络架构：采用模块化、可配置的网络架构，包含输入层、两个可动态调整的隐藏层与输出层； 输入层：神经元数量固定为特征维度n，与输入特征数量严格一致，接收预处理后的医疗特征数据并转换为向量形式； 隐藏层： 第一隐藏层：负责对输入特征进行初步抽象，提取低层次特征关联，神经元数量候选值为n、2n或3n，选择依据是特征维度与复杂度的匹配性； 第二隐藏层：神经元数量可选0、0.5n或n，当选择0时，网络退化为单隐藏层结构；0.5n和n用于增强特征抽象能力； 输出层：神经元数量根据分类任务类型确定，二分类任务中神经元数量为1，采用sigmoid激活函数，输出患者存在抑郁风险的概率；多分类任务中神经元数量为类别数k，采用softmax激活函数，输出各类别风险的概率分布； S3、自适应训练机制： 阶段一：隐藏层结构寻优： 生成结构候选集：根据第一隐藏层与第二隐藏层的神经元数量候选值，生成9种隐藏层结构组合，候选集为： ，其中每个元组的第一个元素为第一隐藏层神经元数量，第二个元素为第二隐藏层神经元数量； 初始化训练参数：迭代轮数为正式训练的12，学习率与批量大小与正式训练一致，损失函数采用交叉熵损失，评估指标采用AUC； 逐一训练与评估：对结构候选集中的9种结构逐一进行训练与测试集评估，包括网络构建、模型训练、最优模型保存步骤，选择测试集AUC值最高的结构作为该结构的最优模型，并记录相关指标； 选择最优结构：比较9种结构的最优模型AUC值，选择AUC值最高的结构作为阶段一的最优隐藏层结构；若存在多个结构AUC值相同，则选择参数数量最少的结构； 阶段二：激活函数寻优： 确定基准结构：以阶段一选择的最优隐藏层结构为基准，固定隐藏层神经元数量； 生成激活函数候选集：包含7种常用隐藏层激活函数，即： {ReLU,LeakyReLU,PReLU,ELU,CELU,SELU,Hardswish}； 正式训练参数设置：迭代轮数设为预设的最大轮数，学习率、批量大小、损失函数、评估指标与阶段一相同，同时引入L2正则化抑制过拟合； 逐一训练与评估：对激活函数候选集中的7种函数逐一进行训练与测试集评估，包括网络构建、模型训练、训练日志记录步骤，实时记录训练过程中的各项指标； 选择最优激活函数与最终模型：比较7种激活函数对应的最优模型AUC值，选择AUC值最高的激活函数作为最优激活函数，其对应的最优模型即为AFCNN的最终模型；若存在多个激活函数AUC值相同，则选择计算复杂度最低的激活函数； S4、SHAP分析：基于博弈论中的Shapley值理论，将模型预测结果拆解为各特征的边际贡献，量化每个特征对预测结果的影响程度与方向，公式为： ； 其中ϕi是特征i的SHAP值，S是特征子集，不包括特征i，N是特征的总集，vS是特征集S的模型输出，vS∪{i}是特征集S加上特征i后的模型输出；根据SHAP值生成个体化解释报告，SHAP值为正表示该特征提升抑郁风险，为负则降低风险，绝对值越大说明特征影响越显著； S5、抑郁风险预测：使用训练好的AFCNN最终模型对心脏患者进行抑郁风险预测，根据输出结果判断患者是否存在抑郁风险以及风险程度。

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四川大学华西医院，其通讯地址为：610000 四川省成都市武侯区国学巷37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。