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

龍圖騰網獲悉江西師范大學申請的專利基于表面信息時序特征的多動癥初篩方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120234674B 。

龍圖騰網通過國家知識產權局官網在2025-08-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510704215.X，技術領域涉及：G16H50/70；該發明授權基于表面信息時序特征的多動癥初篩方法及系統是由胡笑羽;姜嘉星;肖洪俊;李漢曦;董圣鴻設計研發完成，并于2025-05-29向國家知識產權局提交的專利申請。

本基于表面信息時序特征的多動癥初篩方法及系統在說明書摘要公布了：本發明公開了一種基于表面信息時序特征的多動癥初篩方法及系統，屬于神經網絡技術領域，包括：獲取并預處理眼動數據和面表數據，生成眼動特征和面表特征；對眼動特征和面表特征進行處理，以生成第一多動癥分類結果；對眼動數據和面表數據進行特征提取、融合處理，生成多個融合特征；根據多個融合特征，獲取秩正則化損失函數；基于秩正則化損失函數和預設的被試級交叉熵損失函數對被試級模型進行訓練，得到目標被試級模型；根據目標被試級模型，對融合特征進行處理，以生成第二多動癥分類結果。本發明通過實時捕捉眼動和面表數據，利用多模態融合算法實現高效、準確的多動癥篩查，顯著提升了篩查效率和準確性。

本發明授權基于表面信息時序特征的多動癥初篩方法及系統在權利要求書中公布了：1.一種基于表面信息時序特征的多動癥初篩系統，其特征在于，包括： 數據預處理模塊，用于獲取并預處理多個試次樣本的眼動數據和面表數據； 特征提取模塊，用于對每一所述試次樣本的所述眼動數據和所述面表數據分別進行特征提取，對應生成眼動特征和面表特征； 第一多動癥分類結果生成模塊，用于根據多模態融合Transformer層，對所述眼動特征和所述面表特征進行處理，以生成第一多動癥分類結果；其中，所述多模態融合Transformer層包括提取層、第一融合層、特征拼接層、第二融合層和分類層，所述根據多模態融合Transformer層，對所述眼動特征和所述面表特征進行處理，以生成第一多動癥分類結果的具體過程，包括：通過所述提取層分別對所述眼動特征和所述面表特征進行編碼處理，以生成眼動時序特征和面表時序特征；通過所述第一融合層將所述眼動時序特征和面表時序特征進行卷積提取，以生成第一融合特征；通過所述特征拼接層對所述眼動時序特征、面表時序特征和第一融合特征進行特征拼接，以生成第二融合特征；通過所述第二融合層對所述第二融合特征進行參數共享融合處理，以生成第三融合特征；通過所述分類層對所述第三融合特征進行分類處理，以生成第一多動癥分類結果；融合特征生成模塊，用于分別對每一所述試次樣本的眼動數據和面表數據進行特征提取、融合處理，以生成每一所述試次樣本對應的融合特征； 被試級模型訓練模塊，用于根據多個所述融合特征，獲取秩正則化損失函數，并基于所述秩正則化損失函數和預設的被試級交叉熵損失函數，訓練預設的被試級模型以得到目標被試級模型；其中，基于所述秩正則化損失函數和預設的被試級交叉熵損失函數，訓練預設的被試級模型以得到目標被試級模型的過程，包括：獲取多個所述融合特征的試次自注意力權重并排序，得到排序序列；對所述排序序列進行分組，得到高權重組和低權重組；根據所述高權重組和低權重組，構建秩正則化損失函數；根據預設的被試級交叉熵損失函數和預設的秩正則化損失函數，獲取總損失函數；基于所述總損失函數，對被試級模型進行訓練，以得到目標被試級模型； 第二多動癥分類結果生成模塊，用于根據所述目標被試級模型，對多個所述融合特征進行處理，以生成第二多動癥分類結果；其中，根據所述目標被試級模型，對多個所述融合特征進行處理，以生成第二多動癥分類結果的過程，包括：根據所述目標被試級模型，對多個所述融合特征進行試次自注意力權重處理和排序正則化處理，以生成第二多動癥分類結果。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人江西師范大學，其通訊地址為：330000 江西省南昌市高新技術開發區紫陽大道99號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。