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！

龙图腾网获悉浙江大学申请的专利基于时频一致性对齐与形态对比约束的自监督预训练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：CN121260516B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202511823596.X，技术领域涉及：G16H50/70；该发明授权基于时频一致性对齐与形态对比约束的自监督预训练方法是由黄正行;陈志龙设计研发完成，并于2025-12-05向国家知识产权局提交的专利申请。

本基于时频一致性对齐与形态对比约束的自监督预训练方法在说明书摘要公布了：本发明公开了一种基于时频一致性对齐与形态对比约束的自监督预训练方法，包含：获取PPG数据集；构建以深度学习为基础的模型，包括时域编码器和频域编码器；采用两阶段训练策略对模型进行训练：定义总损失函数，总损失函数包含对比学习中时域一致性损失函数、频域一致性损失函数、时域频域一致性损失函数以及形态一致性损失函数；使用超参数搜索，在训练集上采用不同的超参数组合进行训练，并在验证集上评估其性能，选出最佳超参数组合，在测试集上应用经过最佳超参数训练的模型，获取对各类疾病的预测结果。本发明的基于时频一致性对齐与形态对比约束的自监督预训练方法，融合时域增强、频域建模与跨模态对比，提升模型在无标签情形下的表征能力。

本发明授权基于时频一致性对齐与形态对比约束的自监督预训练方法在权利要求书中公布了：1.一种基于时频一致性对齐与形态对比约束的自监督预训练方法，其特征在于，包含以下步骤： 获取PPG数据集，将其按比例划分为训练集、验证集和测试集； 构建以深度学习为基础的模型，该模型包括用于时域自监督预训练的时域编码器和用于频域自监督预训练的频域编码器，所述时域编码器用于提取时序特征，所述频域编码器用于提取频谱特征； 采用两阶段训练策略对模型进行训练： 在第一阶段，采用自监督学习分别对时域编码器和频域编码器进行预训练； 在第二阶段，冻结频域编码器的参数，仅对时域编码器进行微调训练，通过对比时域和频域的一致性以及时域间形态的一致性，实现数据在时域频域上的对齐以及在形态上的对齐； 定义总损失函数，总损失函数包含对比学习中时域一致性损失函数、频域一致性损失函数、时域频域一致性损失函数以及形态一致性损失函数，通过调节损失函数的权重，对模型进行优化训练； 使用超参数搜索，在训练集上采用不同的超参数组合进行训练，并在验证集上评估其性能，选出最佳超参数组合，在测试集上应用经过最佳超参数训练的模型，获取对各类疾病的预测结果； 时域编码器自监督学习时，将原始PPG信号输入时域编码器得到时域特征表示，对原始PPG信号进行数据增强后输入时域编码器得到时域特征表示，引入时域对比损失函数进行优化，鼓励同一信号的增强视图在特征空间中聚合，不同信号之间保持区分性； 所述时域一致性损失函数定义为： 其中，表示两特征表示的余弦相似度，为温度系数，分别表示批次内第个样本的时域特征表示以及数据增强后的时域特征表示，表示批次内第个样本数据增强后的时域特征表示，为正样本对，为负样本对； 频域编码器自监督学习时，将原始PPG信号进行连续小波变换得到频域表示，再输入至频域编码器得到频域特征表示，对频域表示施加频域扰动得到频域表示，再输入至频域编码器得到频谱特征表示，引入时域对比损失函数进行优化，鼓励同一信号的增强视图在特征空间中聚合，不同信号之间保持区分性； 所述频域一致性损失函数定义为： 其中，表示两特征表示的余弦相似度，为温度系数，分别表示批次内第个样本的时域特征表示以及数据增强后的频域特征表示，表示批次内第个样本数据增强后的频域特征表示，为正样本对，为负样本对； 为增强模型在时频空间中的结构一致性，引入时域频域一致性损失函数，鼓励时域表示与频域表示之间保持语义对齐； 所述时域频域一致性损失函数定义为： 其中，分别表示批次内第个样本的时域特征表示以及频域特征表示； 为增强模型对PPG周期结构的表征能力，引入形态一致性损失函数，约束模型输出保留节律特征； 所述形态一致性损失函数定义为： 其中，和分别表示批次内第个样本的形态特征表示以及数据增强后的形态特征表示； 模型总损失函数定义为： 其中，λ1-λ4分别为时域一致性损失函数、频域一致性损失函数、时域频域一致性损失函数和形态一致性损失函数的权重。

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浙江大学，其通讯地址为：310000 浙江省杭州市西湖区浙大路38号浙江大学玉泉校区；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。