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！

龙图腾网获悉中南大学申请的专利一种基于中药治疗的糖尿病并发症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：CN119446494B 。

龙图腾网通过国家知识产权局官网在2026-04-24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：202411553643.9，技术领域涉及：G16H50/20；该发明授权一种基于中药治疗的糖尿病并发症预测方法及系统是由薛松;郭瑞;邱冠周设计研发完成，并于2024-11-02向国家知识产权局提交的专利申请。

本一种基于中药治疗的糖尿病并发症预测方法及系统在说明书摘要公布了：本发明涉及数据挖掘技术领域，公开了一种基于中药治疗的糖尿病并发症预测方法及系统，其中，一种基于中药治疗的糖尿病并发症预测方法，包括：获取往期患者的医疗数据；基于往期患者的医疗数据生成训练数据集；通过训练数据集对并发症预测模型进行训练；获取待治疗患者的数据，进行预处理后输入并发症预测模型，并输出待治疗患者的并发症预测数据；本发明基于往期进行中药治疗的糖尿病患者的医疗数据来训练并发症预测模型，可有效的通过各中药处方的调整参数以及患者并发症的数据进行关联性学习，从而有效的获知一些中药成分对某些并发症的隐藏诱发因素，可有效的对患者并发症发生概率的控制以及预防，从而将中药对患者的影响降低至最小。

本发明授权一种基于中药治疗的糖尿病并发症预测方法及系统在权利要求书中公布了：1.一种基于中药治疗的糖尿病并发症预测方法，其特征在于，包括以下步骤： 步骤100、获取往期患者的医疗数据，基于往期患者的医疗数据生成历史数据库； 往期患者的医疗数据包括：患者基本信息、糖尿病病症信息、中药处方信息、并发症数据； 步骤200、对历史数据库进行预处理后生成训练数据库； 步骤300、构建并发症预测模型，通过训练数据集对并发症预测模型进行训练，生成训练后的并发症预测模型； 其中，并发症预测模型包括节点图生成层、第一隐藏层和输出层； 节点图生成层，基于训练数据集生成节点和边，一个节点表示一个患者，每个节点之间均有边； 第一隐藏层，其用于融合节点和边的信息来获得全局特征； 输出层，用于对全局特征进行线性变换来获取发生对应并发症的概率； 步骤400、获取待治疗患者的患者基本信息、糖尿病病症信息、中药处方信息，进行预处理后输入并发症预测模型，并输出待治疗患者的并发症预测数据； 对历史数据库进行预处理后生成训练数据库，具体包括以下处理步骤： 对患者基本信息、糖尿病病症信息、中药处方信息、并发症数据进行特征工程处理，生成患者基本信息特征编码、糖尿病病症信息特征编码、中药成分特征编码以及并发症特征编码； 对历史数据库进行预处理后生成训练数据库，还包括以下处理步骤： 对并发症数据进行标签构建，标签构建包括以下步骤： 读取患者数据：获取包含患者并发症信息的数据集； 检查并发症信息：根据具体字段，确定并发症是否存在； 生成标签：为每个患者创建相应的标签编码； 基于特征工程生成的患者基本信息特征编码、糖尿病病症信息特征编码、中药成分特征编码、并发症特征编码以及标签处理生成的标签编码，构建训练数据集； 节点集合表示为：，其中，表示第i个节点的节点特征向量，节点特征向量由特征工程生成的患者基本信息特征编码、糖尿病病症信息特征编码、中药成分特征编码、并发症特征编码以及标签处理生成的标签编码拼接构成； 第一隐藏层的计算公式为： ； 其中，表示输入特征矩阵，表示邻接矩阵与单位矩阵的和，表示的度矩阵，表示权重参数，表示激活函数； 输出层的计算公式为： ； 其中，B表示发生对应并发症的概率的向量表示，表示第二权重参数，d表示偏置参数，表示激活函数； 采用优化模型优化并发症预测模型的超参数，具体为： 1、定义目标函数： ； 其中，：目标函数，表示给定超参数θ时，模型在验证集上的准确率； θ：超参数向量，包含需要调优的超参数值； 2、选择超参数空间： 学习率：； 隐藏层维度：； 正则化参数； 图卷积层数L∈{1,2,3}； 3、构建优化模型： 优化模型的计算公式为： ； 其中，：核函数，表示超参数点和之间的相似性； l：长度尺度参数，控制超参数空间中相似性的范围，较小的l表示相似性迅速衰减，较大的l表示相似性衰减较慢； ：超参数向量之间的欧氏距离，反映了两个超参数点的差异； 4、基于优化模型的期望改进准则选择下一个超参数点： 期望改进准则的计算公式为： ； 其中，：期望改进，表示在超参数点θ处的期望改进量； ：当前最优的目标函数值，即在已评估的超参数中获得的最佳性能； ：代理模型在超参数点θ处的预测均值，表示对目标函数的估计； ：代理模型在超参数点θ处的预测标准差，表示对目标函数不确定性的度量； Φ：标准正态分布的累积分布函数，表示在给定均值和标准差下，目标函数值小于某个值的概率； ϕ：标准正态分布的概率密度函数，表示在给定均值和标准差下，目标函数值的密度； 5、根据采样策略选择的超参数点θ，评估目标函数，并更新优化模型； 6、重复步骤4和步骤5，直到满足停止条件，停止条件为达到最大迭代次数或目标函数值收敛，最大迭代次数的缺省值为50。

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中南大学，其通讯地址为：410017 湖南省长沙市岳麓山左家垅；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。