CN112397202B - 一种青少年儿童身高生长曲线的预测方法 - Google Patents
一种青少年儿童身高生长曲线的预测方法 Download PDFInfo
- Publication number
- CN112397202B CN112397202B CN202011127019.4A CN202011127019A CN112397202B CN 112397202 B CN112397202 B CN 112397202B CN 202011127019 A CN202011127019 A CN 202011127019A CN 112397202 B CN112397202 B CN 112397202B
- Authority
- CN
- China
- Prior art keywords
- height
- age
- growth curve
- bmi
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000366 juvenile effect Effects 0.000 claims abstract 3
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 7
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种青少年儿童身高生长曲线的预测方法,包括:步骤1个人和地区青少年儿童数据预处理,步骤2训练青少年终身高预测模型,步骤3计算个人生长曲线。本发明通过多层感知机构建终身高预测模型,在传统年龄骨龄的基础上加入BMI对终身高的影响,提高了终身高预测的准确性。并且基于终身高和地区平均生长曲线计算出适合个人的生长曲线。该发明对中国青少年个体生长曲线预测具有较强的普适性,对判断青少年的发育是否需要医疗干预,以及判断干预治疗是否有效,对临床诊断具有重要意义。
Description
技术领域
本发明涉及青少年儿童身高生长曲线的预测方法。
背景技术
在儿童生长发育的过程中,由于每个人的身体状况不同,不同生长阶段的生长发育状态也不同。一些孩子在***生长速率大幅增加,但这种状态结束时间很早,有一些孩子生长速率慢但结束时间很迟。在青少年发育过程中通过阶段性的身高预测,可以判断是否需要医疗干预,以及判断治疗是否有效,为临床诊断提供依据。身高生长的研究,需要大量正常发育的青少年样本,并且需要多项生长发育指标进行长期观测,而且验证终身高预测结果的正确与否,是一个非常漫长的过程,短时间内很难进行准确的验证。
目前对于终身高预测主要使用的是统计学的方法对样本连续观测数年,在骨龄发育完全后使用儿童青少年成年身高与任一骨龄时刻的身高进行比较,按照Bayley-Pinneau身高预测法的形式提出身高增长百分位数。但因为样本数量少,覆盖范围不均匀导致对于国内大多省市的儿童都不适用。
发明内容
本发明要克服现有技术的上述缺点,提供一种青少年儿童身高生长曲线的预测方法。
本发明解决技术问题采用如下技术方案:
一种青少年儿童身高生长曲线的预测方法,包括以下步骤:
步骤1:个人和地区青少年儿童数据预处理;
步骤2:训练青少年终身高预测模型;
步骤3:计算个人生长曲线。
步骤1具体包括:
11)剔除人群中的异常数据,计算各个年龄的标准差。
12)最小二乘法拟合各个年龄0SD的身高数据,得到平均生长曲线方程Height=H(x),H为身高,x为年龄。
13)通过个人的年龄、骨龄、身高和体重数据,计算个人的BMI、年龄骨龄差以及和世界卫生组织公布的每个年龄段标准BMI的差值。
步骤2具体包括:
21)选取有回访成年终身高的数据。筛选出年龄、骨龄、身高和体重信息,身高与年龄和BMI存在较强相关性。将每个人的年龄、骨龄、身高、体重、BMI和与标准BMI差值信息和成年终身高一一对应起来,完成训练集和测试集的制作。
22)搭建多层感知机,确定输入层的神经元个数、隐藏层的神经元个数、输出层神经元个数。
23)构建损失函数。自定义的损失函数公式如(1-1)所示。
其中Yi表示期望网络输出的结果,Yi′表示实际网络输出的结果。
24)将年龄、骨龄、身高、体重、BMI和与标准BMI差值信息作为输入信号,输入多层感知机,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即成年终身高。对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率。
25)通过不断更新权值,持续进行男生训练学习、女生训练学习,验证模型可靠性,最终得到成年终身高预测网络模型,保存网络模型。
步骤3具体包括:
31)在平均生长曲线H(x)中加入参数α,β,γ,公式如(1-3)所示:
Height=H(αx+β)+γ (1-3)
32)加载步骤2中保存的终身高预测网络模型,输入年龄、骨龄、身高、体重、BMI和与标准BMI差值信息,得到对应的终身高Heightfinal。
33)通过最小二乘法,解出以下(1-4)方程组中的α,β,γ的值,其中xcurrent和Heightcurrent分别为当前的年龄和身高。
34)将α,β,γ的值代回曲线方程即得到适合个人的身高生长曲线。
优选地,步骤22)搭建多层感知机,输入层的神经元个数为7,隐藏层的神经元个数为100,输出层神经元个数为1。
优选地,步骤25)中男生训练学习46000次,女生训练48500次。
本发明通过多层感知机构建终身高预测模型,在传统年龄骨龄的基础上加入BMI对终身高的影响,提高了终身高预测的准确性。并且基于终身高和地区平均生长曲线计算出适合个人的生长曲线。本发明对中国青少年个体生长曲线预测具有较强的普适性,对判断青少年的发育是否需要医疗干预,以及判断干预治疗是否有效,对临床诊断具有重要意义。首先对个人和地区青少年儿童数据预处理,最小二乘法拟合得到平均生长曲线;然后,选取具有回访得到终身高数据的样本,提取七个特征值,输入多层感知机进行训练,获得终身高模型;最后,利用终身高预测模型和平均生长曲线计算出个人身高生长曲线。
本发明具有如下有益效果:
(1)高准确率地预测成年终身高;
(2)可以根据地区的平均身高生长数据不同计算出更合适的个人生长曲线;
(3)阶段性的身高预测,可以判断青少年的发育是否需要医疗干预,以及判断治疗是否有效,为临床诊断提供依据。
附图说明
图1是本发明的总体流程图。
图2是本发明使用的多层感知机的结构图。
图3a~图3b是本发明方法分别选取20个男生和女生绘制的个人生长曲线,其中图3a是本发明绘制的20个男生的生长曲线,图3b是是本发明20个女生的生长曲线。
具体实施方式
下面结合附图对本发明的技术方案作进一步阐述。
一种青少年儿童身高生长曲线的预测方法,包括如下步骤:
步骤1:个人和地区青少年儿童数据预处理;
步骤2:训练青少年终身高预测模型;
步骤3:计算个人生长曲线。
步骤1具体包括:
11)剔除人群中的异常数据,计算各个年龄的标准差。
12)最小二乘法拟合各个年龄0SD的身高数据,得到平均生长曲线方程Height=H(x),H为身高,x为年龄。
13)通过个人的年龄、骨龄、身高和体重数据,计算个人的BMI、年龄骨龄差以及和世界卫生组织公布的每个年龄段标准BMI的差值。
步骤2具体包括:
21)选取有回访成年终身高的数据。筛选出年龄、骨龄、身高和体重信息,身高与年龄和BMI存在较强相关性。将每个人的年龄、骨龄、身高、体重、BMI和与标准BMI差值信息和成年终身高一一对应起来,完成训练集和测试集的制作。
22)搭建多层感知机,确定输入层的神经元个数为、隐藏层的神经元个数、输出层神经元个数。
23)构建损失函数。自定义的损失函数公式如(1-1)所示。
其中Yi表示期望网络输出的结果,Yi′表示实际网络输出的结果。
24)将年龄、骨龄、身高、体重、BMI和与标准BMI差值信息作为输入信号,输入多层感知机,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即成年终身高。对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率。
25)通过不断更新权值,持续进行男生训练学习、女生训练学习次,验证模型可靠性,最终得到成年终身高预测网络模型,保存网络模型。
步骤3具体包括:
31)在平均生长曲线H(x)中加入参数α,β,γ,公式如(1-3)所示:
Height=H(αx+β)+γ (1-3)
32)加载步骤2中保存的终身高预测网络模型,输入年龄、骨龄、身高、体重、BMI和与标准BMI差值信息,得到对应的终身高Heightfinal。
33)通过最小二乘法,解出以下(1-4)方程组中的α,β,γ的值,其中xcurrent和Heightcurrent分别为当前的年龄和身高。
34)将α,β,γ的值代回曲线方程即得到适合个人的身高生长曲线。
优选地,步骤22)搭建多层感知机,输入层的神经元个数为7,隐藏层的神经元个数为100,输出层神经元个数为1。
优选地,步骤25)中男生训练学习46000次,女生训练48500次。
最后应说明的是:以上实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施方式技术方案的精神和范围。
Claims (3)
1.一种青少年儿童身高生长曲线的预测方法,包括以下步骤:
步骤1:个人和地区青少年儿童数据预处理,具体包括:
11)剔除人群中的异常数据,计算各个年龄的标准差;
12)最小二乘法拟合各个年龄0SD的身高数据,得到平均生长曲线方程Height=H(x),H为身高,x为年龄;
13)通过个人的年龄、骨龄、身高和体重数据,计算个人的BMI、年龄骨龄差以及和世界卫生组织公布的每个年龄段标准BMI的差值;
步骤2:训练终身高预测模型,具体包括:
21)选取有回访成年终身高的数据;筛选出年龄、骨龄、身高和体重信息,身高与年龄和BMI存在强相关性;将每个人的年龄、骨龄、身高、体重、BMI和与标准BMI差值信息和成年终身高一一对应起来,完成训练集和测试集的制作;
22)搭建多层感知机,确定输入层的神经元个数、隐藏层的神经元个数、输出层神经元个数;
23)构建损失函数;自定义的损失函数公式如(1-1)所示;
其中Yi表示期望网络输出的结果,Yi′表示实际网络输出的结果;
24)将年龄、骨龄、身高、体重、BMI和与标准BMI差值信息作为输入信号,输入多层感知机,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即成年终身高;对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率;
25)通过不断更新权值,持续进行男生训练学习、女生训练学习,验证模型可靠性,最终得到成年终身高预测网络模型,保存网络模型;
步骤3:个人生长曲线计算,具体包括:
31)在平均生长曲线H(x)中加入参数α,β,γ,公式如(1-3)所示:
Height=H(αx +β)+γ (1-3)
32)加载步骤2中保存的终身高预测网络模型,输入年龄、骨龄、身高、体重、BMI和与标准BMI差值信息,得到对应的终身高Heightfinal;
33)通过最小二乘法,解出以下(1-4)方程组中的α,β,γ的值,其中xcurrent和Heightcurrent分别为当前的年龄和身高;
34)将α,β,γ的值代回曲线方程即得到适合个人的身高生长曲线。
2.如权利要求1所述的青少年儿童身高生长曲线的预测方法,其特征在于:步骤22)搭建多层感知机,输入层的神经元个数为7,隐藏层的神经元个数为100,输出层神经元个数为1。
3.如权利要求1所述的青少年儿童身高生长曲线的预测方法,其特征在于:步骤25)中男生训练学习46000次,女生训练48500次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011127019.4A CN112397202B (zh) | 2020-10-20 | 2020-10-20 | 一种青少年儿童身高生长曲线的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011127019.4A CN112397202B (zh) | 2020-10-20 | 2020-10-20 | 一种青少年儿童身高生长曲线的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112397202A CN112397202A (zh) | 2021-02-23 |
CN112397202B true CN112397202B (zh) | 2024-03-29 |
Family
ID=74596054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011127019.4A Active CN112397202B (zh) | 2020-10-20 | 2020-10-20 | 一种青少年儿童身高生长曲线的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112397202B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115274098B (zh) * | 2022-08-19 | 2023-04-07 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能*** |
WO2024117603A1 (ko) * | 2022-11-29 | 2024-06-06 | 주식회사 크레스콤 | 예상 성인 키의 연산 방법 및 이를 수행하기 위한 장치 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965953A (zh) * | 2015-07-13 | 2015-10-07 | 熊妹珍 | 一种青少年身高预测模型的建立方法 |
CN107731304A (zh) * | 2017-09-30 | 2018-02-23 | 北京好啦科技有限公司 | 一种身高预测方法及*** |
WO2018090531A1 (zh) * | 2016-11-17 | 2018-05-24 | 深圳市行远科技发展有限公司 | 一种用户身高数据的预警分析方法和装置 |
CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
CN110222459A (zh) * | 2019-06-14 | 2019-09-10 | 成都高鹿科技有限公司 | 一种个体身高分析方法、***、可读存储介质及终端 |
KR102050558B1 (ko) * | 2019-03-27 | 2019-12-03 | 주식회사 마이베네핏 | 신체 측정 및 성장 곡선을 이용한 어린이 또는 청소년 회원의 회원 관리 시스템 |
CN110957037A (zh) * | 2019-10-30 | 2020-04-03 | 杭州津禾生物科技有限公司 | 一种在线身高管理***使用方法 |
-
2020
- 2020-10-20 CN CN202011127019.4A patent/CN112397202B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104965953A (zh) * | 2015-07-13 | 2015-10-07 | 熊妹珍 | 一种青少年身高预测模型的建立方法 |
WO2018090531A1 (zh) * | 2016-11-17 | 2018-05-24 | 深圳市行远科技发展有限公司 | 一种用户身高数据的预警分析方法和装置 |
CN107731304A (zh) * | 2017-09-30 | 2018-02-23 | 北京好啦科技有限公司 | 一种身高预测方法及*** |
CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
KR102050558B1 (ko) * | 2019-03-27 | 2019-12-03 | 주식회사 마이베네핏 | 신체 측정 및 성장 곡선을 이용한 어린이 또는 청소년 회원의 회원 관리 시스템 |
CN110222459A (zh) * | 2019-06-14 | 2019-09-10 | 成都高鹿科技有限公司 | 一种个体身高分析方法、***、可读存储介质及终端 |
CN110957037A (zh) * | 2019-10-30 | 2020-04-03 | 杭州津禾生物科技有限公司 | 一种在线身高管理***使用方法 |
Non-Patent Citations (2)
Title |
---|
TW3成年身高预测改良法在中国儿童中的应用研究;潘嘉严;张先来;徐东;;现代医学;20180725(第07期);全文 * |
上海市2000―2014年中小学生体质量指数变化趋势;王向军;杨漾;吴艳强;杨璨;焦佳欣;彭宁宁;;中国学校卫生;20170325(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112397202A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147450B (zh) | 一种知识图谱的知识补全方法及装置 | |
CN111524602B (zh) | 一种老年人记忆及认知功能评估筛查预警*** | |
CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
KR100794516B1 (ko) | 사례 기반 기계학습 추론을 이용한 질환 진단 및 검사 항목선정 시스템 및 방법 | |
CN112397202B (zh) | 一种青少年儿童身高生长曲线的预测方法 | |
CN109785976A (zh) | 一种基于Soft-Voting的痛风病分期预测*** | |
CN106980899A (zh) | 预测血管树血管路径上的血流特征的深度学习模型和*** | |
CN109360604B (zh) | 一种卵巢癌分子分型预测*** | |
CN109785973B (zh) | 一种手术患者在围手术期发生并发症的定量预测方法 | |
CN113096818B (zh) | 基于ode和grud的急性病症发生几率的评估方法 | |
CN111563533A (zh) | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 | |
CN109106384B (zh) | 一种心理压力状况预测方法及*** | |
CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
CN104484562B (zh) | 一种基于模糊神经网络的体域网健康信息监测、交互*** | |
CN113257425A (zh) | 一种优化LSTM和LightGBM参数的流感预测***、存储介质和装置 | |
CN116350196A (zh) | 基于深度学习的无创血压值预测方法及*** | |
CN111930601A (zh) | 一种基于深度学习的数据库状态综合评分方法及其*** | |
CN113842135A (zh) | 一种基于BiLSTM的睡眠呼吸异常自动筛查方法 | |
CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
CN114628033A (zh) | 疾病风险预测方法、装置、设备及存储介质 | |
CN117668488A (zh) | 一种跨工况强化学习故障诊断方法 | |
CN116936108A (zh) | 一种面向不平衡数据的疾病预测*** | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
Heckerling et al. | Prediction of community-acquired pneumonia using artificial neural networks | |
Shankar et al. | Optimized model for predicting gestational diabetes using ML techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |