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。一些孩子在青春期生长速率大幅增加,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Y
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ω
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Height
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x
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Y
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ω
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Height
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x
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。
机译: 风险适应性治疗儿童和青少年霍奇金淋巴瘤后的不准确性预测方法
机译: 儿童和青少年的有害健康心律失常发展风险预测方法
机译: 在儿童和青少年的产后发育关键时期的健康水平预测方法