【技术实现步骤摘要】
本专利技术涉及儿童生长发育监测，具体是一种儿童生长发育的监测评估方法。
技术介绍
1、儿童的身高和体重是评估其生长发育状况的重要指标，对于发现潜在的健康问题和提供适当的干预非常关键。周期性监测儿童的身高和体重可以提供有关其生长发育趋势和变化的信息，以及可能存在的异常情况的早期迹象；
2、周期性监测可以帮助及早发现潜在的生长异常，如生长迟缓、肥胖等问题，通过建立个体的生长曲线，可以了解其在生长发育方面的个体差异，并基于个体曲线进行评估和干预；
3、因为儿童生长发育的复杂性，一次异常往往并不能证实发育异常，而是需要经过多次数据比对，才能确定儿童的生长发育存在问题；然而目前的周期性监测往往是固定周期或不定周期的监测，无法智能自动根据儿童的异常状态自动调整监测周期，从而导致无法及时发现儿童发育异常的情况；
4、为此，本专利技术提出一种儿童生长发育的监测评估方法。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种儿童生长发育的监测评估方法，该一种儿童生长发育的监测评估方法在实际发育情况与预期的差别越大时，降低监测周期时长，以快速收集足够多的数据，从而更及时的发现儿童生长异常情况。
2、为实现上述目的，根据本专利技术的实施例提出一种儿童生长发育的监测评估方法，包括以下步骤：
3、步骤一：预先收集发育年龄段表；
4、步骤二：收集每个发育年龄段的个体训练数据，并基于个体训练数据生成
5、步骤三：对于每个发育年龄段，基于整体训练数据，训练出预测未来发育度的第一神经网络模型；基于整体训练数据训练出评估儿童生长发育是否异常的第二神经网络模型；
6、步骤四：对于每个待监测儿童的每个监测周期，收集该儿童的历史生长数据；
7、步骤五：基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常，若判断为异常，转至步骤六；
8、步骤六：基于历史生长数据以及第一神经网络模型，修改待监测儿童的监测周期时长，并在连续判断为异常的监测周期的次数大于预设的异常次数阈值时，发起发育异常报警；
9、其中，所述发育年龄段表为以发育年龄段为主键，以预设的监测周期时长为属性的数据库表；
10、所述发育年龄段为根据儿童生长速度的普遍规律，将儿童的生长年龄划分出的若干个年龄段；所述监测周期时长为在各个发育年龄段中，收集对应的身高和体重的相邻两个监测周期的相隔时间长度；
11、所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列；
12、所述身高时间序列为对于每个发育年龄段，按时间顺序收集的每个监测周期的身高序列；
13、所述体重时间序列为对于每个发育年龄段，按时间顺序收集的每个监测周期的体重序列；
14、所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签；
15、其中，所述发育度序列为每个测试儿童的在对应的发育年龄段内，从第二个监测周期开始，按时间顺序排序的发育度序列；
16、所述发育度的计算方式为：
17、将发育年龄段的编号标记为a，将第a个发育年龄段的测试儿童的编号标记为ca，将第ca个测试儿童的身高时间序列标记为hca，将身高时间序列中的每个监测周期编号标记为nca，将身高时间序列hca中第nca个身高标记为ghca；将第ca个测试儿童的体重时间序列标记为wca，将体重时间序列中第nca个体重标记为tnca；
18、对于任意大于1的编号nca，生成对应的发育度fnca；所述发育度fnca的计算公式为
19、所述状态标签为对于每个测试儿童的每个监测周期的发育度序列，由医疗机构人员人工打上的表示为正常或异常的0/1的标签；
20、训练出预测未来发育的第一神经网络模型的方式为：
21、对于第a个发育年龄段，根据预设的预测时间步长、滑动步长以及滑动窗口长度，将每个测试儿童的发育度序列使用滑动窗口方法将其转化为若干个训练样本，将每组训练样本作为第一神经网络模型的输入，第一神经网络模型以未来的预测时间步长的发育度序列作为输出，每个训练样本后续预测时间步长内，在整体训练数据的后续预测时间步长内的发育度序列作为预测目标，对第一神经网络模型进行训练；生成预测发育度的第一神经网络模型；所述第一神经网络模型为rnn神经网络模型；所述预测时间步长可以为一个监测周期；
22、训练出评估儿童生长发育是否异常的第二神经网络模型的方式为：
23、对于第a个发育年龄段，将整体训练数据中，每组发育度序列作为第二神经网络模型的输入，所述第二神经网络模型以对每组发育度序列的预测的状态标签为输出，以整体训练数据中，发育度序列对应的状态标签为预测目标，以最小化对所有状态标签的预测误差之和作为训练目标；对第二神经网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据发育度序列输出预测的状态标签的第二神经网络模型；所述第二神经网络模型是rnn神经网络模型或lstm神经网络模型；
24、预测误差的计算公式为：zk＝(ak-wk)2，其中，k为发育度序列的编号，zk为预测误差，ak为第k组发育度序列对应的预测的状态标签，wk为第k组发育度序列对应的实际的状态标签；
25、对于每个待监测儿童的监测周期，所述历史生长数据为该待监测儿童的发育度序列；所述待监测儿童的发育度序列为从其年龄对应的发育年龄段开始时间至该监测周期中，所有监测周期按时间顺序组成的发育度序列；
26、判断每个待监测儿童的生长发育过程是否异常的方式为：
27、对于待监测儿童的当前的监测周期，将对应的发育度序列作为第二神经网络模型的输入，获得第二神经网络模型输出的预测的状态标签；若预测的状态标签表示的是异常，则判断为生长发育过程异常；
28、修改待监测儿童的监测周期时长的方式为：
29、将待监测儿童的年龄所对应的发育年龄段的编号标记为a1，从发育年龄段表中获取第a1个发育年龄段对应的监测周期时长za1；
30、将待监测儿童的当前的监测周期计算出的实际的发育度标记为f1；
31、对于待监测儿童的每个监测周期，将前一个监测周期对应的发育度序列作为第一神经网络模型的输入，获得第一神经网络模型输出的当前的监测周期的预测的发育度，并将预测的发育度标记为f2；
32、将待监测儿童当前监测周期之后的的监测周期za1调整为
33、与现有技术相比，本专利技术的有益效果是：
34、本专利技术通过预先收集发育年龄段表，收集每个发育年龄段的个体训练数据，并基于个体训练数据生成整体训练数据，对于每个发育年龄段，基于整体训练数据，训练出预测未来发育度的第一神经网络模型以及评估儿童生长发育是否异常的第二神经网络模型，对于每个待监测儿童本文档来自技高网...
【技术保护点】
1.一种儿童生长发育的监测评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种儿童生长发育的监测评估方法，其特征在于，所述发育年龄段表为以发育年龄段为主键，以预设的监测周期时长为属性的数据库表；
3.根据权利要求2所述的一种儿童生长发育的监测评估方法，其特征在于，所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列；
4.根据权利要求3所述的一种儿童生长发育的监测评估方法，其特征在于，所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签；
5.根据权利要求4所述的一种儿童生长发育的监测评估方法，其特征在于，所述发育度的计算方式为：
6.根据权利要求5所述的一种儿童生长发育的监测评估方法，其特征在于，训练出预测未来发育的第一神经网络模型的方式为：
7.根据权利要求6所述的一种儿童生长发育的监测评估方法，其特征在于，训练出评估儿童生长发育是否异常的第二神经网络模型的方式为：
8.根据权利要求7所述的一种儿童生长发育的监测评估方
9.根据权利要求8所述的一种儿童生长发育的监测评估方法，其特征在于，判断每个待监测儿童的生长发育过程是否异常的方式为：
10.根据权利要求9所述的一种儿童生长发育的监测评估方法，其特征在于，修改待监测儿童的监测周期时长的方式为：
...【技术特征摘要】
1.一种儿童生长发育的监测评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种儿童生长发育的监测评估方法，其特征在于，所述发育年龄段表为以发育年龄段为主键，以预设的监测周期时长为属性的数据库表；
3.根据权利要求2所述的一种儿童生长发育的监测评估方法，其特征在于，所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列；
4.根据权利要求3所述的一种儿童生长发育的监测评估方法，其特征在于，所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签；
5.根据权利要求4所述的一种儿童生长发育的监测评估方法，其特征在于，所述发育度的计算方式为：
6.根据权利要求5所述的一种儿童生长发育的监测评估方法...
【专利技术属性】
技术研发人员：范红旗，何畏，李玲玲，王玉成，
申请(专利权)人：江苏省人民医院南京医科大学第一附属医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。