System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及骨龄预测,具体涉及一种基于骨龄识别的多要素身高预测方法及系统。
技术介绍
1、骨龄是反映儿童生长发育的重要指标之一,通过测骨龄而预测身高,是目前医疗水平以及医疗发展中比较准确的方式。主要是通过x片对人体骨骼的各个部位,如肠管状骨、掌骨、跖骨等关节部位的骨骺线、骨骺端进行分析、综合计算,从而预测身高。
2、目前的骨龄预测方法一般只针对左手的x光片进行分析预测,考虑因素较为单一,得到的预测结果准确度较低。
3、针对上述问题,目前亟需一种能根据用户习惯用手的不同进行更精确的预测,并能够综合考虑多方面因素的方法。
技术实现思路
1、本专利技术的目的在于提供一种基于骨龄识别的多要素身高预测方法及系统,以解决现有技术中的难以根据用户习惯用手的不同进行更精确的预测骨龄进而预测身高,以及不能综合考虑身高因素预测骨龄进而预测身高的问题。
2、为解决上述技术问题,本专利技术具体提供下述技术方案:
3、一种基于骨龄识别的多要素身高预测方法,包括如下步骤:
4、s1、将当前用户信息输入至初始身高预测模型,由所述初始身高预测模型输出该用户的初始预测身高;
5、在所述s1中,所述初始身高预测模型采用卷积神经网络模型,通过使用多个用户的样本数据生成多个训练集训练所述卷积神经网络模型生成所述初始身高预测模型;
6、所述训练集包含用户采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高以及该用户身高不再
7、s2、使用骨龄预测模型对所述当前用户的当前骨龄进行预测,得到所述当前用户的骨龄预测数据;
8、在所述s2中,所述骨龄预测模型为神经网络模型,所述骨龄预测模型包括右手骨龄预测模型和左手骨龄预测模型,所述右手骨龄预测模型和左手骨龄预测模型通过如下步骤训练获得:
9、s201:收集用于训练的历史骨龄样本数据;
10、s202:计算每一条所述历史骨龄样本数据在采样时的实际骨龄;
11、s203:将所述样本数据按照用手习惯数据,分为右手组用手习惯样本数据和左手组用手习惯样本数据;
12、s204:分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据训练右手骨龄预测模型和左手骨龄预测模型,生成所述骨龄预测模型;
13、s3、根据所述初始预测身高和所述骨龄预测数据,得到当前用户的最终预测身高。
14、作为本专利技术的一种优选方案,在所述s1中,所述当前用户信息包括:当前用户的实际年龄、当前用户性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
15、作为本专利技术的一种优选方案,在所述s201中,所述历史骨龄样本数据包括6-18岁年龄段每个个体的x光影像数据、用手习惯数据、运动数据和劳动数据;
16、其中,每一条所述历史骨龄样本数据的所述x光影像数据包括左手x光影像数据和右手x光影像数据;
17、每一条所述历史骨龄样本数据的所述用手习惯数据包括习惯用左手或是习惯用右手;
18、每一条所述历史骨龄样本数据的所述运动数据包括所述用户的最高频次运动项目反映出来的所述用户在运动时左右手是否均衡;
19、每一条所述历史骨龄样本数据的所述劳动数据包括所述用户日常最高频次从事的劳动项目反映出来的所述用户在劳动时左右手是否均衡。
20、作为本专利技术的一种优选方案,在所述s202中,所述实际骨龄的计算公式为:
21、实际骨龄=采样时年龄+(18-停止生长时的年龄)。
22、作为本专利技术的一种优选方案,在所述s204中,所述分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据分别训练右手骨龄预测模型和左手骨龄预测模型,具体包括:
23、使用右手组用手习惯样本数据训练右手骨龄预测模型的训练过程为:
24、将右手组用手习惯样本数据中每个样本数据中的左手x光影像数据、右手x光影像数据、运动数据和劳动数据作为模型的输入数据;将所述每一条习惯用右手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据,实现所述右手骨龄预测模型的训练;使用左手组用手习惯样本数据训练左手骨龄预测模型的训练过程为:
25、左手组用手习惯样本数据中每个样本数据中的左手x光影像数据、右手x光影像数据、运动数据和劳动数据作为模型的输入数据;将所述每一条习惯用左手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据,实现所述左手骨龄预测模型的训练训练所述左手骨龄预测模型。
26、作为本专利技术的一种优选方案,所述s2还包括:s205:先根据当前用户的用手习惯数据,选取左手骨龄预测模型或是右手骨龄预测模型作为预测模型,再将所述当前用户的左手x光影像数据、右手x光影像数据、运动数据和劳动数据作为预测模型的输入数据,以得到所述当前用户的骨龄预测数据。
27、作为本专利技术的一种优选方案,所述使用骨龄预测模型对所述当前用户的当前骨龄进行预测,得到所述当前用户的骨龄预测数据具体包括:
28、将左手x光影像数据、右手x光影像数据均输入至所述右手骨龄预测模型和所述左手骨龄预测模型中,获得右手骨龄实际数据和左手骨龄实际数据;
29、根据用户的习惯用手数据、运动数据和劳动数据对所述右手骨龄实际数据和所述左手骨龄实际数据赋予不同权重;
30、根据所述右手骨龄实际数据和左手骨龄实际数据以及所述右手骨龄实际数据和左手骨龄实际数据对应的权重,得到最终的骨龄预测数据。
31、作为本专利技术的一种优选方案,在所述s3中,所述最终预测身高的具体计算公式为:
32、最终身高=初始预测身高×系数,
33、所述骨龄预测数据和实际年龄的差值与系数呈负相关;
34、所述系数的获取公式为:
35、
36、式中,为实际年龄,为预测骨龄,,为经验系数。
37、根据本专利技术的另一方面,还提供一种基于骨龄识别的多要素身高预测系统,使用如上述的基于骨龄识别的多要素身高预测方法,包括如下模块:
38、云服务器:用于运行初始身高预测模型;还用于运行骨龄预测模型;
39、身高信息采集模块:与所述云服务器连接,用于采集用户信息,并输入至所述初始身高预测模型,由所述初始身高预测模型输出初始预测身高;
40、骨龄信息采集模块:与所述云服务器连接,用于采集用户骨龄预测数据和实际年龄,并输入至所述骨龄预测模型,由所述骨龄预测模型输出骨龄预测数据;
41、身高预测模块,与所述云服务器连接,用于根据所述初始预测身高和所述骨龄预测数据,得到当前用户的最终预测身高。
42、本专利技术与现有技术相比较具有如下有益效果:
43、(1)本专利技术通过骨龄预测数据对初始身高数据进行校正,最终得到的身高预测结果综合考虑了遗传因素和骨本文档来自技高网...
【技术保护点】
1.一种基于骨龄识别的多要素身高预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述S1中,所述当前用户信息包括:当前用户的实际年龄、当前用户性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
3.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述S201中,所述历史骨龄样本数据包括6-18岁年龄段每个个体的X光影像数据、用手习惯数据、运动数据和劳动数据;
4.根据权利要求3所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述S202中,所述实际骨龄的计算公式为:
5.根据权利要求4所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述S204中,所述分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据分别训练右手骨龄预测模型和左手骨龄预测模型,具体包括:
6.根据权利要求5所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,所述S2还包括:S205:先根据当前用户的用手习惯
7.根据权利要求4所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,所述使用骨龄预测模型对所述当前用户的当前骨龄进行预测,得到所述当前用户的骨龄预测数据具体包括:
8.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,所述最终预测身高的具体计算公式为:
9.一种基于骨龄识别的多要素身高预测系统,使用如权利要求1-8任一项所述的基于骨龄识别的多要素身高预测方法,其特征在于,包括如下模块:
...【技术特征摘要】
1.一种基于骨龄识别的多要素身高预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述s1中,所述当前用户信息包括:当前用户的实际年龄、当前用户性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
3.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述s201中,所述历史骨龄样本数据包括6-18岁年龄段每个个体的x光影像数据、用手习惯数据、运动数据和劳动数据;
4.根据权利要求3所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述s202中,所述实际骨龄的计算公式为:
5.根据权利要求4所述的一种基于骨龄识别的多要素身高预测方法,其特征在于,在所述s204中,所述分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据分别训练右手骨龄...
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。