CN105167742B - 一种胎儿体重自适应估算方法及系统 - Google Patents
一种胎儿体重自适应估算方法及系统 Download PDFInfo
- Publication number
- CN105167742B CN105167742B CN201510266109.4A CN201510266109A CN105167742B CN 105167742 B CN105167742 B CN 105167742B CN 201510266109 A CN201510266109 A CN 201510266109A CN 105167742 B CN105167742 B CN 105167742B
- Authority
- CN
- China
- Prior art keywords
- weight
- fetal
- fetal weight
- fetus
- model
- 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.)
- Expired - Fee Related
Links
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及医疗领域,尤其涉及一种胎儿体重自适应估算方法及系统。本发明所述的一种胎儿体重自适应估算方法,包括以下步骤:建立胎儿体重估算模型;获取胎儿计量生物学参数;根据胎儿体重估算模型和胎儿计量生物学参数计算得到胎儿估算体重。本发明还提供了相应的胎儿体重自适应估算系统。本发明的自适应方法和系统不仅扩大了估算模型在不同地域、时域和人群的适应性,而且可以提高对估算结果的准确率。
Description
技术领域
本发明涉及医疗领域,尤其涉及一种胎儿体重自适应估算方法及系统。
背景技术
在婴儿出生前对胎儿体重的估计可以对胎儿发育状况的评估和作为决定分娩时间和方式的参考。当前比较准确的胎儿体重估计测量方法是利用超声波检查得到的关于胎儿的计量生物学(biometric)参数,用经验公式模型进行胎儿体重的估算。
当前广泛使用的胎儿体重估算模型使用的超声波计量生物学参数主要包括胎儿腹围(AC)、股骨长度(FL)、双顶径(BPD)和头围(HC)。这些模型是基于过去的胎儿超声波测量数据和出生体重进行回归(regression)建模。现有的大部分模型只使用了某一类的测量参数,譬如只使用超声波测量数据。但是,胎儿体重跟多种类型的因素都有关联性,只使用其中一种类型参数不能达到较高的准确度。而且超声波测量必须在医院中进行,一般用户在家庭环境中无法自行测量,因此对数据来源有所限制,且B超检测对人体的伤害目前没有定论。
现有的大部分模型都是基于高加索人群的数据进行建模,所以对其它族裔的胎儿体重估算并不准确。同时,大部分的模型是用数十年前收集的数据进行建模的,其中的模型参数固定不变,但是由于近年来人类营养和生活习惯产生巨大变化,身体健康数据也随之有较大变化,旧的经验公式和模型参数并不完全适用,随着时间推移准确度会不断下降。由于存在太多不同的估算模型,每个模型估算的结果可能并不吻合,在实际应用中难以确定使用那个公式比较准确。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种胎儿体重自适应估算方法及系统,对胎儿体重估算模型不断进行自动学习、优化和评估,从而对胎儿体重进行更准确的估算。
为实现上述目的,本发明可以通过以下技术方案予以实现:
一种胎儿体重自适应估算方法,包括以下步骤:
建立胎儿体重估算模型;
获取胎儿计量生物学参数;
根据胎儿体重估算模型和胎儿计量生物学参数计算得到胎儿估算体重;
其中,建立胎儿体重估算模型包括以下步骤:
收集与胎儿体重有关的各种参数,以及对应的新生婴儿实际体重;
根据与胎儿体重有关的各种参数和新生婴儿实际体重建立胎儿体重估算预测模型;
根据与胎儿体重有关的各种参数和新生婴儿实际体重对所有胎儿体重估算预测模型进行正确率评估;
选择准确率最高的胎儿体重估算预测模型作为胎儿体重估算模型。
进一步的,建立胎儿体重估算预测模型包括以下步骤:
建立模型方程w=b0+bx,
其中,w为新生婴儿实际体重,b0和b为待定系数,x为所收集的与胎儿体重有关的各种参数;
随机选取最近一段时间内收集的与胎儿体重有关的部分参数和对应的新生婴儿实际体重作为训练数据集,运用多元回归分析确定系数b0和b;
建立胎儿体重估算预测模型,其模型方程为EFW=b0+bx,其中EFW为胎儿估算体重。
进一步的,对所有胎儿体重估算预测模型进行准确率评估包括以下步骤:
从最近一段时间内收集的与胎儿体重有关的各种参数中选取除用作训练数据集以外的数据作为测试数据集,代入胎儿估算体重预测模型方程,得到胎儿估算体重;
把胎儿估算体重与对应的新生婴儿实际体重之差作为估算误差,计算每个胎儿体重估算预测模型的标准方差并把它作为评估胎儿体重估算预测模型准确率的衡量标准,标准方差越小,准确率越高。
进一步的,所有胎儿估算体重预测模型以及对应的准确率存储到模型数据库中。
进一步的,训练数据集占所收集的与胎儿体重有关的各种参数总数据量的80%,测试数据集占所收集的与胎儿体重有关的各种参数总数据量的20%。
进一步的,与胎儿体重有关的各种参数包括人口统计学信息、胎儿计量生物学参数、母体计量生物学参数。
进一步的,根据人口统计学信息进行人群分类,针对不同类别的人群分别建立胎儿体重估算模型。系统得到的不同模型将适用于不同类型的人群。
一种胎儿体重自适应估算系统,包括:
数据获取装置,用于获取与胎儿体重有关的各种参数和对应的新生婴儿实际体重;
数据库服务器,用于收集与胎儿体重有关的各种参数和对应的新生婴儿实际体重,并建立、运算和更新模型;为了保证数据源总能够保持新鲜,数据库服务器不断收集与胎儿体重估算可能相关的数据;
数据输出装置,用于显示胎儿体重估算值。
进一步的,所述数据获取装置包括智能体重秤、智能体脂尺和智能手机。智能体重秤,通过无线传输的方式能够将测量结果实时的上传到数据服务器。智能脂肪尺通过测量孕产妇的指定部位的皮褶厚度,从而计算出孕产妇的脂肪含量。这些测量方式是一种无创、无辐射、无电流的测量方式,大大降低了电磁设备对孕产妇和胎儿的影响,并且可以在家庭环境中方便地自行测量。
进一步的,所述数据输出装置包括智能手机。
本发明的胎儿体重自适应估算方法及系统克服了现有胎儿体重估算模型的缺点,根据智能设备收集的最新数据作为体重建模,根据目标人群的人口统计学特点建立适用于不同人群的胎儿体重估计的模型。因为本发明可以不断采集最新的数据并更新模型数据库,因此建立的模型在任何时间都适用于当前的用户群,不会因为数据的陈旧而失去有效性。而且,本发明利用最新采集的数据对建立的所有模型作自我评估,在提供不同可用数据的情况下自动选择使用对当前用户准确率最高的模型。因此,本发明的自适应方法和系统不仅扩大了估算模型在不同地域、时域和人群的适应性,而且可以提高对估算结果的准确率。
附图说明
图1是本发明的一个实施例的方法流程图;
图2是本发明的一个实施例的系统框图;
具体实施方式
下面将结合附图以及具体实施方式对本发明作进一步的说明:
如图1所示,本发明所述的胎儿体重自适应估算方法,包括以下步骤:
1、建立胎儿体重估算模型。
1.1收集与胎儿体重有关的各种参数,以及对应的新生婴儿实际体重(方框102)。与胎儿体重有关的各种参数包括人口统计学信息、胎儿计量生物学参数、母体计量生物学参数。根据人口统计学信息进行人群分类,针对不同类别的人群分别建立胎儿体重估算模型。人口统计学信息包括年龄、种族、所在城市等,胎儿计量生物学参数和母体计量生物学参数包括孕妇年龄、孕前体重、身高、体脂率、身体质量指数(BMI)、不同孕期体重增长率、超声波检查时间、超声波测量的胎儿腹围、胎儿股骨长度、胎儿双顶径、胎儿头围、分娩时妊娠周数等。
1.2根据与胎儿体重有关的各种参数和新生婴儿实际体重建立胎儿体重估算预测模型(方框103):
建立模型方程w=b0+bx,
其中,w为新生婴儿实际体重,b0和b为待定系数,x为所收集的与胎儿体重有关的各种参数;
随机选取最近一段时间内收集的与胎儿体重有关的部分参数和对应的新生婴儿实际体重作为训练数据集,训练数据集占所收集的与胎儿体重有关的各种参数总数据量的80%,运用多元回归分析确定系数b0和b;
建立胎儿体重估算预测模型,其模型方程为EFW=b0+bx,其中EFW为胎儿估算体重。
1.3根据与胎儿体重有关的各种参数和新生婴儿实际体重对所有胎儿体重估算预测模型进行正确率评估(方框104):
从最近一段时间内收集的与胎儿体重有关的参数中选取除用作训练数据集以外的数据作为测试数据集,测试数据集占所收集的与胎儿体重有关的各种参数总数据量的20%,代入胎儿估算体重预测模型方程,得到胎儿估算体重;
把胎儿估算体重与对应的新生婴儿实际体重之差作为估算误差,计算每个胎儿体重估算预测模型的标准方差并把它作为评估胎儿体重估算预测模型准确率的衡量标准,标准方差越小,准确率越高。
1.4所有胎儿估算体重预测模型以及对应的准确率存储到模型数据库中(方框105)。
在实际应用中,系统收集的需要作胎儿体重预测的目标用户测量数据可能不全,譬如用户可能没有测量体脂率,因而在系统需要估计胎儿体重时某些需要的相关参数可能缺失。因此,在建模时,系统用各种关联因素的不同组合作为模型变量x进行多元回归建模,这样得到的模型就可以用于某些数据变量缺失的情况进行预测。系统维护以下的模型数据数据库:
1.5选择准确率最高的胎儿体重估算预测模型作为胎儿体重估算模型(方框106)。
2、获取胎儿计量生物学参数(方框101)。
3、根据胎儿体重估算模型和胎儿计量生物学参数计算得到胎儿估算体重(方框107)。
一种胎儿体重自适应估算系统,包括:
数据获取装置,用于获取与胎儿体重有关的各种参数和对应的新生婴儿实际体重;
数据库服务器,用于收集与胎儿体重有关的各种参数和对应的新生婴儿实际体重,并建立、运算和更新模型;每条从用户终端收集的数据包括数据测量的时间和类型,数据服务器把每条数据与某个用户关联,并存储到数据库中,为了保证数据源总能够保持新鲜,数据库服务器能够不断收集到每个用户的基本信息以及与胎儿体重相关的各种类型的测量数据;
数据输出装置,用于显示体重估算值。
优选的,所述数据获取装置包括智能体重秤、智能体脂尺和智能手机。智能体重秤,通过无线传输的方式能够将测量结果实时的上传到数据服务器。智能脂肪尺通过测量孕产妇的指定部位的皮褶厚度,从而计算出孕产妇的脂肪含量。这些测量方式是一种无创、无辐射、无电流的测量方式,大大降低了电磁设备对孕产妇和胎儿的影响,并且可以在家庭环境中方便地自行测量。这些终端测量设备可以实时或定时地直接把测量数据通过互联网发送到系统后端的数据服务器。除了直接测量设备收集的数据外,其它与胎儿体重相关的数据,包括超声波检查结果、血检结果、血压、孕妇心率、胎儿心率、胎动频率等,则可以通过用户的app由用户输入到系统。这些数据不是系统估算所必需的,但是数据采集得越多,估算的结果会越准确。此外,用户的人口统计学(demographic)信息包括年龄、种族、所在城市等也通过手机app输入再转发至数据服务器。用户产后,婴儿出生时的真实体重也通过手机app输入再转发至数据服务器。
优选的,所述数据输出装置包括智能手机,或其他显示设备。
本发明在预测胎儿体重时,先根据给定用户的人口统计学属性确定用户所属的人群类别,再根据该用户的已知关联因素数据,从模型数据库中选择所有的候选模型使得这些候选模型的关联因素是用户已知关联因素的子集。然后,在这些候选模型中选择标准方差最小的一个模型作为估算模型,最后代入用户的已知参数计算得出胎儿体重的估算结果。
对于本领域的技术人员来说,可根据以上技术方案以及构思,做出其他各种相应的改变以及变形,而所有的这些改变和变形都应该属于本发明权利要求的保护范围之内。
Claims (3)
1.一种胎儿体重自适应估算方法,包括以下步骤:
建立胎儿体重估算模型;
获取胎儿计量生物学参数;
根据胎儿体重估算模型和胎儿计量生物学参数计算得到胎儿估算体重;
其特征在于,建立胎儿体重估算模型包括以下步骤:
收集与胎儿体重有关的各种参数,以及对应的新生婴儿实际体重;
根据与胎儿体重有关的各种参数和新生婴儿实际体重建立胎儿体重估算预测模型;
根据与胎儿体重有关的各种参数和新生婴儿实际体重对所有胎儿体重估算预测模型进行正确率评估;
选择准确率最高的胎儿体重估算预测模型作为胎儿体重估算模型;
建立胎儿体重估算预测模型包括以下步骤:
建立模型方程w=b0+bx,
其中,w为新生婴儿实际体重,b0和b为待定系数,x为所收集的与胎儿体重有关的各种参数;
随机选取最近一段时间内收集的与胎儿体重有关的部分参数和对应的新生婴儿实际体重作为训练数据集,运用多元回归分析确定系数b0和b;
建立胎儿体重估算预测模型,其模型方程为EFW=b0+bx,其中EFW为胎儿估算体重;
对所有胎儿体重估算预测模型进行准确率评估包括以下步骤:
从最近一段时间内收集的与胎儿体重有关的各种参数中选取除用作训练数据集以外的数据作为测试数据集,代入胎儿估算体重预测模型方程,得到胎儿估算体重;
把胎儿估算体重与对应的新生婴儿实际体重之差作为估算误差,计算每个胎儿体重估算预测模型的标准方差并把它作为评估胎儿体重估算预测模型准确率的衡量标准,标准方差越小,准确率越高;
所有胎儿估算体重预测模型以及对应的准确率存储到模型数据库中;
训练数据集占所收集的与胎儿体重有关的各种参数总数据量的80%,测试数据集占所收集的与胎儿体重有关的各种参数总数据量的20%。
2.根据权利要求1所述的胎儿体重自适应估算方法,其特征在于:与胎儿体重有关的各种参数包括人口统计学信息、胎儿计量生物学参数、母体计量生物学参数。
3.根据权利要求2所述的胎儿体重自适应估算方法,其特征在于:根据人口统计学信息进行人群分类,针对不同类别的人群分别建立胎儿体重估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266109.4A CN105167742B (zh) | 2015-05-22 | 2015-05-22 | 一种胎儿体重自适应估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510266109.4A CN105167742B (zh) | 2015-05-22 | 2015-05-22 | 一种胎儿体重自适应估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105167742A CN105167742A (zh) | 2015-12-23 |
CN105167742B true CN105167742B (zh) | 2018-11-02 |
Family
ID=54890553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510266109.4A Expired - Fee Related CN105167742B (zh) | 2015-05-22 | 2015-05-22 | 一种胎儿体重自适应估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105167742B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2741861C1 (ru) * | 2020-08-13 | 2021-01-29 | Федеральное государственное автономное образовательное учреждение высшего образования "Белгородский государственный национальный исследовательский университет" (НИУ "БелГУ") | Способ прогнозирования веса новорожденного у беременных с преэклампсией в сочетании с синдромом задержки роста плода |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6491659B2 (ja) * | 2013-10-29 | 2019-03-27 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 新生児の発育をモニタリングする方法およびシステム |
CN106650222A (zh) * | 2016-10-21 | 2017-05-10 | 大连千松科技有限公司 | 一种基于互联网的孕期健康状态管理方法和装置 |
CN107951512B (zh) * | 2017-12-13 | 2020-08-18 | 飞依诺科技(苏州)有限公司 | 一种用于超声扫描设备的生成胎儿体重的方法和装置 |
CN108109693A (zh) * | 2017-12-19 | 2018-06-01 | 深圳京柏医疗科技股份有限公司 | 胎儿估重方法、装置、系统、存储介质和计算机设备 |
CN108154930A (zh) * | 2017-12-25 | 2018-06-12 | 湖南德沐数码科技有限公司 | 胎儿体重预测方法及装置 |
CN108109701A (zh) * | 2017-12-29 | 2018-06-01 | 田嫣然 | 一种胎儿体重估算模型的建立方法及系统 |
CN113314219A (zh) * | 2021-06-24 | 2021-08-27 | 四川大学华西第二医院 | 胎儿生长发育异常数据识别方法、系统及可读存储介质 |
CN113907793A (zh) * | 2021-10-21 | 2022-01-11 | 张家港市第一人民医院 | 一种妇科超声检查用的超声影像重建与评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1732937A1 (ru) * | 1989-09-25 | 1992-05-15 | Белорусский научно-исследовательский институт охраны материнства и детства | Способ определени массы плода |
RU2066975C1 (ru) * | 1991-12-10 | 1996-09-27 | Вера Григорьевна Ануфриева | Способ определения состояния плода в дородовом периоде |
US6375616B1 (en) * | 2000-11-10 | 2002-04-23 | Biomedicom Ltd. | Automatic fetal weight determination |
CN101176675A (zh) * | 2006-11-10 | 2008-05-14 | 株式会社东芝 | 超声波诊断装置及超声波诊断方法 |
JP4599197B2 (ja) * | 2005-03-11 | 2010-12-15 | パナソニック株式会社 | 超音波診断装置 |
CN102639063A (zh) * | 2010-09-30 | 2012-08-15 | 松下电器产业株式会社 | 超声波诊断装置 |
-
2015
- 2015-05-22 CN CN201510266109.4A patent/CN105167742B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1732937A1 (ru) * | 1989-09-25 | 1992-05-15 | Белорусский научно-исследовательский институт охраны материнства и детства | Способ определени массы плода |
RU2066975C1 (ru) * | 1991-12-10 | 1996-09-27 | Вера Григорьевна Ануфриева | Способ определения состояния плода в дородовом периоде |
US6375616B1 (en) * | 2000-11-10 | 2002-04-23 | Biomedicom Ltd. | Automatic fetal weight determination |
JP4599197B2 (ja) * | 2005-03-11 | 2010-12-15 | パナソニック株式会社 | 超音波診断装置 |
CN101176675A (zh) * | 2006-11-10 | 2008-05-14 | 株式会社东芝 | 超声波诊断装置及超声波诊断方法 |
CN102639063A (zh) * | 2010-09-30 | 2012-08-15 | 松下电器产业株式会社 | 超声波诊断装置 |
Non-Patent Citations (3)
Title |
---|
根据孕妇参数预测胎儿体重的神经网络方法;刁晓娣,等;《中国生物医学工程学报》;19990630;第18卷(第2期);155-158 * |
胎儿体重相关因素分析以及多元回归方程的建立;李艳青;《万方数据企业知识服务平台》;20130426;1-11 * |
超声不同数学公式评估中国胎儿体重的准确性分析;傅静;《中国医学物理学杂志》;20140131;第31卷(第1期);4709-4713 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2741861C1 (ru) * | 2020-08-13 | 2021-01-29 | Федеральное государственное автономное образовательное учреждение высшего образования "Белгородский государственный национальный исследовательский университет" (НИУ "БелГУ") | Способ прогнозирования веса новорожденного у беременных с преэклампсией в сочетании с синдромом задержки роста плода |
Also Published As
Publication number | Publication date |
---|---|
CN105167742A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105167742B (zh) | 一种胎儿体重自适应估算方法及系统 | |
CN107115111A (zh) | 血流状态分析系统及方法 | |
Miekley et al. | Detection of mastitis and lameness in dairy cows using wavelet analysis | |
CN106777909A (zh) | 妊娠期健康风险评估系统 | |
CN107358556A (zh) | 基于物联网的健康监测及评价平台 | |
CN103838963A (zh) | 一种文胸压力舒适性评价方法 | |
JP2023123563A (ja) | 異常データ処理システムおよび異常データ処理方法 | |
CN106407498A (zh) | 一种摔倒风险模型的建立方法 | |
CN106250712A (zh) | 一种基于增量式神经网络模型的输尿管结石预测方法和预测系统 | |
JP6864947B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
CN105138835B (zh) | 基于生理信息熵的人体体成分预测方法 | |
CN107221128B (zh) | 一种便携式人体跌倒风险的评价和预警系统及其方法 | |
McDonald et al. | The identification and tracking of uterine contractions using template based cross-correlation | |
CN116451110A (zh) | 基于信号能量特征和脉搏周期的血糖预测模型构建方法 | |
CN105354665A (zh) | 在移动医疗系统中更符合患者需求的医生绩效评估方法 | |
CN115299901A (zh) | 一种基于腕式血压计检测数据的中医脉象图谱生成方法 | |
CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
CN114886433A (zh) | 一种具备环境适应能力的运动负荷评估方法 | |
CN106407693A (zh) | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 | |
KR20130026845A (ko) | 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법 | |
Zin et al. | Dairy cow body conditions scoring system based on image geometric properties | |
RU156151U1 (ru) | Устройство для определения физической работоспособности и резервов здоровья человека | |
CN106295239A (zh) | 一种基于增量式神经网络模型的脂肪肝预测方法和预测系统 | |
CN104166807B (zh) | 一种符合烧伤患者代谢特点的能量消耗估算方法 | |
KR20140034432A (ko) | 경락 에너지 신호를 이용한 사상체질 분류 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181102 Termination date: 20200522 |
|
CF01 | Termination of patent right due to non-payment of annual fee |