CN110211700B - 一种个体身高预测方法、系统、可读存储介质及终端 - Google Patents
一种个体身高预测方法、系统、可读存储介质及终端 Download PDFInfo
- Publication number
- CN110211700B CN110211700B CN201910520159.9A CN201910520159A CN110211700B CN 110211700 B CN110211700 B CN 110211700B CN 201910520159 A CN201910520159 A CN 201910520159A CN 110211700 B CN110211700 B CN 110211700B
- Authority
- CN
- China
- Prior art keywords
- height
- individual
- age
- value
- predicted
- 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
Images
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
- G16H50/70—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种个体身高预测方法、系统、可读存储介质及终端,涉及身高预测技术领域,方法如下:首先记个体待预测身高的年龄为T,计算个体在成年年龄N岁时的理论身高值;然后基于大数据身高样本,将0至N岁的成长历程划分为多个连续的年龄段区间,计算各个年龄段区间左端点和右端点对应的身高均值和身高SD值;接着获取待预测个体成年时对应的身高均值和身高SD值,并求取该个体在年龄T时对应的身高均值和身高SD值;最后根据上述多个数据计算个体在年龄T时的遗传身高值。本发明根据遗传身高值和实测身高值判断个体在成长时间点T时的后天因素是否有利于个体长高,定量个体后天因素影响身高,对个体后天因素影响情况提供了数据支撑。
Description
技术领域
本发明涉及身高预测技术领域,具体涉及一种个体身高预测方法、系统、可读存储介质及终端。
背景技术
目前,判断孩子的身高程度需要参考国家发布的标准,该标准是一个统计学的结果,并不能反映个体遗传上的差异。然而我们都知道孩子的实际身高受遗传和后天两方面的影响,遗传不可改变,但后天可以改变,好的后天因素可以让孩子长得更高,而不好的后天因素会让孩子长得偏矮。
从遗传角度来看,父母较高,一般孩子也较高,但孩子较高的程度是否发挥了遗传优势不得而知。父母较矮,孩子一般也较矮,但孩子较矮的程度是否更多由后天不当造成也不得而知。如何判定孩子的后天因素是否有利长高是行业难题。现实中,面对孩子幼年偏矮时,大多数家长不知道问题可能出在后天因素上,盲目的等待孩子以后自己追长上来,结果错过改变后天因素促进孩子长高的时间窗口,造成孩子成年身高偏矮的终身遗憾。也有部分家长盲目给孩子用药,给家庭造成沉重经济负担甚至事与愿违。
目前虽可以通过测骨龄来判断孩子的身高潜力,但频繁测骨龄不方便、不经济,也对孩子有伤害,而且也无法针对个体情况判断后天因素是否有利,更不能实现实时比对和跟进。此外,测骨龄也无法实现个体数据搜集的连续性和样本的足够广泛性。虽然目前科学界对多种后天因素影响孩子身高有定性研究,但影响的程度没有定量研究,究其原因之一是没有定量算出后天影响身高的数值。例如,现有的基于百分位来预测孩子身高的方法,该方法利用的身高百分位数值表中的统计数据反映的是不同身高人数百分位分布关系,而不反应身高数据值的离散度,与身高异变程度构成成线性关系,即身高百分位数值表中的统计数据与身高之间不是一个简单的换算关系,所以不能根据上述表中的统计数据对个体身高进行量化,通过该方法进行身高预测的误差大。
发明内容
本发明的目的在于:为解决现有方法无法根据个体情况判断后天因素是否有利于长高的问题,提供了一种个体身高预测方法、系统、可读存储介质及终端。
本发明采用的技术方案如下:
一种个体身高预测方法,方法如下:
记个体待预测身高的年龄为T,计算个体在成年年龄N岁时的理论身高值HN;其中,0≤T<N;
基于大数据身高样本,将0至N岁的成长历程划分为多个连续的年龄段区间,计算各个年龄段区间左端点和右端点对应的身高均值和身高SD值;
获取待预测个体成年时对应的身高均值MN和身高SD值SDN,并求取该个体在年龄T时对应的身高均值MT和身高SD值SDT;
根据理论身高值HN、身高均值MT和MN、身高SD值SDT和SDN,计算个体在年龄T时的遗传身高值HT。
进一步地,求取个体在年龄T时对应的身高均值MT和身高SD值SDT的具体方法如下:
根据个体性别找出年龄T所属的年龄段区间,若个体待预测身高的年龄T为所属年龄段区间的左端点或右端点,则该端点的身高均值、身高SD值即为该个体在年龄T时对应的身高均值MT和身高SD值SDT;反之,则进行如下操作:
记个体待预测身高的年龄T所属年龄段区间的左、右端点分别为P、Q,且满足0≤P<T<Q≤N;
记个体年龄为P时对应的身高均值为MP、身高SD值为SDP,记个体年龄为Q时对应的身高均值为MQ、身高SD值为SDQ;
根据身高均值MP、MQ求取待预测个体在年龄T时对应的身高均值MT,根据身高SD值SDP、SDQ求取待预测个体在年龄T时对应的身高SD值SDT,计算公式如下:
(MQ-MT)/(MT-MP)=(Q-T)/(T-P)
(SDQ-SDT)/(SDT-SDp)=(Q-T)/(T-P)。
进一步地,令个体的身高相对偏移量为K,且K为恒定值,个体的身高相对偏移量K与理论身高值HN、身高均值MN和身高SD值SDN之间的关系表达式如下:
K=(HN-MN)/SDN。
进一步地,计算个体在年龄T时的遗传身高值HT的公式如下:
HT=K*SDT+MT=(HN-MN)/SDN*SDT+MT
由此求取待预测个体在0至N岁之间,任意年龄的个体遗传身高值。
进一步地,不同年龄、不同性别的个体的身高均值和身高SD值、年龄段区间的划分方式均依据待预测个体所属国家或地区发布的身高标准。
进一步地,计算待预测个体在成年年龄N岁时的理论身高值HN的方法包括但不限于CMH法、FPH法。
一种个体身高预测系统,包括:
数据获取模块,用于获取待预测个体在0至N岁之间,各年龄段区间左、右端点对应的身高均值、身高SD值;
遗传身高预测模块,用于计算待预测个体在N岁时的理论身高值,并根据数据获取模块获取的多个数据计算待预测个体在不同成长时间点对应的遗传身高值。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述记载的个体身高预测方法的步骤。
一种个体身高预测终端,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如上述记载的个体身高预测方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过计算待预测成年年龄N岁时的理论身高值,以及国家卫生部最新发布的不同年龄段的身高数据,运用一定的计算方式得出待预测个体在未成年阶段具体某个成长时间点的遗传身高值,通过比较待预测个体实测身高值与遗传身高值,从而判断该个体在该成长时间点下的生长环境是否有利于该个体的身高成长。
2、本发明能计算未成年人0岁到成年年龄N岁间任意年龄的个体遗传身高值,能与孩子的实测身高值实时比较,快速判断后天因素是否有利于长高。过程十分高效,简单,经济,精确。与去医院做常规检查相比,省去了巨大的时间成本和经济成本,且常规检查只是对照国家发布的儿童身高标准进行区间比对,无法区分未成年的遗传因素和后天因素对身高的影响状况。与专业的测骨龄相比,本设计无需获取骨龄,只需要已知待测个体性别、年龄以及父母身高,就可计算精确的身高预测值,不仅节省大量时间和金钱,而且更加安全便捷,具有普及性的民用价值。
3、本发明定义了个体遗传身高和个体后天因素影响身高以及二者的计算方法,将个体遗传身高与实测身高相比较,从而定量个体后天因素影响身高,对个体后天因素影响情况提供了数据支撑。
4、本发明通过量化后天因素对个体身高的影响情况,解决了当前无法区分未成年遗传因素和后天因素对其成长的影响的科技难题,便于生命和生物医学领域的研究人员解开个体身高差异的奥秘,具有一定的科研价值,对人类身高发展具有极大的促进和推动作用。
5、本发明能够对未成年的身高信息进行实时检测,并绘制出身高变化曲线,通过记录后天影响因素相关信息,便于对未成年个体进行详细、全面的检测。通过生成的各种身高变化走向以及记录的后天影响因素相关信息,便于医疗人员快速给出正确的便于未成年个体长高的指导意见,使用方便,设计合理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明中的个体身高预测方法流程图;
图2为本发明实施例一中的二维空间示意图;
图3为本发明实施例一中的数轴示意图;
图4为被测者一的遗传身高和实测身高的变化走向;
图5为被测者二的遗传身高和实测身高的变化走向;
图6为被测者三的遗传身高和实测身高的变化走向;
图7为被测者四的遗传身高和实测身高的变化走向。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域的技术人员应明白,本发明的实施例可提供为方法、装置(设备)或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本发明较佳实施例提供的一种个体身高预测方法,主要用于预测个体未成年的遗传身高,本实施例中,N的取值为18,即我国规定的成年人年纪。如图1所示,该方法具体如下:
首先,根据待预测个体的性别,计算待预测个体的成年理论身高值HN。
目前,普遍使用的成年理论身高预测公式,例如CMH法、FPH法,都是基于统计学反推的公式,其计算结果可理解并假设为:个体在0~18岁成长过程中,受到的后天因素影响相同,由个体遗传因素影响不同而产生的成年身高结果。其中:
(1)CMH法:
男孩遗传靶身高=(父亲身高+母亲身高)/2+6.5CM;
女孩遗传靶身高=(父亲身高+母亲身高)/2-6.5CM;
该方法从上世纪70年代起被普遍使用。具体公式是:
男孩成年理论身高=(父亲身高+母亲身高+13)/2±8CM;
女孩成年理论身高=(父亲身高+母亲身高-13)/2±8CM;
(2)FPH法:
男孩成年理论身高=45.99+0.78*(父亲身高+母亲身高)÷2±S.29CM;
女孩成年理论身高=37.85+0.75*(父亲身高+母亲身高)÷2±5.29CM。
本实施例采用FPH法计算个体的理论身高值HN。
在大数据身高样本的身高统计中,将每个个体经历的后天影响看成一样,不影响统计结果,具体说明如下:
人体生长受遗传因素和后天因素影响,人长高是一个时间过程,这个时间过程每时每刻都受到遗传因素和后天因素同时作用,不可能存在不经历任何时间过程就长到一个高度的自然人,所以不存在不受后天因素影响而只受遗传因素影响的身高结果或身高统计数据组。即任何身高结果都是包含了遗传影响与后天影响的结果,个体身高结果包含了个体遗传因素影响与个体后天因素影响;群体身高结果包含了群体遗传因素影响与群体后天因素影响。群体身高统计学处理是既对群体遗传因素影响做了统计、也对群体后天因素影响做了统计。统计学中的处理方法包括:平均值的处理,SD值的处理,根据SD值进行区间分类的处理等。
群体身高统计样本数足够大、足够广时,那么后天因素影响可以理解为在统计学上是趋同的平均水平,即使有少数样本的后天因素影响正负差异很大,也不会对统计学结果产生影响。基于上述内容,可将后天因素对身高大数据身高样本中所有个体身高的影响视为一致,个体遗传身高相对大数据身高样本中相同年龄及性别条件下求得的平均身高的异变程度由遗传因素造成。
然后,基于大数据身高样本,将0至18岁的成长历程划分为多个连续的年龄段区间,计算各个年龄段区间左端点和右端点对应的身高均值和身高SD值。本实施例采用我国卫生健康委员会发布的儿童身高标准或/和儿童青少年身高发育等级评价获得不同年龄、不同性别的个体的身高均值、身高SD值以及年龄段区间的划分方式。
被统计人群的身高相对身高均值的绝对偏移量就是SD值(即标准差),某个体身高与身高均值的差值,反映了该个体身高相对身高均值的绝对偏移量。某个体身高与身高均值的差值再除以SD值,反映了该个体身高相对身高均值的相对偏移量。在生物学上被理解为该个体身高相对大数据身高样本中求得的与该个体同年龄同性别群体的平均身高的异变程度。如果该个体始终受到社会平均后天因素影响,那该个体这种相对同生物群平均值的异变程度就由遗传影响造成,可以假设为恒定。需要说明的是,本专利中的遗传身高指的是个体始终受到社会平均后天因素影响,由个体遗传因素影响不同,在未成年期间任意时间点表现的身高结果。
将发布的儿童身高标准、儿童青少年身高发育等级评价看成由无数个一维空间结合而成的二维空间,每个一维空间就是一个数轴,如图2所示,每个数轴的1单位长度即为SD值,数轴上标记有-2SD以下、-2SD~-1SD、-1SD~平均、平均~+1SD、+1SD~+2SD、+2SD以上等分类,这些分类是对个体身高受遗传影响结果的聚类。图2仅以整岁划分演示,实际整岁间可以再划分出无数个数轴。人长高是一个过程,所以在不同时间的数轴上有不同的遗传身高值。
接着,获取待预测个体成年时对应的身高均值MN和身高SD值SDN,计算个体的身高相对偏移量K。
如图3所示,每个数轴上都有一个关于遗传差值的向量ΔH,每个数轴的原点为对应性别和年龄的个体身高均值,根据待预测个体的性别,获取该个体在18岁成年时对应的成年身高均值MN和成年身高SD值SDN。在求得个体的成年理论身高值HN后,记个体的成年理论身高值HN和获取的成年身高均值MN的差值为成年遗传差值ΔHN。
成年遗传差值ΔHN的几何含义为该个体成年理论身高相对身高均值的在该时间点的数轴上的偏移量,正数时向上偏移,负数时向下偏移,且成年遗传差值ΔHN满足:
ΔHN=HN-MN=K*SDN
其中,K为数轴上的一个标量,在数轴中表示拉伸或压缩1单位长度的程度。同时,K表示待预测个体的成年理论身高值HN相对于成年身高均值MN的相对偏移量,即该个体的遗传身高相对大数据身高样本中求得的与该个体同年龄、同性别的平均身高的异变程度。如前所述,每个个体的身高相对偏移量K的值为恒定值。
K=ΔHN/SDN=(HN-MN)/SDN。
再计算待预测个体在未成年期间各个成长时间点的遗传身高值:记个体待预测身高的年龄为T(0≤T<18),求取该个体在年龄T时对应的身高均值MT和身高SD值SDT,计算方法如下:
根据个体性别找出年龄T所属的年龄段区间,若个体待预测身高的年龄T为所属年龄段区间的左端点或右端点,则该端点的身高均值、身高SD值即为该个体在年龄T时对应的身高均值MT和身高SD值SDT;反之,则进行如下操作:
记个体待预测身高的年龄T所属年龄段区间的左、右端点分别为P、Q,且满足0≤P<T<Q≤18。
记个体年龄为P时对应的身高均值为MP、身高SD值为SDP,记个体年龄为Q时对应的身高均值为MQ、身高SD值为SDQ。
根据身高均值MP、MQ求取待预测个体在年龄T时对应的身高均值MT,根据身高SD值SDP、SDQ求取待预测个体在年龄T时对应的身高SD值SDT,计算公式如下:
(MQ-MT)/(MT-MP)=(Q-T)/(T-P)
(SDQ-SDT)/(SDT-SDP)=(Q-T)/(T-P)
在成长时间点T时,待预测个体的遗传身高HT和获取的当前身高均值MT的差值记为当前遗传差值ΔHT,该个体的当前遗传差值ΔHT与遗传身高HT、身高相对偏移量K、当前身高SD值SDT和当前身高均值MT的关系如下:
ΔHT=HT-MT=K*SDT
相对偏移量K为固定值,可得:
K=ΔHN/SDN=(HN-MN)/SDN=ΔHT/SDT
ΔHT=ΔHN/SDN*SDT
结合上述公式可得,待预测个体的遗传身高HT与当前身高SD值SDT和当前身高均值MT的关系表达式如下:
HT=K*SDT+MT=(HN-MN)/SDN*SDT+MT
由此可知,只要获取待预测个体在成长时间点T时的当前身高SD值SDT和当前身高均值MT,就可求取待预测个体在成长时间点T的遗传身高值。由上述公式可知,可求取待预测个体在0至18岁之间,任意年龄的个体遗传身高值。因此,在成长时间点T时,个体的实测身高与个体的遗传身高的差值为个体后天因素影响身高,可理解为该个体身高受到了不同于社会平均后天影响而发生的身高异变值或程度。以下通过多个个体的遗传身高预测值来突显本发明的准确性:
被测者一:
被测者姓名:袁辰君性别:男出生日期:2012年10月11日
父亲身高:166cm母亲身高:150cm
测试年龄 | 实测身高 | 遗传身高 | -2SD | -SD | 平均身高 | +SD | +2SD |
4岁10个月 | 104.2 | 105.2 | 101.5 | 105.8 | 110.1 | 114.4 | 118.7 |
5岁 | 105.2 | 106.4 | 102.3 | 107 | 111.3 | 115.7 | 120.1 |
5岁2个月 | 106.2 | 107.4 | 103.6 | 108 | 112.4 | 116.8 | 121.2 |
5岁4个月 | 107.4 | 108.5 | 104.6 | 109.1 | 113.6 | 118.1 | 122.6 |
5岁6个月 | 108.1 | 109.6 | 105.7 | 110.2 | 114.7 | 119.2 | 123.7 |
5岁8个月 | 109.4 | 110.4 | 106.5 | 111.1 | 115.7 | 120.3 | 124.9 |
6岁 | 111 | 112.3 | 108.3 | 113 | 117.7 | 122.4 | 127.1 |
6岁1个月 | 111.7 | 112.8 | 108.8 | 113.5 | 118.2 | 122.9 | 127.6 |
6岁4个月 | 113 | 114.2 | 110.1 | 114.9 | 119.7 | 124.5 | 129.3 |
6岁5个月 | 113.3 | 114.6 | 110.4 | 115.3 | 120.2 | 125.1 | 130 |
6岁6个月 | 114 | 115.1 | 111.1 | 115.8 | 120.7 | 125.6 | 130.5 |
图4为被测者一从4岁8个月到6岁8个月的年龄-遗传身高变化走向、年龄-实测身高变化走向、年龄-身高均值变化走向、年龄-X*SD值身高变化走向。本实施例中,变量X的取值为-2、-1、0(即平均身高)、+1、+2。
被测者二:
被测者姓名:葛梓萱性别:女出生日期:2013年7月13日
父亲身高:162cm母亲身高:156cm
图5为被测者二从3岁11个月到5岁11个月的年龄-遗传身高变化走向、年龄-实测身高变化走向、年龄-身高均值变化走向、年龄-X*SD值身高变化走向。
被测者三:
被测者姓名:钱依咛性别:女出生日期:2012年5月14日
父亲身高:172cm母亲身高:157cm
测试年龄 | 实测身高 | 遗传身高 | -28D | -SD | 平均身高 | +SD | +2SD |
5岁4个月 | 108.8 | 110.8 | 103.6 | 108 | 112.4 | 116.8 | 121.2 |
5岁6个月 | 110 | 111.8 | 104.9 | 109.2 | 113.5 | 118 | 122.6 |
5岁8个月 | 111 | 112.8 | 105.5 | 110 | 114.5 | 119 | 123.5 |
5岁10个月 | 111.9 | 113.9 | 106.4 | 111 | 115.6 | 120.2 | 124.8 |
5岁11个月 | 112.5 | 114.4 | 106.9 | 111.5 | 116.1 | 120.7 | 125.3 |
6岁 | 113.1 | 114.9 | 107.6 | 112 | 116.6 | 121.2 | 126 |
6岁2个月 | 114 | 115.8 | 108.1 | 112.8 | 117.5 | 122.2 | 126.9 |
6岁6个月 | 115.7 | 117.6 | 110.1 | 114.7 | 119.4 | 124.3 | 129.2 |
6岁8个月 | 116.9 | 119 | 110.4 | 115.7 | 121 | 126.3 | 131.6 |
7岁 | 118.9 | 121.9 | 112.3 | 118.2 | 124.1 | 130.1 | 136 |
图6为被测者三从5岁1个月到到7岁1个月的的年龄-遗传身高变化走向、年龄-实测身高变化走向、年龄-身高均值变化走向、年龄-X*SD值身高变化走向。
被测者四:
被测者姓名:黄雨阳性别:男出生日期:2011年1月26日
父亲身高:171cm母亲身高:155cm
测试年龄 | 实测身高 | 遗传身高 | -2SD | -SD | 平均身高 | +SD | +2SD |
4岁5个月 | 103.8 | 105.8 | 98.7 | 102.9 | 107.1 | 111.3 | 115.5 |
5岁6个月 | 111.2 | 113.3 | 105.9 | 110.2 | 114.7 | 119.2 | 123.8 |
6岁3个月 | 115.6 | 117.7 | 109.6 | 114.4 | 119.2 | 124 | 128.8 |
7岁 | 121.8 | 123.3 | 113.4 | 119.3 | 125.2 | 131.1 | 137 |
7岁1个月 | 122 | 124 | 113.9 | 119.9 | 125.9 | 131.9 | 137.9 |
7岁6个月 | 124 | 126 | 115.7 | 121.8 | 127.9 | 134 | 140.1 |
8岁 | 126.5 | 128.5 | 118.1 | 124.3 | 130.5 | 136.7 | 142.9 |
8岁4个月 | 128.4 | 130.4 | 119.8 | 126.1 | 132.4 | 138.7 | 145 |
图7为被测者四从6岁5个月到8岁5个月的年龄-遗传身高变化走向、年龄-实测身高变化走向、年龄-身高均值变化走向、年龄-X*SD值身高变化走向。
实施例2
在上述实施例一的基础上,本发明实施例还提供一种个体身高预测系统,包括:
数据获取模块,用于获取待预测个体在0至N岁之间,各年龄段区间左、右端点对应的身高均值、身高SD值。
遗传身高预测模块,用于计算待预测个体在N岁时的理论身高值,并根据数据获取模块获取的多个数据计算待预测个体在不同成长时间点对应的遗传身高值。
本系统集成的遗传身高预测模块以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成。所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
所述计算机可读存储介质可以包括能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等,还可以包括用于在云计算/云存储环境下实现本发明提出的身高预测方法的程序产品。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
实施例3
在上述实施例一的基础上,本发明实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上述方法实施例中记载的一种个体身高预测方法的步骤。
实施例4
在上述实施例一的基础上,本发明实施例还提供一种个体身高预测终端,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,处理器执行所述计算机程序时实现如上述方法实施例中记载的个体身高预测方法。
所述个体身高预测终端可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述个体身高预测终端可包括但不仅限于处理器、存储器,例如,还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述个体身高预测终端的控制中心,利用各种接口和线路连接整个个体身高预测终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述个体身高预测终端的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如图片显示功能)等;存储数据区可存储根据使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种个体身高预测方法,其特征在于,方法如下:
记个体待预测身高的年龄为T,计算个体在成年年龄N岁时的理论身高值HN;其中,0≤T<N;
基于大数据身高样本,将0至N岁的成长历程划分为多个连续的年龄段区间,计算各个年龄段区间左端点和右端点对应的身高均值和身高SD值;
获取待预测个体成年时对应的身高均值MN和身高SD值SDN,并求取该个体在年龄T时对应的身高均值MT和身高SD值SDT;
根据理论身高值HN、身高均值MT和MN、身高SD值SDT和SDN,计算个体在年龄T时的遗传身高值HT,通过比较待预测个体实测身高值与遗传身高值HT,判断待预测个体在该年龄T的生长环境是否有利于该个体的身高成长;
求取个体在年龄T时对应的身高均值MT和身高SD值SDT的具体方法如下:
根据个体性别找出年龄T所属的年龄段区间,若个体待预测身高的年龄T为所属年龄段区间的左端点或右端点,则该端点的身高均值、身高SD值即为该个体在年龄T时对应的身高均值MT和身高SD值SDT;反之,则进行如下操作:
记个体待预测身高的年龄T所属年龄段区间的左、右端点分别为P、Q,且满足0≤P<T<Q≤N;
记个体年龄为P时对应的身高均值为MP、身高SD值为SDP,记个体年龄为Q时对应的身高均值为MQ、身高SD值为SDQ;
根据身高均值MP、MQ求取待预测个体在年龄T时对应的身高均值MT,根据身高SD值SDP、SDQ求取待预测个体在年龄T时对应的身高SD值SDT,计算公式如下:
(MQ-MT)/(MT-MP)=(Q-T)/(T-P)
(SDQ-SDT)/(SDT-SDP)=(Q-T)/(T-P);
计算个体在年龄T时的遗传身高值HT的公式如下:
HT=K*SDT+MT=(HN-MN)/SDN*SDT+MT
由此求取待预测个体在0至N岁之间,任意年龄的个体遗传身高值。
2.根据权利要求1所述的一种个体身高预测方法,其特征在于,令个体的身高相对偏移量为K,且K为恒定值,个体的身高相对偏移量K与理论身高值HN、身高均值MN和身高SD值SDN之间的关系表达式如下:
K=(HN-MN)/SDN。
3.根据权利要求1所述的一种个体身高预测方法,其特征在于,不同年龄、不同性别的个体的身高均值和身高SD值、年龄段区间的划分方式均依据待预测个体所属国家或地区发布的身高标准。
4.根据权利要求1所述的一种个体身高预测方法,其特征在于,计算待预测个体在成年年龄N岁时的理论身高值HN的方法包括但不限于CMH法、FPH法。
5.一种个体身高预测系统,其特征在于,包括:
数据获取模块,用于获取待预测个体在0至N岁之间,各年龄段区间左、右端点对应的身高均值、身高SD值;
遗传身高预测模块,用于计算待预测个体在N岁时的理论身高值,并根据数据获取模块获取的多个数据计算待预测个体在不同成长时间点对应的遗传身高值;
该个体身高预测系统采用权利要求1-4中任一项所述的一种个体身高预测方法进行身高预测。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1至4中任一项所述的个体身高预测方法的步骤。
7.一种个体身高预测终端,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的个体身高预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520159.9A CN110211700B (zh) | 2019-06-14 | 2019-06-14 | 一种个体身高预测方法、系统、可读存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910520159.9A CN110211700B (zh) | 2019-06-14 | 2019-06-14 | 一种个体身高预测方法、系统、可读存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110211700A CN110211700A (zh) | 2019-09-06 |
CN110211700B true CN110211700B (zh) | 2023-06-23 |
Family
ID=67793033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910520159.9A Active CN110211700B (zh) | 2019-06-14 | 2019-06-14 | 一种个体身高预测方法、系统、可读存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211700B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182067A (zh) * | 2020-09-27 | 2021-01-05 | 深圳市伊欧乐科技有限公司 | 个体身高预测方法、装置、电子设备及存储介质 |
CN112447302B (zh) * | 2020-12-04 | 2023-01-06 | 石家庄喜高科技有限责任公司 | 身高增长速度评价方法及终端设备 |
CN112365983B (zh) * | 2020-12-04 | 2023-10-13 | 石家庄喜高科技有限责任公司 | 身高发育评价方法及终端设备 |
CN112545493B (zh) * | 2020-12-04 | 2023-02-03 | 石家庄喜高科技有限责任公司 | 身高评价方法及终端设备 |
CN113178260A (zh) * | 2021-05-24 | 2021-07-27 | 朱世奔 | 儿童生长发育评价计算方法 |
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系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100838339B1 (ko) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체 |
JP2016218008A (ja) * | 2015-05-26 | 2016-12-22 | 公益財団法人ヒューマンサイエンス振興財団 | 体重計及び成長ピーク判定方法 |
JP2016224879A (ja) * | 2015-06-04 | 2016-12-28 | からだ環境総研株式会社 | 身長予測方法および体重予測方法 |
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系统 |
RU2756023C1 (ru) * | 2020-09-14 | 2021-09-24 | Федеральное бюджетное учреждение науки "Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФБУН "ФНЦ медико-профилактических технологий управления рисками здоровью | Способ оценки соответствия объема щитовидной железы норме или отклонению от нее у детей ростом ниже среднего от 4 до 15 лет методом ультразвуковой диагностики |
-
2019
- 2019-06-14 CN CN201910520159.9A patent/CN110211700B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100838339B1 (ko) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체 |
JP2016218008A (ja) * | 2015-05-26 | 2016-12-22 | 公益財団法人ヒューマンサイエンス振興財団 | 体重計及び成長ピーク判定方法 |
JP2016224879A (ja) * | 2015-06-04 | 2016-12-28 | からだ環境総研株式会社 | 身長予測方法および体重予測方法 |
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系统 |
RU2756023C1 (ru) * | 2020-09-14 | 2021-09-24 | Федеральное бюджетное учреждение науки "Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения" Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека (ФБУН "ФНЦ медико-профилактических технологий управления рисками здоровью | Способ оценки соответствия объема щитовидной железы норме или отклонению от нее у детей ростом ниже среднего от 4 до 15 лет методом ультразвуковой диагностики |
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(第07期);第76-79+110页 * |
成都市武侯区学龄期儿童身高及其影响因素调查;唐丹;庞英;郑燕;王红;;现代预防医学(第16期);第43-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110211700A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211700B (zh) | 一种个体身高预测方法、系统、可读存储介质及终端 | |
de Reus et al. | Estimating false positives and negatives in brain networks | |
Wang et al. | Intelligent hybrid deep learning model for breast cancer detection | |
Lawing et al. | Geometric morphometrics: recent applications to the study of evolution and development | |
Mitteroecker et al. | The ontogenetic trajectory of the phenotypic covariance matrix, with examples from craniofacial shape in rats and humans | |
US20090290766A1 (en) | Automated placental measurement | |
Gerbault et al. | Statistically robust representation and comparison of mortality profiles in archaeozoology | |
US20100220916A1 (en) | Automated placental measurement | |
Inácio et al. | Nonparametric Bayesian estimation of the three‐way receiver operating characteristic surface | |
Chen et al. | A comprehensive comparison and overview of R packages for calculating sample entropy | |
Lupean et al. | Differentiation of endometriomas from ovarian hemorrhagic cysts at magnetic resonance: the role of texture analysis | |
Xu et al. | Multiscale analysis of financial time series by Rényi distribution entropy | |
CN110222459B (zh) | 一种个体身高分析方法、系统、可读存储介质及终端 | |
Espinosa et al. | Effects of tau and sampling frequency on the regularity analysis of ecg and eeg signals using apen and sampen entropy estimators | |
De Asis-Cruz et al. | Functional connectivity-derived optimal gestational-age cut points for fetal brain network maturity | |
Curado et al. | Early detection of Alzheimer’s disease: Detecting asymmetries with a return random walk link predictor | |
Fan et al. | Lifespan development of the human brain revealed by large-scale network eigen-entropy | |
Darmawan et al. | Random forest age estimation model based on length of left hand bone for Asian population | |
Dimauro et al. | Estimating clinical chemistry reference values based on an existing data set of unselected animals | |
CN110215211B (zh) | 个体身高测量及分析方法、系统、可读存储介质及终端 | |
Liu et al. | Cross-generation and cross-laboratory predictions of Affymetrix microarrays by rank-based methods | |
CN115336977B (zh) | 一种精准icu警报分级评估方法 | |
CN113223700B (zh) | 一种基于脉象数据的中医脉象鉴别的方法及装置 | |
Yang et al. | Application of the Hoffmann, Bhattacharya, nonparametric test, and QQ plot methods for establishing reference intervals from laboratory databases | |
Qu et al. | Joint modeling of recurrent and terminal events using additive models |
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 |