CN110222459A - 一种个体身高分析方法、系统、可读存储介质及终端 - Google Patents

一种个体身高分析方法、系统、可读存储介质及终端 Download PDF

Info

Publication number
CN110222459A
CN110222459A CN201910520418.8A CN201910520418A CN110222459A CN 110222459 A CN110222459 A CN 110222459A CN 201910520418 A CN201910520418 A CN 201910520418A CN 110222459 A CN110222459 A CN 110222459A
Authority
CN
China
Prior art keywords
height
individual
age
value
genetic
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.)
Granted
Application number
CN201910520418.8A
Other languages
English (en)
Other versions
CN110222459B (zh
Inventor
范峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Gaolu Technology Co Ltd
Original Assignee
Chengdu Gaolu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Gaolu Technology Co Ltd filed Critical Chengdu Gaolu Technology Co Ltd
Priority to CN201910520418.8A priority Critical patent/CN110222459B/zh
Publication of CN110222459A publication Critical patent/CN110222459A/zh
Application granted granted Critical
Publication of CN110222459B publication Critical patent/CN110222459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Dentistry (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种个体身高分析方法、系统、可读存储介质及终端，涉及身高统计分析技术领域，方法如下：计算个体在某一成长时间区间内各个成长时间点的遗传身高值，绘制出年龄‑遗传身高变化走向；记录个体在上述区间内各个成长时间点的实测身高值，绘制出年龄‑实测身高变化走向；根据年龄‑遗传身高变化走向和年龄‑实测身高变化走向，比较个体在具体某一成长时间点时的遗传身高值和实测身高值的大小关系，从而判断出该成长时间点的后天因素是否有利于该个体长高。本发明有利于连续观察对比数据，及时排查出不利于孩子长高的后天因素，避免错过最佳干预时间，并且能从数据上及时判断出后天干预措施是否有效地促进了孩子长高。

Description

一种个体身高分析方法、系统、可读存储介质及终端
技术领域
本发明涉及身高统计分析技术领域，具体涉及一种个体身高分析方法、系统、可读存储 介质及终端。
背景技术
现有技术中，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。即便家长或医疗人员连续性的记录孩子的成长身高 值，再根据记录的成长值比较孩子前后一段时间的身高变化，也无法得出孩子的后天因素 是否有利于孩子长高的定性结论。
发明内容
本发明的目的在于：为解决现有方法无法及时给出后天因素是否有利于个体长高的定性 结论，导致无法及时排查不利于孩子长高的后天因素，错过孩子长高最佳干预时间的问题， 提供了一种个体身高分析方法、系统、可读存储介质及终端。
本发明采用的技术方案如下：
一种个体身高分析方法，方法如下：
计算个体在成长时间区间[S1，S2]内各个成长时间点的遗传身高值，绘制出年龄-遗传身 高变化走向；其中，0≤S1＜S2≤N，N表示个体成年年龄，S1、S2表示个体在成长过程中 的成长时间点；
记录个体在成长时间区间[S1，S2]中各个成长时间点的实测身高值，绘制出年龄-实测身 高变化走向；
根据年龄-遗传身高变化走向和年龄-实测身高变化走向，比较个体在同一成长时间点T 时的遗传身高值HT和实测身高值HR的大小关系，其中，S1≤T≤S2；若HT>HR，则表示 个体在成长时间点T时的后天因素不利于其长高，反之则表示个体在成长时间点T时的后 天因素利于其长高。
进一步地，计算个体在0至N岁之间，某一成长时间点T的遗传身高值的方法具体如下：
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，根据年龄T所属年龄段区 间左、右端点对应的身高均值和身高SD值求取该个体在年龄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 个体在年龄T、年龄N对应的身高均值和身高SD值之间的关系表达式如下：
K＝(MN-MN)/SDN＝(HT-MT)/SDT
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，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；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，还绘制有0至N岁之间，各个成长时间点对应的年龄-身高均值变化走向、 年龄-X*SD值身高变化走向；绘制个体年龄-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值身高变化走向的方法包括但不限于采用折线图或条形 图；其中，变量X的取值为整数。
一种个体身高分析系统，包括：
数据获取模块，用于获取个体在0至N岁之间，各成长时间点对应的身高均值、身高SD值；
身高处理模块，用于计算个体在N岁时的理论身高值、根据数据获取模块获取的多个 数据计算个体在不同成长时间点对应的遗传身高值和不同SD值取值下对应的异变身高值；
身高变化走向构建模块，用于绘制个体年龄-遗传身高变化走向或/和年龄-实测身高变化 走向或/和年龄-身高均值变化走向或/和年龄-X*SD值身高变化走向；其中，变量X的取值 为整数。
进一步地，系统还包括：
登录/注册模块，用于完成用户的注册和已注册用户的登录；
个体信息管理模块，用于输出并存储个体个人信息及该个体的父母身高信息，个体个人 信息包括个体性别、个体年龄；
身高数据记录模块，用于输入个体在不同成长时间点时的实测身高值及查看个体历史实 测身高值；
后天因素记录模块，用于管理后天因素数据，管理后天因素数据的方式包括增加、删除、 修改、查询，后天因素数据包括但不限于个体实测体重、实际运动量、睡眠时长；
学习交流模块，用于查看、评论及收藏科普文章，以及发布、评论/回复和点赞问答；
互动管理模块，用于管理查看、评论和收藏后的科普文章记录和查看、发布、评论/回 复、点赞后的问答，以及给他人在线留言。
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，以实现上述记载的个体身高分析方法的步 骤。
一种个体身高分析终端，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上述记载的个体身高分析方法。
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、本发明通过设计成软件系统，用户可随时手动输入个体的实测身高到软件系统中， 有利于家长、医疗人员等连续观察和对比个体实测数据和遗传数据，同时还可以手动输入 个体的实际运动量、实际体重、睡眠时长等后天因素数据，及时排查出不利于孩子长高的 后天因素，避免错过最佳干预时间，并且能从数据上及时判断出后天干预措施是否有效地 促进了孩子长高。
2、本软件系统便于广泛使用和持续搜集个体身高变动数据，相对于国家做的身高统计， 本方法对个体身高数据的搜集更具有及时性、连续性以及高频率的优点，技术上高效、简 单、经济、精确，可作为国民级身高统计及分析软件，使用家庭或组织可自发的录入孩子 身高数据并自动上传至服务器归档，统计的数据样本量巨大而真实，相比国家、地方和学 校组织的身高统计，节约了大量人力成本和经济成本。
3、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并绘制该个体的遗传身高变化走向图，根据用户手动输入的个体实测 身高值绘制该个体的实测身高变化走向图，从而通过个体实测身高值与遗传身高值的对比 判断该个体当前的生长环境是否有利于该个体的身高成长。
4、本发明能计算未成年人0至N岁间任意岁数的个体遗传身高值，能与孩子的实测身 高值实时进行比较，快速判断后天因素是否有利于长高。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，无法区分儿童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。
5、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。
6、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。
7、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。
8、本发明通过柱状图体现个体实测身高增量和遗传身高增量，可直观看到未成年个体 每半岁和一整周岁应有的遗传身高增量和实测身高增量对比，便于判断未成年个体半岁和 一整岁跨度的后天因素是否有利于个体长高或改善后的后天因素是否有效地促进个体长 高，简单直观，视觉性强。
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分析方法流程图；
图2为本发明中个体遗传身高值的计算流程图；
图3为本发明中的系统结构框图；
图4为本发明实施例一中的二维空间示意图；
图5为本发明实施例一中的数轴示意图；
图6为被测者一的遗传身高和实测身高的变化走向；
图7为被测者二的遗传身高和实测身高的变化走向；
图8为被测者三的遗传身高和实测身高的变化走向；
图9为被测者四的遗传身高和实测身高的变化走向；
图10为被测者五的遗传身高和实测身高的变化走向；
图11为被测者六的遗传身高和实测身高的变化走向；
图12为被测者一的半岁和整岁的遗传身高增量和实测身高增量对比图；
图13为被测者二的半岁和整岁的遗传身高增量和实测身高增量对比图；
图14为被测者三的半岁和整岁的遗传身高增量和实测身高增量对比图；
图15为被测者四的半岁和整岁的遗传身高增量和实测身高增量对比图；
图16为被测者五的半岁和整岁的遗传身高增量和实测身高增量对比图；
图17为被测者六的半岁和整岁的遗传身高增量和实测身高增量对比图。
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分析方法，主要用于预测个体未成年的遗传身高 值，通过比较遗传身高值与实测身高值之间的大小关系，判断后天因素是否有利于个体长 高。本实施例中，N的取值为18，即本国规定的成年年纪。如图1所示，该方法具体如下：
第一步：根据图2所示的个体遗传身高值的计算流程图，计算个体在0至18岁内各个 成长时间点的遗传身高值，绘制出年龄-遗传身高变化走向。
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±5.29CM；
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，个体遗传身高相对群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4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4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5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，可求取个体在0至18岁之间，任意年龄的个体遗传身高。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。
根据图2所示的流程图，再计算个体在未成年期间各个成长时间点的遗传身高值，绘制 出年龄-遗传身高变化走向。本实施例采用折线图绘制各种年龄-遗传身高变化走向，绘制年 龄-遗传身高变化走向时，以年龄为横坐标，以身高为纵坐标，按照年龄从小到大的排序方 式进行绘制。在年龄-遗传身高变化走向中，还能基于个体性别，将图中所涉及到的各个年 龄对应的身高均值绘制出年龄-平均身高变化走向，以及不同身高SD值对应的身高值绘制 出年龄-X*SD值身高变化走向(X为变量，其取值为整数)，更直观地看出个体从0到18 岁的身高变化。
第二步：记录个体在成长过程中各个成长时间点的实测身高值，绘制出该个体对应的年 龄-实测身高变化走向。
第三步：根据年龄-遗传身高变化走向和年龄-实测身高变化走向，比较个体在同一成长 时间点T时的遗传身高值HT和实测身高值HR的大小关系。若HT>HR，则表示个体在成长 时间点T时的后天因素不利于该个体长高，反之则表示个体在成长时间点T时的后天因素 利于该个体长高。即：在同一个成长时间点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。以下为几组不同个体的遗传身高值和实际身高值的比较数据：
被测者一：
被测者姓名：黄XX 性别：女出生日期：2010年9月5日
父亲身高：177cm母亲身高：163cm
测试年龄 实测身高 遗传身高 -2SD -SD 平均身高 +SD +2SD
6岁10个月 124.9 126 111.4 117.1 122.8 128.5 134.2
7岁 126.2 127.6 112.2 118.2 124.2 130.2 136.2
7岁2个月 127.1 128.5 112.9 119 125.1 131.2 137.3
7岁4个月 128.0 129.4 113.8 119.9 126 132.1 138.2
7岁6个月 128.9 130.3 114.4 120.6 126.8 133 139.2
7岁7个月 129.4 130.8 114.9 121.1 127.3 133.5 139.7
7岁8个月 129.8 131.2 115.3 121.5 127.7 133.9 140.1
7岁10个月 130.7 132.1 116 122.3 128.6 134.9 141.2
8岁 131.6 132.9 116.8 123.1 129.4 135.7 142
8岁2个月 132.7 134 117.6 124 130.4 136.8 143.2
图6为被测者一从6岁9个月到8岁9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，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：谢XX 性别：男出生日期：2014年1月27日
父亲身高：173cm母亲身高：161cm
测试年龄 实测身高 遗传身高 -2SD -SD 平均身高 +SD +2SD
4岁 103.2 105.2 95.6 99.7 103.8 107.9 112
4岁6个月 106.9 108.9 95.6 99.7 103.8 107.9 112
4岁8个月 108.3 110.1 100 104.3 108.6 112.9 117.2
4岁10个月 109.3 111.3 101.2 105.5 109.8 114.1 118.4
4岁11个月 109.8 111.9 101.6 106 110.4 114.8 119.2
5岁 110.5 112.5 102.2 106.6 111 115.4 119.8
5岁1个月 111.1 113.1 102.8 107.2 111.6 116 120.4
5岁2个月 111.7 113.7 103.4 107.8 112.2 116.6 121
5岁3个月 112.3 114.3 104 108.4 112.8 117.2 121.6
图7为被测者二从3岁5个月到5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。
被测者三：
被测者姓名：范XX 性别：男出生日期：2012年1月16日
父亲身高：163cm母亲身高：151cm
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 102.8 104.5 101.5 105.8 110.1 114.4 118.7
5岁 103.8 105.7 102.3 107 111.3 115.7 120.1
5岁1个月 104.7 106.2 103.1 107.5 111.9 116.3 120.7
5岁5个月 107.5 109 105.9 110.4 114.9 119.4 123.9
5岁8个月 109.3 109.7 106.5 111.1 115.7 120.3 124.9
5岁9个月 110.4 110.2 107 111.6 116.2 120.8 125.4
5岁10个月 111.5 110.7 107.5 112.1 116.7 121.3 125.9
6岁 112.4 111.7 108.5 113.1 117.7 122.4 127.2
图8为被测者三从4岁4个月到6岁4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。被测者三5岁8个月开始专业跳绳训练，长高速度明显提高。
被测者四：
被测者姓名：唐XX 性别：女出生日期：2014年11月22日
父亲身高：167cm母亲身高：152cm
测试年龄 实测身高 遗传身高 -2SD -SD 平均身高 +SD +2SD
2岁8个月 91.8 88.7 85.7 89.5 93.3 97.1 100.9
3岁 94.4 90.8 87.8 91.6 95.4 99.2 103
3岁4个月 96.9 93.4 90.3 94.2 98.1 102 105.9
3岁6个月 98.3 94.5 91.4 95.3 99.2 103.1 107
3岁9个月 100.2 96.6 93.5 97.4 101.3 105.2 109.1
4岁 102.1 98.2 95.1 99 102.9 106.8 110.7
4岁1个月 102.5 98.9 95.7 99.7 103.7 107.7 111.7
4岁3个月 103.6 99.9 96.7 100.8 104.9 109 113.1
4岁5个月 104.9 101 97.7 101.9 106.1 110.3 114.5
4岁6个月 105.8 101.8 98.7 102.7 106.7 110.9 115.2
图9为被测者四从2岁7个月到4岁7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。被测者四每天睡眠时间 充足，总时长超过11个小时。
被测者五：
被测者姓名：姚XX 性别：女出生日期：2008年7月25日
父亲身高：170cm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
9岁 132.8 129.9 121.1 127.9 134.7 141.5 148.3
9岁6个月 135.8 133.1 123.9 131 138.1 145.2 152.3
9岁8个月 136.7 134 124.7 131.9 139.1 146.3 153.5
10岁 138.9 135.8 126.2 133.6 141 148.4 155.8
10岁2个月 139.9 137 127.4 134.8 142.2 149.6 157
10岁6个月 141.9 139 129.3 136.8 144.3 151.8 159.3
10岁8个月 143.5 140 130.3 137.8 145.3 152.8 160.3
11岁 145.9 141.9 132 139.6 147.2 154.8 162.4
图10为被测者五从9岁到11岁的年龄-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。被测者五10岁6个月开始跳绳训练。
被测者六：
被测者姓名：李XX 性别：男出生日期：2010年6月12日
父亲身高：178cm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
7岁5个月 128.3 126.5 115.5 121.6 127.7 133.8 139.9
7岁8个月 129.5 127.8 116.8 122.9 129 135.1 141.2
8岁 131.5 129.5 118.4 124.5 130.7 136.9 143.1
8岁4个月 133.4 131.2 119.8 126.1 132.4 138.7 145
8岁6个月 134.8 131.9 120.3 126.7 133.1 139.5 145.9
8岁9个月 136.2 133.2 121.4 128 134.5 141 147.5
8岁11个月 137.3 134.1 122.2 128.8 135.4 142 148.6
9岁 137.9 134.5 122.7 129.3 135.8 142.4 148.9
图11为被测者六从7岁2个月到9岁2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。被测者六8岁4个月开始增加了运动时间，身高略微增长。
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分析系统，如图3所示， 包括：
数据获取模块，用于根据个体的性别获取该个体在0至18岁之间，各成长时间点对应 的身高均值、身高SD值。
身高处理模块，用于计算个体在18岁时的理论身高值、根据数据获取模块获取的多个 数据计算个体在不同成长时间点对应的遗传身高值和不同SD值取值下对应的异变身高值。
身高变化走向构建模块，用于绘制个体年龄-遗传身高变化走向或/和年龄-实测身高变化 走向或/和年龄-身高均值变化走向或/和年龄-X*SD值身高变化走向。
本实施例所述的个体身高分析系统以微信小程序的方式提供给用户使用。在用户授权进 入该微信小程序之后，用户可手动添加父亲身高、母亲身高、孩子性别、孩子实测身高数 据，微信小程序在二维坐标系中以折现图的方式呈现个体的年龄-遗传身高变化走向或/和年 龄-实测身高变化走向或/和年龄-身高均值变化走向或/和年龄-X*SD值身高变化走向，用户 根据个人情况查看全部或部分关于年龄及身高的变化走向。
本发明提出的系统集成的多个模块共同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取存储介质中。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
在上述实施例二的基础上，身高变化走向构建模块还采用柱状图绘制个体年龄-遗传身 高增量与个体年龄-实测身高增量对比图，如图12至17所示，分别为实施例一中所述的被 测者一至六在某成长时间段中的半岁遗传身高增量与实测身高增量对比图、整岁遗传身高 增量与实测身高增量对比图。该方式可以直观体现个体每半岁和一整岁应有的遗传增量和 实测增量，便于医疗人员或用户判断个体半岁和一整岁跨度的后天因素是否有利于个体长 高或改善后的后天因素是否有效地促进个体长高，简单直观，视觉性强。
实施例4
在上述实施例二或三的基础上，个体身高分析系统还包括：
登录/注册模块，用于完成用户的注册和已注册用户的登录。
个体信息管理模块，用于输出并存储个体个人信息及该个体的父母身高信息，个体个人 信息包括个体性别、个体年龄。
身高数据记录模块，用于输入个体在不同成长时间点时的实测身高值及查看个体历史实 测身高值。
后天因素记录模块，用于管理后天因素数据，管理后天因素数据的方式包括增加、删除、 修改、查询，后天因素数据包括但不限于个体实测体重、实际运动量、睡眠时长。
学习交流模块，用于查看、评论及收藏科普文章，以及发布、评论/回复和点赞问答。
互动管理模块，用于管理查看、评论和收藏后的科普文章记录和查看、发布、评论/回 复、点赞后的问答，以及新消息提醒通知给他人在线留言。
用户可手动添加孩子实测体重数据、实际运动量数据等后天因素数据，便于医生等人员 根据孩子的后天因素数据为家长提供促进孩子长高的措施。家长也可在该微信小程序中查 看科普知识，也可为其他人进行答疑解惑，实用性高。
实施例5
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个体身高分析方法的步骤。
实施例6
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分析终端，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分析方法。
所述个体身高分析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。所述个体身高分析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分析终端 的控制中心，利用各种接口和线路连接整个个体身高分析终端的各个部分。
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 高分析终端的各种功能。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 MediaCard，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 (10)

1.一种个体身高分析方法，其特征在于，方法如下：
计算个体在成长时间区间[S1，S2]内各个成长时间点的遗传身高值，绘制出年龄-遗传身高变化走向；其中，0≤S1＜S2≤N，N表示个体成年年龄，S1、S2表示个体在成长过程中的成长时间点；
记录个体在成长时间区间[S1，S2]中各个成长时间点的实测身高值，绘制出年龄-实测身高变化走向；
根据年龄-遗传身高变化走向和年龄-实测身高变化走向，比较个体在同一成长时间点T时的遗传身高值HT和实测身高值HR的大小关系，其中，S1≤T≤S2；若HT＞HR，则表示个体在成长时间点T时的后天因素不利于其长高，反之则表示个体在成长时间点T时的后天因素利于其长高。
2.根据权利要求1所述的一种个体身高分析方法，其特征在于，计算个体在0至N岁之间，某一成长时间点T的遗传身高值的方法具体如下：
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，根据年龄T所属年龄段区间左、右端点对应的身高均值和身高SD值求取该个体在年龄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。
3.根据权利要求2所述的一种个体身高分析方法，其特征在于，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)。
4.根据权利要求2所述的一种个体身高分析方法，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与个体在年龄T、年龄N对应的身高均值和身高SD值之间的关系表达式如下：
K＝(HN-MN)/SDN＝(HT-MT)/SDT
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。
5.根据权利要求2所述的一种个体身高分析方法，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；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。
6.根据权利要求2所述的一种个体身高分析方法，其特征在于，还绘制有0至N岁之间，各个成长时间点对应的年龄-身高均值变化走向、年龄-X*SD值身高变化走向；绘制个体年龄-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值身高变化走向的方法包括但不限于采用折线图或条形图；其中，变量X的取值为整数。
7.采用权利要求1至6任一所述的个体身高分析方法的一种个体身高分析系统，其特征在于，包括：
数据获取模块，用于获取个体在0至N岁之间，各成长时间点对应的身高均值、身高SD值；
身高处理模块，用于计算个体在N岁时的理论身高值、根据数据获取模块获取的多个数据计算个体在不同成长时间点对应的遗传身高值和不同SD值取值下对应的异变身高值；
身高变化走向构建模块，用于绘制个体年龄-遗传身高变化走向或/和年龄-实测身高变化走向或/和年龄-身高均值变化走向或/和年龄-X*SD值身高变化走向；其中，变量X的取值为整数。
8.根据权利要求7所述的一种个体身高分析系统，其特征在于，还包括：
登录/注册模块，用于完成用户的注册和已注册用户的登录；
个体信息管理模块，用于输出并存储个体个人信息及该个体的父母身高信息，个体个人信息包括个体性别、个体年龄；
身高数据记录模块，用于输入个体在不同成长时间点时的实测身高值及查看个体历史实测身高值；
后天因素记录模块，用于管理后天因素数据，管理后天因素数据的方式包括增加、删除、修改、查询，后天因素数据包括但不限于个体实测体重、实际运动量、睡眠时长；
学习交流模块，用于查看、评论及收藏科普文章，以及发布、评论/回复和点赞问答；
互动管理模块，用于管理查看、评论和收藏后的科普文章记录和查看、发布、评论/回复、点赞后的问答，以及给他人在线留言。
9.一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6中任一项所述的个体身高分析方法的步骤。
10.一种个体身高分析终端，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6中任一项所述的个体身高分析方法。
CN201910520418.8A 2019-06-14 2019-06-14 一种个体身高分析方法、系统、可读存储介质及终端 Active CN110222459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910520418.8A CN110222459B (zh) 2019-06-14 2019-06-14 一种个体身高分析方法、系统、可读存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910520418.8A CN110222459B (zh) 2019-06-14 2019-06-14 一种个体身高分析方法、系统、可读存储介质及终端

Publications (2)

Publication Number Publication Date
CN110222459A true CN110222459A (zh) 2019-09-10
CN110222459B CN110222459B (zh) 2023-04-14

Family

ID=67817382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910520418.8A Active CN110222459B (zh) 2019-06-14 2019-06-14 一种个体身高分析方法、系统、可读存储介质及终端

Country Status (1)

Country Link
CN (1) CN110222459B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112397202A (zh) * 2020-10-20 2021-02-23 浙江工业大学 一种青少年儿童身高生长曲线的预测方法
CN117423472A (zh) * 2023-12-18 2024-01-19 天津医科大学总医院 一种基于骨龄识别的多要素身高预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965953A (zh) * 2015-07-13 2015-10-07 熊妹珍 一种青少年身高预测模型的建立方法
CN106528824A (zh) * 2016-11-17 2017-03-22 包磊 一种用户身高数据的预警分析方法和装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104965953A (zh) * 2015-07-13 2015-10-07 熊妹珍 一种青少年身高预测模型的建立方法
CN106528824A (zh) * 2016-11-17 2017-03-22 包磊 一种用户身高数据的预警分析方法和装置
WO2018090531A1 (zh) * 2016-11-17 2018-05-24 深圳市行远科技发展有限公司 一种用户身高数据的预警分析方法和装置
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112397202A (zh) * 2020-10-20 2021-02-23 浙江工业大学 一种青少年儿童身高生长曲线的预测方法
CN112397202B (zh) * 2020-10-20 2024-03-29 浙江工业大学 一种青少年儿童身高生长曲线的预测方法
CN117423472A (zh) * 2023-12-18 2024-01-19 天津医科大学总医院 一种基于骨龄识别的多要素身高预测方法及系统
CN117423472B (zh) * 2023-12-18 2024-03-08 天津医科大学总医院 一种基于骨龄识别的多要素身高预测方法及系统

Also Published As

Publication number Publication date
CN110222459B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
Gan et al. Selection of the optimal number of topics for LDA topic model—taking patent policy analysis as an example
Polat Classification of Parkinson's disease using feature weighting method on the basis of fuzzy C-means clustering
Krypotos et al. A Bayesian hierarchical diffusion model decomposition of performance in Approach–Avoidance Tasks
Wang et al. Student performance prediction with short-term sequential campus behaviors
CN110211700A (zh) 一种个体身高预测方法、系统、可读存储介质及终端
CN112927782B (zh) 一种基于文本情感分析的心身健康状态预警系统
CN110222459A (zh) 一种个体身高分析方法、系统、可读存储介质及终端
Shuttleworth et al. Distance between home and work: a multilevel analysis of individual workers, neighbourhoods, and employment sites in Northern Ireland
Li et al. An accurate and robust method for spike sorting based on convolutional neural networks
Yao et al. EEG-based emotion recognition by exploiting fused network entropy measures of complex networks across subjects
Tong et al. Severity classification of parkinson’s disease based on permutation-variable importance and persistent entropy
Yan et al. Estimating individualized daily self-reported affect with wearable sensors
CN106055875A (zh) 一种基于大数据的皮纹分析处理装置
Kang et al. Who are happier? Spatio-temporal analysis of worldwide human emotion based on geo-crowdsourcing faces
Song et al. Research on improved DenseNets pig cough sound recognition model based on SENets
CN110236572A (zh) 基于体温信息的抑郁症预测系统
CN110215211A (zh) 个体身高测量及分析方法、系统、可读存储介质及终端
Zhou Evaluation research on data processing of mental health of college students based on decision tree algorithm
CN109543512A (zh) 图文摘要的评价方法
Chen et al. Research on emotion recognition for online learning in a novel computing model
Zhong et al. Gated recurrent unit network for psychological stress classification using electrocardiograms from wearable devices
CN106021927A (zh) 一种基于大数据的皮纹分析处理方法
Rew et al. Monitoring skin condition using life activities on the SNS user documents
Hou et al. Study on individual behavior of dairy cows based on activity data and clustering
Rojas et al. Exploring the Potential of Machine Learning for the Diagnosis of Balance Disorders Based on Centre of Pressure Analyses

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