CN111354466B - 确定精液标准值的方法、装置、计算机设备和存储介质 - Google Patents
确定精液标准值的方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111354466B CN111354466B CN202010124795.2A CN202010124795A CN111354466B CN 111354466 B CN111354466 B CN 111354466B CN 202010124795 A CN202010124795 A CN 202010124795A CN 111354466 B CN111354466 B CN 111354466B
- Authority
- CN
- China
- Prior art keywords
- semen
- value
- historical
- current
- 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.)
- Active
Links
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种确定精液标准值的方法、装置、计算机设备和存储介质。该方法包括:利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;获取待受孕雌性的当前生理特征;将所述当前生理特征输入所述精液值模型中;根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。采用本方法能够动态地、定制化地确定精液标准值,使得该精液标准值更加精确,进而使得根据该精液标准值处理得到的精液可以发挥出较大的效能状态。
Description
技术领域
本申请涉及计算机网络技术领域,特别是涉及一种确定精液标准值的方法、装置、计算机设备和存储介质。
背景技术
在对精液进行处理时,一般将精液的各项指标值处理至符合相关部门(如国际卫生组织)制定的标准值,当精液的指标值达到该制定的标准值时,可以对得到的精液进行后续处理。但是符合相关部门制定的标准值,并不意味着是精子达到可以发挥出较大效能的状态,难以保证精子的效能。因此,如何更精确地确定精液标准值是非常有必要的。
发明内容
基于此,有必要针对上述技术问题,提供一种能够更精确地确定精液标准值的确定精液标准值的方法、装置、计算机设备和存储介质。
第一方面,提供一种确定精液标准值的方法,所述方法包括:
利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;
获取待受孕雌性的当前生理特征;
将所述当前生理特征输入所述精液值模型中;
根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
在一个实施例中,所述利用历史精液的配对信息进行模型训练,得到精液值模型的步骤,包括:
根据所述历史精液的配对信息,确定映射参数;所述映射参数为将雌性生理特征映射至对应的精液值的参数;
根据所述映射参数得到精液值模型。
在一个实施例中,所述根据所述历史精液的配对信息,确定映射参数的步骤,包括:
利用训练算法对所述历史精液的配对信息进行处理,得到所述映射参数;所述训练算法为决策树、深度学习和线性回归中的至少一种。
在一个实施例中,所述历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与所述历史受孕雌性对应的精液历史值。
在一个实施例中,所述历史生理特征包括体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的至少一种。
在一个实施例中,所述当前生理特征的类型与所述历史生理特征的类型对应。
在一个实施例中,在所述根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值的步骤之后,还包括:
获取所述当前精液的精液当前值;
当所述精液当前值未达到所述精液标准值时,向精液处理设备发送处理指令;所述处理指令用于指示所述精液处理设备对所述当前精液进行处理,以使处理后的精液值达到精液标准值。
第二方面,提供一种确定精液标准值的装置,所述装置包括:
模型训练模块,用于利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;
特征获取模块,用于获取待受孕雌性的当前生理特征;
特征输入模块,用于将所述当前生理特征输入所述精液值模型中;
标准值确定模块,用于根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;
获取待受孕雌性的当前生理特征;
将所述当前生理特征输入所述精液值模型中;
根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;
获取待受孕雌性的当前生理特征;
将所述当前生理特征输入所述精液值模型中;
根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
上述确定精液标准值的方法、装置、计算机设备和存储介质,利用历史精液的配对信息进行模型训练,得到精液值模型,该精液值模型表征雌性生理特征和精液值之间的映射关系,将待受孕雌性的当前生理特征输入到精液值模型中,根据映射关系,将得到的精液值作为精液标准值,结合配对信息得到的映射关系和待受孕雌性的当前生理特征,可以动态地、定制化地确定精液标准值,使得该精液标准值更加精确,进而使得根据该精液标准值处理得到的精液可以发挥出较大的效能状态。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中确定精液标准值的方法的流程示意图;
图3为另一个实施例中确定精液标准值和对精液进行分析处理的步骤的流程示意图;
图4为一个实施例中确定精液标准值的装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
本申请提供的确定精液标准值的方法,可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储确定精液标准值的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种确定精液标准值的方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在对精液进行处理时,需要参照特定的精液标准值,使处理后的精液达到该精液标准值,然后将该处理后的精液和雌性动物(在以下介绍中,可以简称为雌性)进行育种,精液和雌性动物进行育种可以理解为是二者进行配对,动物可以但不限于是猪、牛等。本申请提供的确定精液标准值的方法,可以确定可以用来做参照的精液标准值。
在一个实施例中,如图2所示,提供了一种确定精液标准值的方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于电脑等终端,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S202,利用历史精液的配对信息进行模型训练,得到精液值模型。
其中,历史精液可以理解为已经用来和雌性进行配对的精液,历史精液和雌性进行配对时的相关信息可以作为是配对信息。
在本步骤中,服务器可以从数据库中采集到的历史精液的配对信息,服务器在得到配对信息后,将配对信息输入未训练的模型中,利用配对信息对该未训练的模型进行训练,训练结束后得到已训练的模型,将该已训练的模型作为精液值模型,精液值模型可以用于表征雌性生理特征与精液值之间的映射关系。
在一个实施例中,雌性生理特征可以理解为是与精液和雌性进行配对时相关的雌性的生理特征,例如体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的一种或多种;精液值可以是用于评估精液质量的数据,由于评估精液质量可以通过多种类型的生理特征进行评估,所以精液值可以包括多种类型的精液值,如精子活力、精子密度等。
下面以雌性生理特征为阴道粘液PH值、精液值包括精子活力和精子密度为例,介绍映射关系,表1为阴道粘液PH值和对应的精子活力、精子密度,在表1中,可以看出,当阴道粘液PH值为a时,对应的精子活力大于0.8,精子密度大于2亿/ml。
表1阴道粘液PH值和精子活力、精子密度的映射关系
阴道粘液PH值 | 精子活力 | 精子密度 |
a | >0.8 | >2亿/ml |
b | 0.7~0.8 | 1.5~2亿/ml |
c | 0.6~0.7 | 1~1.5亿/ml |
步骤S204,获取待受孕雌性的当前生理特征。
服务器在根据配对信息进行模型训练,得到精液值模型后,可以从生理特征采集设备上获取待受孕雌性的当前生理特征,例如如果当前生理特征为阴道粘液PH值,服务器可以和阴道PH检测仪连接,从而采集到待受孕雌性的阴道粘液PH值。
步骤S206,将当前生理特征输入精液值模型中。
在本步骤中,服务器在得到当前生理特征后,将当前生理特征输入精液值模型中。
步骤S208,根据精液值模型表征的映射关系,得到与当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值。
服务器将当前生理特征输入精液值模型后,精液值模型根据映射关系,确定和当前生理特征对应的精液值,将该精液值作为当前精液的精液标准值,当前精液可以为针对于待受孕雌性的精液,也就是说,用于和待受孕雌性进行配对的精液。
现有对精液进行处理时,采用的参考值是相关组织制定的标准值,例如世界卫生组织、某企业,但是由于制定的标准值是固定的,因此,在实际进行配对的时候,待受孕雌性的生理状况不会使标准值发生改变,也就无法结合待受孕雌性的当前生理状况处理精液,难以保证精子在配对时可以处于较大效能的状态,也难以保证精子的效能。而本申请的确定精液标准值的方法,利用历史精液的配对信息进行模型训练,得到精液值模型,该精液值模型表征雌性生理特征和精液值之间的映射关系,将待受孕雌性的当前生理特征输入到精液值模型中,根据映射关系,将得到的精液值作为精液标准值,结合配对信息得到的映射关系和待受孕雌性的当前生理特征,可以动态地、定制化地确定精液标准值,使得该精液标准值更加精确,进而使得根据该精液标准值处理得到的精液可以发挥出较大的效能状态。
精液值模型可以表征雌性生理特征与精液值之间的映射关系,精液值模型在表征该映射关系时,可以是根据映射参数进行的,映射参数用于将雌性生理特征映射到对应的精液值,例如精液值模型得到输入的当前生理特征后,根据映射参数,利用预设的算法,将当前生理特征映射到对应的精液值。
在一个实施例中,为更准确地确定映射参数,可以根据配对信息确定,具体地,可以在对历史精液的配对信息进行分析后确定映射参数,然后根据映射参数得到对应的精液值模型。由于配对信息可以是历史精液和雌性进行配对时的相关信息,为进一步得到更准确的映射参数,可以将历史精子效能结果、历史受孕雌性的历史生理特征和与历史受孕雌性对应的精液历史值作为配对信息,精子效能结果可以是指精液和雌性进行配对后的产子结果,因为子代是由精子和受孕雌性的卵细胞结合的受精卵发育而来的,精子的效能对子代有一定影响,因此,可以将产子结果看成是精子效能结果;例如一次配对会有对应的精液值、受孕雌性的生理特征和受孕雌性的产子结果,产子结果可以包括子代数量、子代体重等,例如如果受孕雌性选取为母猪,那么对应的产子结果可以是子猪数量、子猪体重等,例如一次配对中,母猪产下的子猪有6只,此时子猪体重可以是这6只子猪的平均体重;需要说明的是,“历史”是为了突出对应的精子效能结果、受孕雌性等均是已经完成配对的相关信息,另外,本领域技术人员可以根据实际情况选取产子结果,例如只选取子代数量,或者选取子代肤色,这里不做限制。
另外,历史受孕雌性的历史生理特征的类型也会在一定程度上影响精液标准值的准确性,在一个实施例中,可以将体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的至少一种作为历史生理特征;进一步地,如果利用这些生理特征中的至少一种进行模型训练,那么在利用精液值模型确定精液标准值时,输入的待受孕雌性的当前生理特征需要和选取的生理特征的类型对应,避免精液值模型根据不同的类型的数据,确定精液标准值,导致精液标准值出现偏差的情况。
在对历史精液的配对信息进行分析时,为了避免人为因素的影响,使得映射参数更适用于多种场景,在另一个实施例中,可以利用训练算法进行学习训练,确定映射参数,具体地,可以是决策树、深度学习和线性回归中的至少一种训练算法利用配对信息进行学习训练,确定映射参数。
由于精液标准值可以作为处理精液的参照值,如果在对精液进行处理后,精液当前值没有达到精液标准值,为了提升处理效率,服务器可以向精液处理设备发送处理指令,使得精液处理设备继续对当前精液进行处理。具体地,服务器可以和精液处理设备连接,服务器可以从精液处理设备中获取当前精液的精液当前值,并将该精液当前值和精液标准值进行比对,如果精液当前值未达到精液标准值,则生成处理指令,并将处理指令发送给精液处理设备,精液处理设备在接收到处理指令后,继续对当前精液进行处理,使得处理后的精液值达到精液标准值。
图3为一个应用场景中处理精液值的方法,在该应用场景中,确定精液指标值的方法可以包括:
步骤S302、获取配对信息,进行模型训练,得到精液值模型;其中,配对信息包括:历史精子效能结果、历史受孕雌性的历史生理特征和与历史受孕雌性对应的精液历史值;
步骤S304、获取待受孕雌性的当前生理特征;
步骤S306、将当前生理特征输入所述精液值模型中;
步骤S308、根据精液值模型表征的映射关系,得到与当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;其中,当前精液为针对于待受孕雌性的精液。
在得到精液标准值后,需要先对精液进行分析,确定量化指标值(相当于精液当前值),其中,对分析精液的方法可以包括:步骤S310、提取少量精液并制作载玻片放置于显微镜之下;步骤S312、读取显微镜中的视野并转换为视频流;步骤S314、通过图像分析技术对视频流中精子的形态和运动特征进行分析并量化,得出对应的量化指标值(相当于精液当前值)。在分析得到量化指标值后,步骤S316、如果量化指标值未达到精液标准值,则对精液进行稀释等处理。
在另一个应用场景中,将母猪作为待受孕雌性为例进行介绍。在该应用场景中,精子效能结果为产子结果(如子猪数量、子猪体重),历史受孕雌性的历史生理特征为之前配对时母猪的生理特征,精液历史值为精子活力和精子密度;采集之前配对时的配对信息,包括:母猪的生理特征(如体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值)、精子活力、精子密度、子猪数量以及子猪体重;将这些配对信息输入至决策树等训练算法中,训练算法根据这种配对信息进行训练,得到精液值模型,该精液值模型表征了在最佳子猪数量、子猪体重下,母猪的生理特征和精子活力、精子密度的映射关系。当要对母猪和精液进行配对时,采集该母猪的当前生理特征(如体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值),并将当前的体重、年龄、日龄等生理特征输入至精液值模型中,精液值模型根据上述映射关系,得到在最佳子猪数量、子猪体重情况下的精子活力、精子密度,将精液值模型确定的精子活力、精子密度作为标准值。然后从公猪身上提取精液,并制作载玻片放置于显微镜之下,读取显微镜中的视野并转换为视频流,通过图像分析技术对视频流中精子的形态和运动特征进行分析并量化,得出对应的量化指标值。在分析得到量化指标值后,如果量化指标值未达到标准值,则对精液进行稀释等处理。
在上述应用场景中,通过结合历史精子效能结果、历史受孕雌性的历史生理特征和精液历史值这些配对信息,进行模型训练,并将获取到的当前生理特征输入到精液值模型中,根据映射关系,将得到的精液值作为精液标准值,结合配对信息得到的映射关系和待受孕雌性的当前生理特征,可以动态地、定制化地确定精液标准值,使得该精液标准值更加更精确地确定精液标准值,进而使得根据该精液标准值处理得到的精液可以发挥出较大的效能状态。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种确定精液标准值的装置400,包括:模型训练模块402、特征获取模块404、特征输入模块406和标准值确定模块408,其中:
模型训练模块402,用于利用历史精液的配对信息进行模型训练,得到精液值模型;精液值模型表征雌性生理特征与精液值之间的映射关系;
特征获取模块404,用于获取待受孕雌性的当前生理特征;
特征输入模块406,用于将当前生理特征输入精液值模型中;
标准值确定模块408,用于根据精液值模型表征的映射关系,得到与当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;当前精液为针对于待受孕雌性的精液。
在一个实施例中,模型训练模块402,包括参数确定单元,用于根据历史精液的配对信息,确定映射参数;映射参数为将雌性生理特征映射至对应的精液值的参数;
模型确定单元,用于根据映射参数得到精液值模型。
在一个实施例中,参数确定单元,还用于利用训练算法对历史精液的配对信息进行处理,得到映射参数;训练算法为决策树、深度学习和线性回归中的至少一种。
在一个实施例中,历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与历史受孕雌性对应的精液历史值。
在一个实施例中,历史生理特征包括体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的至少一种。
在一个实施例中,当前生理特征的类型与历史生理特征的类型对应。
在一个实施例中,确定精液标准值的装置400,还包括指令发送模块,用于获取当前精液的精液当前值;当精液当前值未达到精液标准值时,向精液处理设备发送处理指令;处理指令用于指示精液处理设备对当前精液进行处理,以使处理后的精液值达到精液标准值。
关于上述装置的具体限定和技术效果,可以参见上文中对应的方法介绍,在此不再赘述。上述确定精液标准值的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
利用历史精液的配对信息进行模型训练,得到精液值模型;精液值模型表征雌性生理特征与精液值之间的映射关系;
获取待受孕雌性的当前生理特征;
将当前生理特征输入精液值模型中;
根据精液值模型表征的映射关系,得到与当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;当前精液为针对于待受孕雌性的精液。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据历史精液的配对信息,确定映射参数;映射参数为将雌性生理特征映射至对应的精液值的参数;
根据映射参数得到精液值模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用训练算法对历史精液的配对信息进行处理,得到映射参数;训练算法为决策树、深度学习和线性回归中的至少一种。
在一个实施例中,处理器执行计算机程序时,历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与历史受孕雌性对应的精液历史值。
在一个实施例中,处理器执行计算机程序时,历史生理特征包括体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的至少一种。
在一个实施例中,处理器执行计算机程序时,当前生理特征的类型与历史生理特征的类型对应。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取当前精液的精液当前值;当精液当前值未达到精液标准值时,向精液处理设备发送处理指令;处理指令用于指示精液处理设备对当前精液进行处理,以使处理后的精液值达到精液标准值。
需要说明的是,上述计算机设备中的处理器执行的步骤与本申请确定精液标准值的方法一一对应,上述确定精液标准值的方法实施例中阐述的内容及其对应的技术效果均适用于计算机设备的实施例中,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
利用历史精液的配对信息进行模型训练,得到精液值模型;精液值模型表征雌性生理特征与精液值之间的映射关系;
获取待受孕雌性的当前生理特征;
将当前生理特征输入精液值模型中;
根据精液值模型表征的映射关系,得到与当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;当前精液为针对于待受孕雌性的精液。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据历史精液的配对信息,确定映射参数;映射参数为将雌性生理特征映射至对应的精液值的参数;
根据映射参数得到精液值模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
利用训练算法对历史精液的配对信息进行处理,得到映射参数;训练算法为决策树、深度学习和线性回归中的至少一种。
在一个实施例中,处理器执行计算机程序时,历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与历史受孕雌性对应的精液历史值。
在一个实施例中,处理器执行计算机程序时,历史生理特征包括体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液PH值中的至少一种。
在一个实施例中,处理器执行计算机程序时,当前生理特征的类型与历史生理特征的类型对应。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取当前精液的精液当前值;当精液当前值未达到精液标准值时,向精液处理设备发送处理指令;处理指令用于指示精液处理设备对当前精液进行处理,以使处理后的精液值达到精液标准值。
需要说明的是,上述计算机可读存储介质中存储的计算机程序被处理器执行时,与本申请确定精液标准值的方法一一对应,上述确定精液标准值的方法实施例中阐述的内容及其对应的技术效果均适用于计算机可读存储介质的实施例中,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种确定精液标准值的方法,其特征在于,包括:
利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;所述历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与所述历史受孕雌性对应的精液历史值;
获取待受孕雌性的当前生理特征;
将所述当前生理特征输入所述精液值模型中;
根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
2.根据权利要求1所述的方法,其特征在于,
所述利用历史精液的配对信息进行模型训练,得到精液值模型的步骤,包括:
根据所述历史精液的配对信息,确定映射参数;所述映射参数为将雌性生理特征映射至对应的精液值的参数;
根据所述映射参数得到精液值模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史精液的配对信息,确定映射参数的步骤,包括:
利用训练算法对所述历史精液的配对信息进行处理,得到所述映射参数;所述训练算法为决策树、深度学习和线性回归中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述历史生理特征包括体重、年龄、日龄、体长、体宽、体高、疾病史、阴道粘液pH值中的至少一种。
5.根据权利要求4所述的方法,其特征在于,所述当前生理特征的类型与所述历史生理特征的类型对应。
6.根据权利要求1所述的方法,其特征在于,在所述根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值的步骤之后,还包括:
获取所述当前精液的精液当前值;
当所述精液当前值未达到所述精液标准值时,向精液处理设备发送处理指令;所述处理指令用于指示所述精液处理设备对所述当前精液进行处理,以使处理后的精液值达到精液标准值。
7.一种确定精液标准值的装置,其特征在于,包括:
模型训练模块,用于利用历史精液的配对信息进行模型训练,得到精液值模型;所述精液值模型表征雌性生理特征与精液值之间的映射关系;所述历史精液的配对信息包括历史精子效能结果、历史受孕雌性的历史生理特征和与所述历史受孕雌性对应的精液历史值;
特征获取模块,用于获取待受孕雌性的当前生理特征;
特征输入模块,用于将所述当前生理特征输入所述精液值模型中;
标准值确定模块,用于根据所述精液值模型表征的映射关系,得到与所述当前生理特征对应的精液值,将所得到的精液值作为当前精液的精液标准值;所述当前精液为针对于所述待受孕雌性的精液。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块,包括:
参数确定单元,用于根据所述历史精液的配对信息,确定映射参数;所述映射参数为将雌性生理特征映射至对应的精液值的参数;
模型确定单元,用于根据所述映射参数得到精液值模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124795.2A CN111354466B (zh) | 2020-02-27 | 2020-02-27 | 确定精液标准值的方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124795.2A CN111354466B (zh) | 2020-02-27 | 2020-02-27 | 确定精液标准值的方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111354466A CN111354466A (zh) | 2020-06-30 |
CN111354466B true CN111354466B (zh) | 2023-08-01 |
Family
ID=71197227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010124795.2A Active CN111354466B (zh) | 2020-02-27 | 2020-02-27 | 确定精液标准值的方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111354466B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207114438U (zh) * | 2017-06-06 | 2018-03-16 | 柳州市妇幼保健院 | 多功能一次性精子计数板 |
CN108182676A (zh) * | 2017-12-22 | 2018-06-19 | 成都朴华科技有限公司 | 一种精子碎片化率检测方法、装置、设备及可读存储介质 |
CN109069565A (zh) * | 2016-04-25 | 2018-12-21 | 诺瓦雷克斯有限公司 | 包含含有甘草酸以及甘草苷的甘草浸提物的肝脏疾病预防或治疗用药学组合物 |
CN110458821A (zh) * | 2019-08-07 | 2019-11-15 | 屈晨 | 一种基于深度神经网络模型的精子形态分析方法 |
CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
CN110827923A (zh) * | 2019-11-06 | 2020-02-21 | 吉林大学 | 基于卷积神经网络的精液蛋白质的预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8416085B2 (en) * | 2010-02-18 | 2013-04-09 | The University Of Utah Research Foundation | Medical personnel alert rules based on grouping |
AR115214A1 (es) * | 2018-05-02 | 2020-12-09 | Androvia Lifesciences Llc | Métodos y kits de prueba para determinar el estado de la fertilidad masculina |
-
2020
- 2020-02-27 CN CN202010124795.2A patent/CN111354466B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109069565A (zh) * | 2016-04-25 | 2018-12-21 | 诺瓦雷克斯有限公司 | 包含含有甘草酸以及甘草苷的甘草浸提物的肝脏疾病预防或治疗用药学组合物 |
CN207114438U (zh) * | 2017-06-06 | 2018-03-16 | 柳州市妇幼保健院 | 多功能一次性精子计数板 |
CN108182676A (zh) * | 2017-12-22 | 2018-06-19 | 成都朴华科技有限公司 | 一种精子碎片化率检测方法、装置、设备及可读存储介质 |
CN110458032A (zh) * | 2019-07-17 | 2019-11-15 | 华南农业大学 | 荔枝生长状况全程监控方法、系统、云服务器及存储介质 |
CN110458821A (zh) * | 2019-08-07 | 2019-11-15 | 屈晨 | 一种基于深度神经网络模型的精子形态分析方法 |
CN110827923A (zh) * | 2019-11-06 | 2020-02-21 | 吉林大学 | 基于卷积神经网络的精液蛋白质的预测方法 |
Non-Patent Citations (3)
Title |
---|
H Paulenz et al..Effect on Field Fertility of Addition of Gelatine,Different Dilution Rates and Storage Times of Cooled Ram Semen After Vaginal Insemination.Reproduction in Domestic Animals.2010,第45卷(第4期),706-710. * |
张桐硕 等.人工智能对我国检验医学的机遇与挑战.国际检验医学杂志.2018,第40卷(第8期),1018-1022. * |
欧建平 等.人工智能应用于生殖医学的新进展.中华男科学杂志.2019,第25卷(第4期),5-9. * |
Also Published As
Publication number | Publication date |
---|---|
CN111354466A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Tassell et al. | Bayesian analysis of twinning and ovulation rates using a multiple-trait threshold model and Gibbs sampling | |
Chung et al. | Automatic detection of cow’s oestrus in audio surveillance system | |
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
KR20190128589A (ko) | 기계학습 예측 모델에 기초한 최적의 소 출하 시점 결정 방법 | |
Caraviello et al. | Comparison between a Weibull proportional hazards model and a linear model for predicting the genetic merit of US Jersey sires for daughter longevity | |
Zavadilová et al. | Genetic parameters for test-day model with random regressions for production traits of Czech Holstein cattle | |
Heringstad et al. | Bayesian analysis of liability of clinical mastitis in Norwegian cattle with a threshold model: Effects of data sampling method and model specification | |
Piles et al. | Breeding programmes to improve male reproductive performance and efficiency of insemination dose production in paternal lines: feasibility and limitations | |
Lee et al. | Prediction of average daily gain of swine based on machine learning | |
CN111354466B (zh) | 确定精液标准值的方法、装置、计算机设备和存储介质 | |
Id-Lahoucine et al. | Impact of incomplete pedigree data and independent culling level pre-selection on the genetic evaluation of livestock: A simulation study on lamb growth | |
Penitente-Filho et al. | Can scrotal circumference-based selection discard bulls with good productive and reproductive potential? | |
Kamphuis et al. | Machine learning to further improve the decision which boar ejaculates to process into artificial insemination doses | |
Sørensen | Modeling and simulation in applied livestock production science | |
Abegaz et al. | Estimates of (co) variance function for growth to yearling in Horro sheep of Ethiopia using random regression model | |
Wang et al. | Investigating the relationship between fluctuations in daily milk yield as resilience indicators and health traits in Holstein cattle | |
Hidalgo et al. | Decreasing computing cost of categorical data analysis | |
Abbona et al. | A GP approach for precision farming | |
Canga et al. | Detection of correct pregnancy status in lactating dairy cattle using MARS data mining algorithm | |
Panwar et al. | High throughput phenotyping and big data analytics for livestock improvement | |
Koivula et al. | New fertility traits in breeding value evaluation of Finnish blue fox | |
CN115358157B (zh) | 个体窝产活仔数的预测分析方法、装置及电子设备 | |
Houlahan et al. | Estimation of genetic parameters for feed efficiency traits using random regression models in dairy cattle | |
Sæbø et al. | Genetic evaluation of mastitis resistance using a first-passage time model for Wiener processes for analysis of time to first treatment | |
Bozkurt et al. | SOME APPLICATIONS OF ARTIFICIAL NEURAL NETWORKS USED FOR BEEF CATTLE PRODUCTION |
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 |