CN112182067A - 个体身高预测方法、装置、电子设备及存储介质 - Google Patents
个体身高预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112182067A CN112182067A CN202011036100.1A CN202011036100A CN112182067A CN 112182067 A CN112182067 A CN 112182067A CN 202011036100 A CN202011036100 A CN 202011036100A CN 112182067 A CN112182067 A CN 112182067A
- Authority
- CN
- China
- Prior art keywords
- height
- individual
- age
- curve
- height prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000011161 development Methods 0.000 claims abstract description 85
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000018109 developmental process Effects 0.000 claims description 82
- 230000002068 genetic effect Effects 0.000 claims description 21
- 230000005868 ontogenesis Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 210000000988 bone and bone Anatomy 0.000 abstract description 28
- 230000036541 health Effects 0.000 abstract description 3
- 230000002123 temporal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种个体身高预测方法、装置、电子设备及存储介质，所述方法包括：获取个体身高预测参数；根据所述个体身高预测参数获取预设标准身高数据；根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。本发明实施例实现了对个体身高的预测，使得任一个体均可得到符合自身当前发育情况的身高预测曲线，使得个体身高预测兼具普适性和个性化。本发明实施例还可以通过个体发育年龄对个体身高进行预测，个体发育年龄替代了传统的骨龄概念，使得个体身高预测更加简单方便，且对个体身体健康无影响。
Description
技术领域
本发明实施例涉及身高预测技术领域，尤其涉及一种个体身高预测方法、装置、电子设备及存储介质。
背景技术
青少年儿童的成长发育是家长关注的重点，身高更是其中备受关注的指标，家长可以从青少年儿童的身高推测其成长发育情况。
传统的对青少年儿童身高进行预测的方法是参考国家发布的青少年儿童标准身高对照表。但是该对照表是一个统计学的产物，无法很好的反应每一个个体在成长上的差异。除了参考青少年儿童标准身高对照表，还可以通过身高遗传公式来对青少年儿童身高进行预测，这种方法考虑后天环境对青少年儿童身高的影响。
目前能较为精准判断成长发育情况的方法是测骨龄，再参照青少年儿童标准身高对照表进行估测。但骨龄与真实年龄之间的差距并非恒定不变，如果通过频繁测骨龄来评估青少年儿童的成长发育情况，除了时间、经济上的成本，还会影响青少年儿童的身体健康。
发明内容
有鉴于此，本发明实施例提供一种个体身高预测方法、装置、电子设备及存储介质，以使个体身高预测兼具普适性和个性化。
第一方面，本发明实施例提供一种个体身高预测方法，包括：
获取个体身高预测参数；
根据所述个体身高预测参数获取预设标准身高数据；
根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
进一步的，所述个体身高预测参数包括个体性别、当前年龄、当前身高、个体父亲身高和个体母亲身高。
进一步的，根据所述个体身高预测参数获取预设标准身高数据包括：
根据所述个体性别获取预设标准身高数据。
进一步的，还包括：
根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄；
根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线。
进一步的，根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄包括：
根据所述个体父亲身高和所述个体母亲身高确定个体理论遗传身高；
根据预设最大预测年龄、所述个体理论遗传身高和所述第一身高预测曲线确定理论身高预测曲线；
根据所述当前身高和所述理论身高预测曲线确定个体发育年龄。
进一步的，根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄之后，还包括：
根据所述个体发育年龄和所述当前年龄的差值对所述个体发育年龄进行优化，得到优化发育年龄。
进一步的，根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线包括：
根据所述优化发育年龄和所述第一身高预测曲线确定优化发育身高预测曲线；
根据所述优化发育身高预测曲线确定第二身高预测曲线。
第二方面，本发明实施例提供一种个体身高预测装置，包括：
参数获取模块，用于获取个体身高预测参数；
身高数据获取模块，用于根据所述个体身高预测参数获取预设标准身高数据；
曲线拟合模块，用于根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
第一身高预测模块，用于根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
第三方面，本发明实施例提供一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器本发明任意实施例提供的个体身高预测方法。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的个体身高预测方法。
本发明实施例提供的个体身高预测方法实现了对个体身高的预测，使得任一个体均可得到符合自身当前发育情况的身高预测曲线，使得个体身高预测兼具普适性和个性化。
附图说明
图1A为本发明实施例一提供的一种个体身高预测方法的流程示意图；
图1B为本发明实施例一提供的男性青少年标准身高对照表的示意图；
图2为本发明实施例二提供的一种个体身高预测方法的流程示意图；
图3为本发明实施例三提供的一种个体身高预测方法的流程示意图；
图4为本发明实施例四提供的一种个体身高预测装置的结构示意图；
图5为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”、“批量”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1A为本发明实施例一提供的一种个体身高预测方法的流程示意图，本实施例可适用于青少年儿童的身高预测，并可集成于电子设备中，如计算机设备、身高体重测量仪等。如图1A所示，本发明实施例一提供的个体身高预测方法包括：
S110、获取个体身高预测参数。
具体的，个体身高预测参数是指对个体身高进行预测所需要的输入参数，至少包括个体性别、当前年龄和当前身高，其中，当前年龄可以通过个体出生日期进行换算。
S120、根据所述个体身高预测参数获取预设标准身高数据。
具体的，预设标准身高数据是指预先存储于数据库中的、从青少年儿童身高标准对照表中获取的数据。青少年儿童身高标准对照表是由权威调研机构通过调查统计整理得到的身高标准对照表，其中包括不同年龄的男女青少年儿童的身高统计数据。由于男女身高存在一定差距，获取的预设标准身高数据应是与个体相同性别的身高数据，故根据个体身高预测参数获取预设标准身高数据，也即根据个体性别获取预设标准身高数据。
青少年儿童身高标准对照表中，每一个年龄身高均包括多个统计数据，将这些数据按从小到大的顺序排列，选取其中多个百分位数据作为预设标准身高数据。如图1B所示，从男性青少年儿童身高标准对照表中依次抽取了3rd、10th、25th、50th、75th、90th、97th百分位数据形成男性青少年标准身高对照表。进一步的，本实施例中获取的预设标准身高数据至少包括50th百分位数据和75th百分位数据，可选的，预设标准身高数据也可以是50th百分位数据和25th百分位数据。
S130、根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线。
具体的，基准身高预测曲线是指以青少年儿童身高标准对照表中的中位数据为基础拟合得到的身高关于年龄的变化曲线，也就是根据预设标准身高数据中50th百分位数据拟合得到的身高关于年龄的变化曲线。身高变化幅值曲线是指以青少年儿童身高标准对照表中的其他数据与中位数据之间的差值为基础拟合得到的身高差值关于年龄的变化曲线。本实施例中，采用75th百分位数据与50th百分位数据之间的身高差值为基础进行身高变化幅值曲线的拟合。
本实施例中，采用Numpy(Python的一种开源的数值计算扩展)来进行曲线拟合，对50th百分位的数据拟合，得到的基准身高预测曲线记为h_50(age)；对75th百分位的数据拟合，得到的身高变化曲线记为h_75(age)。
根据统计规律，青少年儿童身高标准对照表中各百分位数据与50th百分位数据的差值，存在近似于倍数的关系，如下式所示：
h_x1(age)-h_50(age)≈k1*[h_75(age)-h_50(age)]
其中h_x1(age)为某一百分位数据对应的身高关于年龄的关系，h_75(age)为75th百分位数据对应身高关于年龄的关系，h_50(age)为50th百分位数据对应身高关于年龄的关系(也即基准身高预测曲线)，k1为实数。
取75th百分位和50th百分位数据的差值作为标准单位的变化幅值，拟合得到身高变化幅值曲线，记为h_diff(age)，即：
h_diff(age)＝h_75(age)-h_50(age)
其中age表示年龄变量。
S140、根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
具体的，对于任一个体，其身高关于年龄的变化关系即为第一身高预测曲线，记为h(age)，则h(age)＝h_50(age)+k*h_diff(age)。其中，k根据个体身高预测参数代入基准身高预测曲线和身高变化幅值曲线计算得出。k＝[imput_height-h_50(input_age)]/h_diff(input_age)，其中，imput_height表示个体身高预测参数中的当前身高，input_age表示个体身高预测参数中的当前年龄，h_50(input_age)表示基准身高预测曲线h_50(age)在age＝input_age时的身高，h_diff(input_age)表示身高变化幅值曲线h_diff(age)在age＝input_age时的身高差值。
为了体现第一身高预测曲线与个体身高预测参数的关系，可以进一步将第一身高预测曲线记为get_h(input_age,input_height)，则：
get_h(input_age,input_height)＝h_50(age)+[imput_height-h_50(input_age)]/h_diff(input_age)*h_diff(age)
也即，对个体进行身高预测时，输入个体的当前年龄和当前身高，即可得到个体的第一身高预测曲线h(age)，一般的，该第一身高预测曲线展示了个体年龄(age)从出生至18岁时的身高预测数值。若要对个体未来某一年龄的身高进行预测，则只需将未来年龄数值代入第一身高预测曲线h(age)，即可得到对应的预测身高(用户输入未来年龄数值，即可得到对应的预测身高数值)。
本发明实施例一提供的个体身高预测方法通过获取个体身高预测参数；根据所述个体身高预测参数获取预设标准身高数据；根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。实现了对个体身高的预测，使得任一个体均可得到符合自身当前发育情况的身高预测曲线，使得个体身高预测兼具普适性和个性化。
实施例二
图2为本发明实施例二提供的一种个体身高预测方法的流程示意图，本实施是对上述实施例的进一步优化。如图2所示，本发明实施例二提供的个体身高预测方法包括：
S210、获取个体身高预测参数，所述个体身高预测参数包括个体性别、当前年龄、当前身高、个体父亲身高和个体母亲身高。
S220、根据所述个体性别获取预设标准身高数据。
S230、根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线。
S240、根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
S250、根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄。
具体的，个体发育年龄是用于表征个体的当前身高发育状况所对应的年龄，类似于骨龄。然而，骨龄需要借助于骨骼在X光摄像中的特定图像来确定，而本实施例中的个体发育年龄可以根据个体身高预测参数和第一身高预测曲线计算得出，其不仅达到了与骨龄相似的效果，还免去了骨龄测试的繁琐操作和高昂成本。
进一步的，根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄具体包括步骤S251～S253(图中未示出)。
S251、根据所述个体父亲身高和所述个体母亲身高确定个体理论遗传身高。
具体的，个体理论遗传身高是通过将个体父亲身高和个体母亲身高带入身高遗传公式计算得出，本实施例中，个体理论遗传身高代表的是个体18岁时的理论遗传身高。
一般的，身高遗传公式计算个体理论遗传身高有两种方法，CMH(the CorrectedMidparental Height，双亲身高折算)法和FPH(the Final Height for Parental Height，父母最终身高)法。
CMH法的计算公式如下：
男性个体身高＝(个体父亲身高+个体母亲身高+13)/2±8CM
女性个体身高＝(个体父亲身高+个体母亲身高-13)/2±8CM
FPH法的计算公式如下：
男性个体身高＝45.99+0.78×(个体父亲身高+个体母亲身高)÷2±5.29CM
女性个体身高＝37.85+0.75×(个体父亲身高+个体母亲身高)÷2±5.29CM
优选的，本实施例中根据个体性别选择FPH法计算个体理论遗传身高，记为target_height。并且，个体理论遗传身高target_height取遗传公式计算得到的中间值，即不考虑正负范围区间的数值。
S252、根据预设最大预测年龄、所述个体理论遗传身高和所述第一身高预测曲线确定理论身高预测曲线。
具体的，预设最大预测年龄是指对个体进行身高预测的最大年龄，本实施例中，预设最大预测年龄设为18岁。将预设最大预测年龄和个体理论遗传身高带入第一身高预测曲线，得到理论身高预测曲线，记为h_target(age)，则：
h_target(age)＝h_50(age)+[target_height-h_50(18)]/h_diff(18)*h_diff(age)
S253、根据所述当前身高和所述理论身高预测曲线确定个体发育年龄。
具体的，个体发育年龄即为理论身高预测曲线上当身高为个体的当前身高时所对应的年龄。将个体发育年龄记为bone_age_temporary，当前身高为input_height，代入理论身高预测曲线h_target(age)中，可得：
input_height＝h_50(bone_age_temporary)+[target_height-h_50(18)]/h_diff(18)*h_diff(bone_age_temporary)
根据上式计算可得个体发育年龄bone_age_temporary。
S260、根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线。
具体的，将个体发育年龄bone_age_temporary和个体的当前身高input_height代入第一身高预测曲线h(age)，得到身高关于发育年龄的变化关系，也即发育身高预测曲线h_tembone(age)，即：
h_tembone(age)＝h_50(age)+[imput_height-h_50(bone_age_temporary)]/h_diff(bone_age_temporary)*h_diff(age)
一般的，进行个体身高预测需要得到个体真实年龄(简称为个体年龄)与身高的关系，而并非发育年龄与身高的关系，故需要将发育身高预测曲线h_tembone(age)转化为第二身高预测曲线h_real(age)。根据个体年龄age和个体发育年龄bone_age_temporary计算二者差值diff_age＝age-bone_age_temporary，则第二身高预测曲线h_real(age)＝h_tembone(age-diff_age)，也即：
h_real(age)＝h_50(age-diff_age)+[imput_height-h_50(bone_age_temporary)]/h_diff(bone_age_temporary)*h_diff(age-diff_age)
第二身高预测曲线展示了个体年龄(age)从出生至18岁时的身高预测数值，若要对个体未来某一年龄的身高进行预测，则只需将未来年龄数值代入第二身高预测曲线h_real(age)，即可得到对应的预测身高(用户输入未来年龄数值，即可得到对应的预测身高数值)。
本发明实施例二提供的个体身高预测方法通过个体发育年龄对个体身高进行预测，相对于现有技术中通过骨龄测试进行身高预测的方法，本发明实施例通过简单的计算即可实现，无需骨龄测试的繁琐操作和高昂成本，即便日常频繁进行身高预测，对个体的身体健康也不产生影响，使得任一个体均可得到符合自身当前发育情况的身高预测曲线，使得个体身高预测兼具普适性和个性化。
实施例三
图3为本发明实施例三提供的一种个体身高预测方法的流程示意图，本实施例是对上述实施例的进一步优化。如图3所示，本发明实施例三提供的个体身高预测方法包括：
S310、获取个体身高预测参数，所述个体身高预测参数包括个体性别、当前年龄、当前身高、个体父亲身高和个体母亲身高。
S320、根据所述个体性别获取预设标准身高数据。
S230、根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线。
S340、根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
S350、根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄。
S360、根据所述个体发育年龄和所述当前年龄的差值对所述个体发育年龄进行优化，得到优化发育年龄。
具体的，在个体成长发育除了受父母的先天遗传因素的影响外，还受后天环境的影响。对个体发育年龄进行优化，就是考虑后天环境对个体成长发育的影响，优化发育年龄记为bone_age。
当个体发育年龄bone_age_temporary与个体的当前年龄input_age的差值大于0.5时，即bone_age_temporary-input_age＞0.5，相当于个体当前早发育0.5年以上，则认为个体当前发育良好，可直接将当前年龄input_age作为优化发育年龄bone_age，即bone_age＝input_age。
当-4≤bone_age_temporary-input_age≤0.5时，相当于个体当前早发育不超过0.5年且晚发育不超过4年，则认为用户早发育或晚发育，此时将个体发育年龄bone_age_temporary作为优化发育年龄bone_age，即bone_age＝bone_age_temporary。
当bone_age_temporary-input_age＜-4时，相当于个体当前晚发育4年以上，这种情况不再单纯认为个体晚发育，而是很可能伴随着某些其他会影响最终身高的因素(如疾病)，此时统一按照晚发育两年处理，将当前年龄input_age减去2年作为优化发育年龄bone_age，即bone_age＝input_age-2。
S370、根据所述优化发育年龄和所述第一身高预测曲线确定优化发育身高预测曲线。
具体的，将优化发育年龄bone_age和个体的当前身高input_height代入第一身高预测曲线h(age)，得到身高关于优化发育年龄的变化关系，也即优化发育身高预测曲线h_bone(age)，如下式所示：
h_bone(age)＝h_50(age)+[imput_height-h_50(bone_age)]/h_diff(bone_age)*h_diff(age)
S380、根据所述优化发育身高预测曲线确定第二身高预测曲线。
具体的，第二身高预测曲线为身高关于个体真实年龄(简称为个体年龄)的变化曲线，故需要对优化发育身高预测曲线中的优化发言年龄进行转化。根据个体年龄age和优化发育年龄bone_age计算二者差值diff_age＝age-bone_age，则第二身高预测曲线h_real(age)＝h_bone(age-diff_age)，也即：
h_real(age)＝h_50(age-diff_age)+[imput_height-h_50(bone_age)]/h_diff(bone_age)*h_diff(age-diff_age)
第二身高预测曲线展示了个体年龄(age)从出生至18岁时的身高预测数值，若要对个体未来某一年龄的身高进行预测，则只需将未来年龄数值代入第二身高预测曲线h_real(age)，即可得到对应的预测身高(用户输入未来年龄数值，即可得到对应的预测身高数值)。
本发明实施例三提供的个体身高预测方法通过个体发育年龄进行进一步优化，充分考虑到后天环境对个体发育的影响，使得个体身高预测更加准确。
实施例四
图4为本发明实施例四提供的一种个体身高预测装置的结构示意图，本实施例可适用于青少年儿童的身高预测，并可集成于电子设备中，如计算机设备、身高体重测量仪等。
如图4所示，本发明实施例提供的个体身高预测装置包括：参数获取模块410、身高数据获取模块420、曲线拟合模块430和第一身高预测模块440，其中：
参数获取模块410用于获取个体身高预测参数；
身高数据获取模块420用于根据所述个体身高预测参数获取预设标准身高数据；
曲线拟合模块430用于根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
第一身高预测模块440用于根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
进一步的，所述个体身高预测参数包括个体性别、当前年龄、当前身高、个体父亲身高和个体母亲身高。
进一步的，身高数据获取模块420具体用于：
根据所述个体性别获取预设标准身高数据。
进一步的，还包括：
发育年龄确定模块，用于根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄；
第二身高预测模块，用于根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线。
进一步的，发育年龄确定模块包括：
遗传身高确定单元，用于根据所述个体父亲身高和所述个体母亲身高确定个体理论遗传身高；
理论身高预测单元，用于根据预设最大预测年龄、所述个体理论遗传身高和所述第一身高预测曲线确定理论身高预测曲线；
发育年龄确定单元，用于根据所述当前身高和所述理论身高预测曲线确定个体发育年龄。
进一步的，所述发育年龄确定模块还包括：
发育年龄优化单元，用于根据所述个体发育年龄和所述当前年龄的差值对所述个体发育年龄进行优化，得到优化发育年龄。
进一步的，所述第二身高预测模块还用于：
根据所述优化发育年龄和所述第一身高预测曲线确定优化发育身高预测曲线；
根据所述优化发育身高预测曲线确定第二身高预测曲线。
本发明实施例四提供的个体身高预测装置通过参数获取模块、身高数据获取模块、曲线拟合模块和第一身高预测模块，实现了对个体身高的预测，使得任一个体均可得到符合自身当前发育情况的身高预测曲线，使得个体身高预测兼具普适性和个性化。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备512的框图。图5显示的电子设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备512以通用电子设备的形式表现。电子设备512的组件可以包括但不限于：一个或者多个处理器516(图4中以一个处理器为例)，存储装置528，连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
电子设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储装置528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向终端、显示器524等)通信，还可与一个或者多个使得用户能与该电子设备512交互的终端通信，和/或与使得该电子设备512能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，电子设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器520通过总线518与电子设备512的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备512使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的个体身高预测方法，该方法可以包括：
获取个体身高预测参数；
根据所述个体身高预测参数获取预设标准身高数据；
根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的个体身高预测方法，该方法可以包括：
获取个体身高预测参数；
根据所述个体身高预测参数获取预设标准身高数据；
根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言(诸如Java、Smalltalk、C++)，还包括常规的过程式程序设计语言(诸如“C”语言或类似的程序设计语言)。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种个体身高预测方法，其特征在于，包括：
获取个体身高预测参数；
根据所述个体身高预测参数获取预设标准身高数据；
根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
2.如权利要求1所述的方法，其特征在于，所述个体身高预测参数包括个体性别、当前年龄、当前身高、个体父亲身高和个体母亲身高。
3.如权利要求2所述的方法，其特征在于，根据所述个体身高预测参数获取预设标准身高数据包括：
根据所述个体性别获取预设标准身高数据。
4.如权利要求2所述的方法，其特征在于，还包括：
根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄；
根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线。
5.如权利要求4所述的方法，其特征在于，根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄包括：
根据所述个体父亲身高和所述个体母亲身高确定个体理论遗传身高；
根据预设最大预测年龄、所述个体理论遗传身高和所述第一身高预测曲线确定理论身高预测曲线；
根据所述当前身高和所述理论身高预测曲线确定个体发育年龄。
6.如权利要求4所述的方法，其特征在于，根据所述个体身高预测参数和所述第一身高预测曲线确定个体发育年龄之后，还包括：
根据所述个体发育年龄和所述当前年龄的差值对所述个体发育年龄进行优化，得到优化发育年龄。
7.如权利要求6所述的方法，其特征在于，根据所述个体发育年龄和所述第一身高预测曲线确定第二身高预测曲线包括：
根据所述优化发育年龄和所述第一身高预测曲线确定优化发育身高预测曲线；
根据所述优化发育身高预测曲线确定第二身高预测曲线。
8.一种个体身高预测装置，其特征在于，包括：
参数获取模块，用于获取个体身高预测参数；
身高数据获取模块，用于根据所述个体身高预测参数获取预设标准身高数据；
曲线拟合模块，用于根据所述预设标准身高数据拟合基准身高预测曲线和身高变化幅值曲线；
第一身高预测模块，用于根据所述个体身高预测参数、所述基准身高预测曲线和所述身高变化幅值曲线确定第一身高预测曲线。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的个体身高预测方法。
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，该程序被处理器执行时实现如权利要求1-7中任一所述的个体身高预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036100.1A CN112182067B (zh) | 2020-09-27 | 2020-09-27 | 个体身高预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011036100.1A CN112182067B (zh) | 2020-09-27 | 2020-09-27 | 个体身高预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112182067A true CN112182067A (zh) | 2021-01-05 |
| CN112182067B CN112182067B (zh) | 2024-08-02 |
Family
ID=73944314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011036100.1A Active CN112182067B (zh) | 2020-09-27 | 2020-09-27 | 个体身高预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112182067B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113081034A (zh) * | 2021-03-29 | 2021-07-09 | 深圳市伊欧乐科技有限公司 | 一种超声波身高测量方法、装置、测量仪及存储介质 |
| CN115274098A (zh) * | 2022-08-19 | 2022-11-01 | 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 |
| JP7473275B1 (ja) | 2023-11-07 | 2024-04-23 | 株式会社AiCAN | 情報処理方法、プログラム、情報処理システム |
Citations (4)
| 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 |
| 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 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| CN110211700A (zh) * | 2019-06-14 | 2019-09-06 | 成都高鹿科技有限公司 | 一种个体身高预测方法、系统、可读存储介质及终端 |
-
2020
- 2020-09-27 CN CN202011036100.1A patent/CN112182067B/zh active Active
Patent Citations (4)
| 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 |
| 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 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| CN110211700A (zh) * | 2019-06-14 | 2019-09-06 | 成都高鹿科技有限公司 | 一种个体身高预测方法、系统、可读存储介质及终端 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113081034A (zh) * | 2021-03-29 | 2021-07-09 | 深圳市伊欧乐科技有限公司 | 一种超声波身高测量方法、装置、测量仪及存储介质 |
| CN113081034B (zh) * | 2021-03-29 | 2024-04-16 | 深圳市伊欧乐科技有限公司 | 一种超声波身高测量方法、装置、测量仪及存储介质 |
| CN115274098A (zh) * | 2022-08-19 | 2022-11-01 | 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 |
| JP7473275B1 (ja) | 2023-11-07 | 2024-04-23 | 株式会社AiCAN | 情報処理方法、プログラム、情報処理システム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112182067B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112182067A (zh) | 个体身高预测方法、装置、电子设备及存储介质 | |
| US11169911B2 (en) | Method and apparatus for performing a fitting calculation on test data and generating data fluctuation values | |
| WO2019001278A1 (zh) | 医疗保险基金精算预测方法、装置以及计算机设备 | |
| CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| CN113723618A (zh) | 一种shap的优化方法、设备及介质 | |
| CN111047207A (zh) | 能力水平评估方法、装置、设备及存储介质 | |
| CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
| CN118150833A (zh) | 一种血糖仪质检方法、装置、电子设备及介质 | |
| CN111367813B (zh) | 决策引擎自动化测试方法、装置、服务器及存储介质 | |
| CN111311393A (zh) | 信用风险的评估方法、装置、服务器和存储介质 | |
| CN111427874B (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
| CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
| CN114266501A (zh) | 医院运营指标的自动预测和根因分析方法及系统 | |
| CN114764539A (zh) | 燃气轮机的排烟含氧量确定方法、装置、设备和介质 | |
| CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
| CN114764540A (zh) | 燃气轮机的一氧化碳排放量确定方法、装置、设备和介质 | |
| CN111415066A (zh) | 风险评估方法及装置 | |
| CN111427878A (zh) | 数据监控告警方法、装置、服务器和存储介质 | |
| CN114334161B (zh) | 模型训练方法、数据处理方法、装置、介质、电子设备 | |
| CN117857388B (zh) | 交换机运行信息检测方法、装置、电子设备与计算机介质 | |
| CN112948230A (zh) | 一种基于机房机密空调的数据处理方法和装置 | |
| CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
| CN113434713B (zh) | 一种基于一张图的林业大数据建设方法及系统 |
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 |