CN116013520A - 预测发育性协调障碍的方法、装置及电子设备 - Google Patents
预测发育性协调障碍的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116013520A CN116013520A CN202211686389.0A CN202211686389A CN116013520A CN 116013520 A CN116013520 A CN 116013520A CN 202211686389 A CN202211686389 A CN 202211686389A CN 116013520 A CN116013520 A CN 116013520A
- Authority
- CN
- China
- Prior art keywords
- predicted
- fetus
- variables
- variable
- predicting
- 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 55
- 208000019896 Motor Skills disease Diseases 0.000 title claims abstract description 51
- 208000019246 Developmental coordination disease Diseases 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 93
- 210000003754 fetus Anatomy 0.000 claims abstract description 82
- 238000011161 development Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 230000001605 fetal effect Effects 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims abstract description 24
- 230000001788 irregular Effects 0.000 claims abstract description 14
- 230000004578 fetal growth Effects 0.000 claims abstract description 10
- 210000004291 uterus Anatomy 0.000 claims abstract description 9
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 25
- 210000001015 abdomen Anatomy 0.000 claims description 11
- 210000000689 upper leg Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000012010 growth Effects 0.000 abstract description 8
- 230000018109 developmental process Effects 0.000 description 31
- 230000008175 fetal development Effects 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000002604 ultrasonography Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004641 brain development Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010009696 Clumsiness Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009602 intrauterine growth Effects 0.000 description 1
- 230000006517 limb development Effects 0.000 description 1
- 208000018773 low birth weight Diseases 0.000 description 1
- 231100000533 low birth weight Toxicity 0.000 description 1
- 230000004973 motor coordination Effects 0.000 description 1
- 230000008111 motor development Effects 0.000 description 1
- 230000003188 neurobehavioral effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036417 physical growth Effects 0.000 description 1
- 210000002826 placenta Anatomy 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000036266 weeks of gestation Effects 0.000 description 1
Images
Abstract
本发明的实施例公开一种预测发育性协调障碍的方法、装置及电子设备，该方法包括：获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性；利用所述超声测量指标计算胎儿的重量；采用条件期望函数的主成分分析方法进行所述胎儿各测量指标和胎儿重量发展速率的计算；将单个生物特征参数的胎儿生长轨迹和胎儿重量的发展速率相结合，利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。本发明利用不规则随机重复测量数据，通过胎儿的生长速率结合机器学习模型，实现对发育性协调障碍的预测。
Description
技术领域
本发明涉及医学领域，尤其涉及一种预测发育性协调障碍的方法、装置及电子设备。
背景技术
近年来随着医学影像学发展，胎儿在宫内发育的多普勒超声测量越来越精准。然而，大多数只是基于单次的测量与正常参考值的比较。而除了每次测量结果具有一定临床指导意义以外，胎儿在宫内发育速率的快慢对儿童以及成人期较多疾病的发生更有预测价值。一般函数的建模分析只可以评测单个平滑轨迹，这对数据质量的要求较高，需要对每个受试者(例如，产妇)进行大量有规律的间隔测量。
然而，遗憾的是在实际的临床数据中，部分产妇因为各种原因不能完全从产科初诊建卡开始在同一家医院进行规律产检，获得同一产妇在不同医院的数据又比较困难。并且，由于建卡时间也存在先后，以及产妇在孕期可能存在的各种合并症和并发症的影响，也不可能获得测量孕周完全一致的胎儿B超数据，使一般的函数方法无法实现对胎儿发育速率的测算，更无法实现对发育性协调障碍的预测。
因此，针对上述问题，需要提出一种预测发育性协调障碍的方法、装置及电子设备，以通过机器学习模型，实现胎儿宫内发育速率对出生后儿童至成人期健康结局的预测。
发明内容
有鉴于此，本发明实施例提供一种预测发育性协调障碍的方法、装置及电子设备，能够通过机器学习模型，实现胎儿宫内发育速率对出生后儿童的发育性协调障碍的预测。
第一方面，本发明实施例提供一种预测发育性协调障碍的方法，包括：
获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
根据本发明实施例的一种具体实现方式，所述利用所述超声测量指标计算胎儿的重量的公式如下：
EFW＝10∧(1.3596+0.0064*HC+0.0424*AC+0.174*FL+0.00061*BPD*AC-0.00386*AC*FL)；
其中，EFW表示所述胎儿的重量，HC表示所述胎儿头围，AC表示胎儿的腹围，FL表示所述胎儿的股骨长度和BPD表示所述胎儿的双顶径。
根据本发明实施例的一种具体实现方式，所述胎儿重量的发展速率采用如下公式：
其中，其中Xi(t)是时间t的测量估计曲线，μ(t)是测量的估计平均曲线，δik是记录
第k个特征函数的分数，Xi′(t)，μ′(t)，以及
分别是Xi(t)，μ(t)，以及
的导数。
根据本发明实施例的一种具体实现方式，所述第一时间包括一周。
根据本发明实施例的一种具体实现方式，所述通过建立机器学习模型，利用预测变量对结局变量进行预测包括：
所述预测变量均为连续变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中，lossj表示所预测模型的损失值，j表示预测变量的个数，n是样本数量，c是结局变量的种类数，其中对数计算是以2为底，yi，c是结局变量，pi，c是根据所述机器学习模型计算得到的结局变量的预测概率。
或者，
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉该预测变量的模型损失值，j是预测变量的个数，n是样本数量，c是结局变量的种类数，对数计算是以2为底，yi，c是结局变量，pi，c是预测结局发生的概率。
根据本发明实施例的一种具体实现方式，所述通过建立机器学习模型，利用预测变量对结局变量进行预测包括：
所述预测变量均为二分类变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中lossj表示所预测模型的损失值，j表示预测变量的个数，n是样本数量，对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率。
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉该预测变量的模型损失值，j表示预测变量的个数，n是样本数量。对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率。
第二方面，本发明实施例提供一种预测发育性协调障碍的装置，包括：
获取模块，所述获取模块用于获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
第一计算模块，所述第一计算模块用于利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
第二计算模块，所述第二计算模块用于采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
预测模块，所述预测模块用于利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
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：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实现方式所述的方法。
第四方面，本发明的实施例还提供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本发明任一实施方式所述的方法。
本发明实施例提供的一种预测发育性协调障碍的方法、装置及电子设备，通过基于胎儿的生长速率结合机器学习模型，实现对发育性协调障碍的预测，能够解决现有的无法利用不规则数据实现发育性协调障碍预测的问题，并且能够提高发育性协调障碍的预测的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为本发明的一实施例的预测发育性协调障碍的方法的流程示意图；
图2为本发明的一实施例的预测发育性协调障碍的装置的示意图；
图3为本发明电子设备一个实施例的结构示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
相关技术表明，出生结局预测有关的机器学习和深度学习相关研究较少。虽然传统的研究方法可以实现胎儿发育速率对儿童至成人期发育性协调的预测价值的分析，但未能量化发育的各类指标(头围、腹围、股骨长度、双顶径和胎儿重量)对预测出生结局的重要性。
本发明将连续变量的损失函数算法作为一种深度机器学习方法，采用了均方误差(mean square error)增加百分比衡量一个预测变量的重要性。并且本发明还解决，对于儿童运动协调能力(连续变量)和是否存在发育性协调障碍(分类变量)不同结局变量的预测重要性研究的问题。
发育性运动协调障碍(Developmental Coordiantion Disorder,DCD)是常见的儿童期神经行为疾病之一，主要表现为大运动、精细运动和平衡能力的协调性障碍。
发育性运动协调障碍的基本特点是在婴儿期可出现运动发育进程(例如，爬、坐、走、握物和反应能力)的延迟，至学龄前期逐渐出现动作“笨拙”等典型症状，可严重影响患儿的学业和日常生活能力。
本发明通过条件期望函数的主成分分析(Principal Analysis by ConditionalExpectation，PACE)对稀疏(Sparse)纵向数据进行主成分分析，适用于不规则间隔的纵向重复测量数据，其中每个受试者即使提供的是重复测量次数(例如，每次产检的胎儿宫内发育的B超数据)也可实现对发育速率的测算。
下面将通过具体的实施例，来对本发明的预测发育性协调障碍的方法、装置及电子设备进行详细的说明。
本实施例提供一种预测发育性协调障碍的方法，以通过机器学习模型，实现胎儿宫内发育速率对出生后儿童的发育性协调障碍的预测。
图1为本发明实施例一的预测发育性协调障碍的方法的流程示意图，如图1所示：
本实施例的方法可以包括：
步骤101、获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
本实施例中，获取重复测量数据的方式可以包括但不限于从各个授权数据库采集，从各个授权的医院采集，通过爬虫获取，通过其他途径获取，此处并不对获取重复测量数据的方式进行具体限定，本领域技术人员能够采用的目前或者未来的其他可用方式均可应用与此，对此不做限定。
本实施例中，重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，各个发育阶段都可以是随机的，并不要求针对特定的时间；并且超声数据可以是多方位多维度的，并不需要设定特定的方位等；这样也充分说明了本申请中采用的重复测量数据是具有不规则间隔的特性，
示例性地，本实施例中的重复测量数据的重复次数以及重复的时间均是随机的，并且由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；这样，本发明并不需要基于规律的测量数据来进行计算或者预测，而是可以针对随机的不规则的数据进行统计计算以及预测，可以降低预测的成本，并且获得较高的预测准确率。
步骤102、利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
本实施例中，将胎儿的重量计算与所述超声测量指标中包括的胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径等充分结合起来，以获得更为精确的胎儿的重量计算值；
示例性地，所述利用所述超声测量指标计算胎儿的重量的公式如下：
EFW＝10∧(1.3596+0.0064*HC+0.0424*AC+0.174*FL+0.00061*BPD*AC-0.00386*AC*FL)；
其中，EFW表示所述胎儿的重量，HC表示所述胎儿头围，AC表示胎儿的腹围，FL表示所述胎儿的股骨长度和BPD表示所述胎儿的双顶径。
步骤103、采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
本实施例中，将单个生物特征参数的胎儿生长轨迹和所述胎儿的重量结合，采用条件期望函数的主成分分析方法进行所述胎儿重量的发展速率的计算；可以利用不规则间隔的重复测量数据来实现上述计算；
示例性地，可以将用于计算所述胎儿的生长速率的时间间隔设置为第一时间；
具体地，第一时间可以为但不限于一周，也可以是其他可能实现的时间，此处仅为示例，例如10天、15天或者5天等均可以，只要是本领域技术人员熟知的其他可能的时间均可以应用与此，对此不是限定性的。
示例性地，所述计算胎儿重量的发展速率可以采用如下公式：
其中，其中Xi(t)是时间t的测量估计曲线，μ(t)是测量的估计平均曲线，δik是记录
第k个特征函数的分数，xi′(t)，μ′(t)，以及
分别是Xi(t)，μ(t)，以及
的导数。
步骤104、利用所述胎儿的生长速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
本实施例中，所述通过建立机器学习模型，利用预测变量对结局变量进行预测包括：
所述预测变量均为连续变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中，lossj表示所预测模型的损失值，j表示预测变量的个数，n是样本数量，c是结局变量的种类数，其中对数计算是以2为底，yi，c是结局变量，pi，c是根据所述机器学习模型计算得到的结局变量的预测概率。
或者，
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉该预测变量的模型损失值，j是预测变量的个数。n是样本数量，c是结局变量的种类数，对数计算是以2为底，yi，c是结局变量，pi，c是预测结局发生的概率。
又一实施例中，所述预测变量均为二分类变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中lossj表示所预测模型的损失值，j表示预测变量的个数，n是样本数量，对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率。
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉该预测变量的模型损失值，j表示预测变量的个数，n是样本数量，对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率。
上述实施例，基于不规则的重复检测数据，通过胎儿的生长速率结合机器学习模型，实现对发育性协调障碍的预测，能够解决现有的无法利用不规则数据实现发育性协调障碍预测的问题，并且能够提高发育性协调障碍的预测的准确率。
下面通过具体的示例来进行进一步的描述；
示例1
胎儿发育速率的测算
1、收集每个发育中胎儿的重复超声测量结果。在妊娠11(最早可能建卡的时间)至45周之间通过多普勒超声测量胎儿生物测量值，包括头围(HC)、腹围(AC)、股骨长度(FL)和双顶径(BPD)。进一步根据HC、AC、BPD和FL使用如下公式计算胎儿重量(Estimated FetalWeight，EFW)：
EFW＝10^(1.3596+0.0064*HC+0.0424*4C+0.174*FL+0.00061*BPD*AC-0.00386*AC*FL)
2、由于较短的周期不太精确并且包含过多的噪声，因此用于计算生长速度的时间间隔设置为一周，以及单个生物特征参数的胎儿生长轨迹(HC、AC、FL和BPD)和EFW结合条件期望函数的主成分分析，估计特征函数的导数并将随机函数扩展到其特征函数以获得其导数，通过以下公式计算胎儿生长速率(生长随孕龄的变化)：
其中Xi(t)是时间t的测量估计曲线，μ(t)是测量的估计平均曲线，δik是记录
第k个特征函数的分数；两者都是从PACE方法估计的，Xi′(t)，μ′(t)以及
是Xi(t)，μ(t)以及
的导数，用于FGV计算的时间间隔设置为一周。
示例2
由于胎儿宫内生长发育速率除了反应实际身体生长的情况，速率过快或过慢都在一定程度上反映了宫内环境(营养、内分泌及可通过胎盘屏障的污染物等)在胎儿发育各时期影响，也可关联至对胎儿脑发育的影响。因此，生命早期肢体和脑发育不良影响均有可能造成出生后儿童动作协调性显现障碍，对以发育性协调障碍具有一定的预测价值。而胎儿超声作为孕产期常规检查项目，具有数据获取简便，测量较为精准的特性，早期预测有利于在发育性协调障碍典型症状显现前开展预防性功能干预，其效果显著高于典型症状出现后再进行的康复治疗。
1、对预测变量的重要性进行研究，所有预测变量均为连续变量(运动协调能力评分)，将其中某一预测变量移除后，采用损失增加百分比来描述该预测变量的重要性；具体步骤包括：
(1)建立机器学习模型，利用所有预测变量对结局变量进行预测；
(2)运行模型，计算包含所有预测变量的模型损失值lossj；
(3)去掉其中一个预测变量，计算去掉该预测变量的模型损失值lossj-1；
2、所有预测变量均为二分类变量(有无发育性协调障碍)，将其中某一预测变量移除后，采用损失增加百分比来描述该预测变量的重要性；具体步骤包括：
(1)建立机器学习模型，利用所有预测变量对结局变量进行预测；
(2)运行模型，计算包含所有预测变量的模型损失值lossj；
(3)去掉其中一个预测变量，计算去掉该预测变量的模型损失值lossj-1；
3、运用机器学习中的损失函数(loss function)算法构建不同阶段的预测模型。可实现胎儿发育速率对发育性协调障碍的直接预测。也可测算间接影响，即胎儿发育速率二分类不良出生结局(例如，小于胎龄儿，出生低体重)的预测，以及不良出生结局对发育性协调障碍的预测。结局变量可能存在类不平衡情况从而影响模型表现，采用“合成最小类过采样法”(Synthetic Minority Over-sampling Technique，SMOTE)调整类不平衡情况，把数据分成训练集和测试集，有关模型表现的数据来自测试集并通过混淆矩阵(confusion matrix)计算模型的优劣：
综合衡量精确度和召回率等评价模型的拟合度。
具体地，样本全集：TP+FP+FN+TN；
TP：样本为正，预测结果为正；
FP：样本为负，预测结果为正；
TN：样本为负，预测结果为负；
FN：样本为正，预测结果为负；
上述示例通过基于胎儿的生长速率结合机器学习模型，实现对发育性协调障碍的预测，能够解决现有的无法利用不规则数据实现发育性协调障碍预测的问题，并且能够提高发育性协调障碍的预测的准确率。
图2为本发明的一实施例的预测发育性协调障碍的装置的示意图；如图2所示，本实施例的预测发育性协调障碍的装置，包括：获取模块，第一计算模块，第二计算模块，预测模块；
具体地：
获取模块，所述获取模块用于获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
第一计算模块，所述第一计算模块用于利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
第二计算模块，所述第二计算模块用于采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
预测模块，所述预测模块用于利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
本实施例中，预测发育性协调障碍的装置能够实现上述方法实施例的所有步骤，其能够实现预测发育性协调障碍的方法实现的所有技术效果，此处不再赘述。
图3为本发明电子设备一个实施例的结构示意图，可以实现本发明图1所示实施例的流程，如图3所示，上述电子设备可以包括：壳体31、处理器32、存储器33、电路板34和电源电路35，其中，电路板34安置在壳体31围成的空间内部，处理器32和存储器33设置在电路板34上；电源电路35，用于为上述电子设备的各个电路或器件供电；存储器33用于存储可执行程序代码；处理器32通过读取存储器33中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述任一实施例所述的预测发育性协调障碍的方法。
处理器32对上述步骤的具体执行过程以及处理器32通过运行可执行程序代码来进一步执行的步骤，可以参见本发明图1所示实施例的描述，在此不再赘述。
该电子设备以多种形式存在，包括但不限于：
(1)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
本发明的实施例还提供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被执行以实现本发明任一实施例提供的方法。
需要说明的是，在本文中，诸如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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
为了描述的方便，描述以上装置是以功能分为各种单元/模块分别描述。当然，在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种预测发育性协调障碍的方法，其特征在于，包括：
获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
2.根据权利要求1所述的预测发育性协调障碍的方法，其特征在于，所述利用所述超声测量指标计算胎儿的重量的公式如下：
EFW＝10^(1.3596+0.0064*HC+0.0424*AC+0.174*FL+0.00061*BPD*AC-0.00386*AC*FL)；
其中，EFW表示所述胎儿的重量，HC表示所述胎儿头围，AC表示胎儿的腹围，FL表示所述胎儿的股骨长度和BPD表示所述胎儿的双顶径。
3.根据权利要求2所述的预测发育性协调障碍的方法，其特征在于，所述胎儿重量的发展速率的计算采用如下公式：
其中，其中Xi(t)是时间t的测量估计曲线，μ(t)是测量的估计平均曲线，δik是记录
第k个特征函数的分数，Xi′(t)，μ′(t)，以及
分别是Xi(t)，μ(t)，以及
的导数。
4.根据权利要求1所述的预测发育性协调障碍的方法，其特征在于，所述第一时间包括一周。
5.根据权利要求1-4任一项所述的预测发育性协调障碍的方法，其特征在于，所述通过建立机器学习模型，利用预测变量对结局变量进行预测包括：
所述预测变量均为连续变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中，lossj表示预测模型的损失值，j表示预测变量的个数，n是样本数量，c是结局变量的种类数，其中对数计算是以2为底，yi,c是结局变量，pi,c是根据所述机器学习模型计算得到的结局变量的预测概率；
或者，
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉所述一个预测变量后的模型损失值，j是预测变量的个数，n是样本数量，c是结局变量的种类数，对数计算是以2为底，yi,c是结局变量，pi,c是预测结局发生的概率。
6.根据权利要求1-4任一项所述的预测发育性协调障碍的方法，其特征在于，所述通过建立机器学习模型，利用预测变量对结局变量进行预测包括：
所述预测变量均为二分类变量；以及，
所述预测变量包括所有预测变量，利用所述所有预测变量对所述结局变量进行预测，其中计算包含所述所有预测变量的模型损失值的公式如下：
其中lossj表示所预测模型的损失值，j表示预测变量的个数，n是样本数量，对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率；
所述预测变量包括部分预测变量，利用所述部分预测变量对所述结局变量进行预测，其中计算包含所述部分预测变量的模型损失值的公式如下：
其中，lossj-1表示去掉一个预测变量后，计算去掉所述一个预测变量后的模型损失值，j表示预测变量的个数，n是样本数量，对数计算是以2为底，yi是结局变量，pi是根据所述机器学习模型计算得到的结局变量的预测概率。
7.一种预测发育性协调障碍的装置，其特征在于，包括：
获取模块，所述获取模块用于获取重复测量数据，其中所述重复测量数据包括胎儿在宫内各个发育阶段的超声测量指标，并且所述重复测量数据具有不规则间隔的特性，所述重复测量数据的重复次数以及重复的时间均是随机的，由底层平滑随机轨迹加上测量误差来确定所述重复测量数据；
第一计算模块，所述第一计算模块用于利用所述超声测量指标计算胎儿的重量，其中所述超声测量指标包括胎儿的头围、胎儿的腹围、胎儿的股骨长度和胎儿的双顶径；
第二计算模块，所述第二计算模块用于采用条件期望函数的主成分分析方法进行所述胎儿的所述超声测量指标和胎儿重量的发展速率的计算，将单个生物特征参数的胎儿生长轨迹和所述胎儿重量的发展速率相结合，其中，将计算所述发展速率的时间间隔设置为第一时间；
预测模块，所述预测模块用于利用所述胎儿重量的发展速率进行发育性协调障碍的预测，通过建立机器学习模型，利用预测变量对结局变量进行预测。
8.一种电子设备，其特征在于，所述电子设备包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为上述电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，用于执行前述权利要求1至6任一项所述的方法。
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，以实现前述权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686389.0A CN116013520B (zh) | 2022-12-27 | 2022-12-27 | 预测发育性协调障碍的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211686389.0A CN116013520B (zh) | 2022-12-27 | 2022-12-27 | 预测发育性协调障碍的方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116013520A true CN116013520A (zh) | 2023-04-25 |
| CN116013520B CN116013520B (zh) | 2023-11-17 |
Family
ID=86035101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211686389.0A Active CN116013520B (zh) | 2022-12-27 | 2022-12-27 | 预测发育性协调障碍的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116013520B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5442940A (en) * | 1991-10-24 | 1995-08-22 | Hewlett-Packard Company | Apparatus and method for evaluating the fetal condition |
| RU2238559C1 (ru) * | 2003-02-10 | 2004-10-20 | Государственное учреждение Научно-исследовательский институт клинической иммунологии СО РАМН | Способ прогноза исхода беременности у женщин из группы риска по внутриутробному инфицированию плода |
| US20070038093A1 (en) * | 2005-07-11 | 2007-02-15 | Felice Petraglia | Method and system for fetal weight evaluation |
| RU2456911C1 (ru) * | 2011-03-09 | 2012-07-27 | Государственное учреждение здравоохранения Свердловской области детская клиническая больница восстановительного лечения "Научно-практический центр "Бонум" | Способ прогнозирования развития мультифакторной патологии у детей, рожденных с помощью вспомогательных репродуктивных технологий |
| RU2497437C1 (ru) * | 2012-09-12 | 2013-11-10 | Общество с ограниченной ответственностью "Сфера систем" | Способ оценки риска беременности в пренатальном периоде по результатам массового мониторинга беременных женщин на региональном уровне |
| US20140058219A1 (en) * | 2012-02-14 | 2014-02-27 | Marianna Kiraly | Device for recording ultrasound-induced fetal eeg, and method of use |
| CN111062948A (zh) * | 2019-11-18 | 2020-04-24 | 北京航空航天大学合肥创新研究院 | 一种基于胎儿四腔心切面图像的多组织分割方法 |
| CN112168210A (zh) * | 2019-07-03 | 2021-01-05 | 深圳迈瑞生物医疗电子股份有限公司 | 医学图像处理终端、超声诊断设备和胎儿图像的处理方法 |
| CN112513633A (zh) * | 2018-05-24 | 2021-03-16 | 墨尔本大学 | 用于胎盘或胎儿健康的循环生物标志物 |
| CN112863666A (zh) * | 2021-01-18 | 2021-05-28 | 山东大学齐鲁医院 | 一种预测妊娠期急性脂肪肝母儿不良围产期结局的方法和系统 |
| CN113197550A (zh) * | 2021-04-30 | 2021-08-03 | 北京大学第三医院（北京大学第三临床医学院） | 一种双胎生长发育标准曲线构建的方法 |
| CN113314219A (zh) * | 2021-06-24 | 2021-08-27 | 四川大学华西第二医院 | 胎儿生长发育异常数据识别方法、系统及可读存储介质 |
| CN114332139A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 一种基于先验交互强化学习的胎儿超声图像脑部分割方法 |
| CN114974585A (zh) * | 2022-05-27 | 2022-08-30 | 杭州市妇产科医院 | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 |
-
2022
- 2022-12-27 CN CN202211686389.0A patent/CN116013520B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5442940A (en) * | 1991-10-24 | 1995-08-22 | Hewlett-Packard Company | Apparatus and method for evaluating the fetal condition |
| RU2238559C1 (ru) * | 2003-02-10 | 2004-10-20 | Государственное учреждение Научно-исследовательский институт клинической иммунологии СО РАМН | Способ прогноза исхода беременности у женщин из группы риска по внутриутробному инфицированию плода |
| US20070038093A1 (en) * | 2005-07-11 | 2007-02-15 | Felice Petraglia | Method and system for fetal weight evaluation |
| RU2456911C1 (ru) * | 2011-03-09 | 2012-07-27 | Государственное учреждение здравоохранения Свердловской области детская клиническая больница восстановительного лечения "Научно-практический центр "Бонум" | Способ прогнозирования развития мультифакторной патологии у детей, рожденных с помощью вспомогательных репродуктивных технологий |
| US20140058219A1 (en) * | 2012-02-14 | 2014-02-27 | Marianna Kiraly | Device for recording ultrasound-induced fetal eeg, and method of use |
| RU2497437C1 (ru) * | 2012-09-12 | 2013-11-10 | Общество с ограниченной ответственностью "Сфера систем" | Способ оценки риска беременности в пренатальном периоде по результатам массового мониторинга беременных женщин на региональном уровне |
| US20210199663A1 (en) * | 2018-05-24 | 2021-07-01 | The University Of Melbourne | Circulatory biomarkers for placental or fetal health |
| CN112513633A (zh) * | 2018-05-24 | 2021-03-16 | 墨尔本大学 | 用于胎盘或胎儿健康的循环生物标志物 |
| CN112168210A (zh) * | 2019-07-03 | 2021-01-05 | 深圳迈瑞生物医疗电子股份有限公司 | 医学图像处理终端、超声诊断设备和胎儿图像的处理方法 |
| CN111062948A (zh) * | 2019-11-18 | 2020-04-24 | 北京航空航天大学合肥创新研究院 | 一种基于胎儿四腔心切面图像的多组织分割方法 |
| CN112863666A (zh) * | 2021-01-18 | 2021-05-28 | 山东大学齐鲁医院 | 一种预测妊娠期急性脂肪肝母儿不良围产期结局的方法和系统 |
| CN113197550A (zh) * | 2021-04-30 | 2021-08-03 | 北京大学第三医院（北京大学第三临床医学院） | 一种双胎生长发育标准曲线构建的方法 |
| CN113314219A (zh) * | 2021-06-24 | 2021-08-27 | 四川大学华西第二医院 | 胎儿生长发育异常数据识别方法、系统及可读存储介质 |
| CN114332139A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 一种基于先验交互强化学习的胎儿超声图像脑部分割方法 |
| CN114974585A (zh) * | 2022-05-27 | 2022-08-30 | 杭州市妇产科医院 | 一种妊娠期代谢综合征早期风险预测评估模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116013520B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Williams et al. | Measuring athlete imagery ability: The sport imagery ability questionnaire | |
| Harrod et al. | Physical activity in pregnancy and neonatal body composition: the Healthy Start study | |
| Entezami et al. | Damage localization under ambient excitations and non-stationary vibration signals by a new hybrid algorithm for feature extraction and multivariate distance correlation methods | |
| Kanemaru et al. | Specific characteristics of spontaneous movements in preterm infants at term age are associated with developmental delays at age 3 years | |
| Barrowman | Correlation, causation, and confusion | |
| Loey et al. | COVID-19 cough sound symptoms classification from scalogram image representation using deep learning models | |
| CN107610009B (zh) | 一种基于神经网络的三位一体招生录取概率预测方法 | |
| Valderrama et al. | Improving the quality of point of care diagnostics with real-time machine learning in low literacy LMIC settings | |
| JP2018503413A (ja) | 心肺適応能評価 | |
| CN114783618A (zh) | 基于知识结构及四诊性状的中医模型训练方法、装置 | |
| Birnbaum | Base rates in bayesian inference | |
| CN116013520B (zh) | 预测发育性协调障碍的方法、装置及电子设备 | |
| Seval et al. | Current developments in artificial intelligence from obstetrics and gynecology to urogynecology | |
| Zimatore et al. | Detecting metabolic thresholds from nonlinear analysis of heart rate time series: a review | |
| Sloan et al. | Estimating cardiorespiratory fitness without exercise testing or physical activity status in healthy adults: Regression model development and validation | |
| Valderrama et al. | A proxy for detecting IUGR based on gestational age estimation in a Guatemalan rural population | |
| Sander et al. | Detecting delays in motor skill development of children through data analysis of a smart play device | |
| Raghuraman et al. | Utility of the simplified Bishop score in spontaneous labor | |
| Leduc-McNiven et al. | Machine learning and serious games: opportunities and requirements for detection of mild cognitive impairment | |
| Cheng et al. | Mining discriminative patterns to predict health status for cardiopulmonary patients | |
| Hu et al. | Nonlinear analysis of cerebral hemodynamic and intracranial pressure signals for characterization of autoregulation | |
| Walsh et al. | Variations in body mass index with age in masters athletes | |
| Oktaviana et al. | Early detection of the risk of stunting in pregnant women and its recommendations | |
| Semak et al. | Examining human unipedal quiet stance: characterizing control through jerk | |
| Wang et al. | Analysis of the model for sports enhancing human health using data mining |
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 |