CN117316448A - 一种儿童生长发育的监测评估方法 - Google Patents
一种儿童生长发育的监测评估方法 Download PDFInfo
- Publication number
- CN117316448A CN117316448A CN202311260605.XA CN202311260605A CN117316448A CN 117316448 A CN117316448 A CN 117316448A CN 202311260605 A CN202311260605 A CN 202311260605A CN 117316448 A CN117316448 A CN 117316448A
- Authority
- CN
- China
- Prior art keywords
- development
- child
- neural network
- network model
- growth
- 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.)
- Pending
Links
- 238000011161 development Methods 0.000 title claims abstract description 189
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims description 21
- 230000037396 body weight Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 206010058314 Dysplasia Diseases 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 4
- DYSJMQABFPKAQM-UHFFFAOYSA-N 1-benzothiophene-2-carboxylic acid Chemical compound C1=CC=C2SC(C(=O)O)=CC2=C1 DYSJMQABFPKAQM-UHFFFAOYSA-N 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 206010053759 Growth retardation Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种儿童生长发育的监测评估方法,涉及儿童生长发育监测技术领域,通过预先收集发育年龄段表,收集每个发育年龄段的个体训练数据,并基于个体训练数据生成整体训练数据,对于每个发育年龄段,基于整体训练数据,训练出预测未来发育度的第一神经网络模型以及评估儿童生长发育是否异常的第二神经网络模型,对于每个待监测儿童的每个监测周期,收集该儿童的历史生长数据,基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常,若判断为异常,基于历史生长数据以及第一神经网络模型,修改待监测儿童的监测周期时长;快速收集足够多的数据,从而更及时的发现儿童生长异常情况。
Description
技术领域
本发明涉及儿童生长发育监测技术领域,具体是一种儿童生长发育的监测评估方法。
背景技术
儿童的身高和体重是评估其生长发育状况的重要指标,对于发现潜在的健康问题和提供适当的干预非常关键。周期性监测儿童的身高和体重可以提供有关其生长发育趋势和变化的信息,以及可能存在的异常情况的早期迹象;
周期性监测可以帮助及早发现潜在的生长异常,如生长迟缓、肥胖等问题,通过建立个体的生长曲线,可以了解其在生长发育方面的个体差异,并基于个体曲线进行评估和干预;
因为儿童生长发育的复杂性,一次异常往往并不能证实发育异常,而是需要经过多次数据比对,才能确定儿童的生长发育存在问题;然而目前的周期性监测往往是固定周期或不定周期的监测,无法智能自动根据儿童的异常状态自动调整监测周期,从而导致无法及时发现儿童发育异常的情况;
为此,本发明提出一种儿童生长发育的监测评估方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种儿童生长发育的监测评估方法,该一种儿童生长发育的监测评估方法在实际发育情况与预期的差别越大时,降低监测周期时长,以快速收集足够多的数据,从而更及时的发现儿童生长异常情况。
为实现上述目的,根据本发明的实施例提出一种儿童生长发育的监测评估方法,包括以下步骤:
步骤一:预先收集发育年龄段表;
步骤二:收集每个发育年龄段的个体训练数据,并基于个体训练数据生成整体训练数据;
步骤三:对于每个发育年龄段,基于整体训练数据,训练出预测未来发育度的第一神经网络模型;基于整体训练数据训练出评估儿童生长发育是否异常的第二神经网络模型;
步骤四:对于每个待监测儿童的每个监测周期,收集该儿童的历史生长数据;
步骤五:基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常,若判断为异常,转至步骤六;
步骤六:基于历史生长数据以及第一神经网络模型,修改待监测儿童的监测周期时长,并在连续判断为异常的监测周期的次数大于预设的异常次数阈值时,发起发育异常报警;
其中,所述发育年龄段表为以发育年龄段为主键,以预设的监测周期时长为属性的数据库表;
所述发育年龄段为根据儿童生长速度的普遍规律,将儿童的生长年龄划分出的若干个年龄段;所述监测周期时长为在各个发育年龄段中,收集对应的身高和体重的相邻两个监测周期的相隔时间长度;
所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列;
所述身高时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的身高序列;
所述体重时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的体重序列;
所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签;
其中,所述发育度序列为每个测试儿童的在对应的发育年龄段内,从第二个监测周期开始,按时间顺序排序的发育度序列;
所述发育度的计算方式为:
将发育年龄段的编号标记为a,将第a个发育年龄段的测试儿童的编号标记为ca,将第ca个测试儿童的身高时间序列标记为Hca,将身高时间序列中的每个监测周期编号标记为nca,将身高时间序列Hca中第nca个身高标记为Ghca;将第ca个测试儿童的体重时间序列标记为Wca,将体重时间序列中第nca个体重标记为Tnca;
对于任意大于1的编号nca,生成对应的发育度Fnca;所述发育度Fnca的计算公式为
所述状态标签为对于每个测试儿童的每个监测周期的发育度序列,由医疗机构人员人工打上的表示为正常或异常的0/1的标签;
训练出预测未来发育的第一神经网络模型的方式为:
对于第a个发育年龄段,根据预设的预测时间步长、滑动步长以及滑动窗口长度,将每个测试儿童的发育度序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的发育度序列作为输出,每个训练样本后续预测时间步长内,在整体训练数据的后续预测时间步长内的发育度序列作为预测目标,对第一神经网络模型进行训练;生成预测发育度的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型;所述预测时间步长可以为一个监测周期;
训练出评估儿童生长发育是否异常的第二神经网络模型的方式为:
对于第a个发育年龄段,将整体训练数据中,每组发育度序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组发育度序列的预测的状态标签为输出,以整体训练数据中,发育度序列对应的状态标签为预测目标,以最小化对所有状态标签的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据发育度序列输出预测的状态标签的第二神经网络模型;所述第二神经网络模型是RNN神经网络模型或LSTM神经网络模型;
预测误差的计算公式为:zk=(ak-wk)2,其中,k为发育度序列的编号,zk为预测误差,ak为第k组发育度序列对应的预测的状态标签,wk为第k组发育度序列对应的实际的状态标签;
对于每个待监测儿童的监测周期,所述历史生长数据为该待监测儿童的发育度序列;所述待监测儿童的发育度序列为从其年龄对应的发育年龄段开始时间至该监测周期中,所有监测周期按时间顺序组成的发育度序列;
判断每个待监测儿童的生长发育过程是否异常的方式为:
对于待监测儿童的当前的监测周期,将对应的发育度序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的状态标签;若预测的状态标签表示的是异常,则判断为生长发育过程异常;
修改待监测儿童的监测周期时长的方式为:
将待监测儿童的年龄所对应的发育年龄段的编号标记为a1,从发育年龄段表中获取第a1个发育年龄段对应的监测周期时长Za1;
将待监测儿童的当前的监测周期计算出的实际的发育度标记为F1;
对于待监测儿童的每个监测周期,将前一个监测周期对应的发育度序列作为第一神经网络模型的输入,获得第一神经网络模型输出的当前的监测周期的预测的发育度,并将预测的发育度标记为F2;
将待监测儿童当前监测周期之后的的监测周期Za1调整为
与现有技术相比,本发明的有益效果是:
本发明通过预先收集发育年龄段表,收集每个发育年龄段的个体训练数据,并基于个体训练数据生成整体训练数据,对于每个发育年龄段,基于整体训练数据,训练出预测未来发育度的第一神经网络模型以及评估儿童生长发育是否异常的第二神经网络模型,对于每个待监测儿童的每个监测周期,收集该儿童的历史生长数据,基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常,若判断为异常,基于历史生长数据以及第一神经网络模型,修改待监测儿童的监测周期时长;当儿童实际生长速度与预期差越大时,降低监测周期时长,以快速收集足够多的数据,从而更及时的发现儿童生长异常情况;
附图说明
图1为本发明的儿童生长发育的监测评估方法的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,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做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。
如图1所示,一种儿童生长发育的监测评估方法,包括以下步骤:
步骤一:预先收集发育年龄段表;
步骤二:收集每个发育年龄段的个体训练数据,并基于个体训练数据生成整体训练数据;
步骤三:对于每个发育年龄段,基于整体训练数据,训练出预测未来发育度的第一神经网络模型;基于整体训练数据训练出评估儿童生长发育是否异常的第二神经网络模型;
步骤四:对于每个待监测儿童的每个监测周期,收集该儿童的历史生长数据;
步骤五:基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常,若判断为异常,转至步骤六;若判断为正常,则不做处理;
步骤六:基于历史生长数据以及第一神经网络模型,修改待监测儿童的监测周期时长,并在连续判断为异常的监测周期的次数大于预设的异常次数阈值时,发起发育异常报警;
其中,所述发育年龄段表为以发育年龄段为主键,以预设的监测周期时长为属性的数据库表;
所述发育年龄段为根据儿童生长速度的普遍规律,将儿童的生长年龄划分出的若干个年龄段;所述监测周期时长为在各个发育年龄段中,收集对应的身高和体重的相邻两个监测周期的相隔时间长度;
需要说明的是,各个年龄段儿童的生长速度不同,例如在婴儿期生长速度远远大于青春期,且具体的发育年龄段以及对应的监测周期时长的划分由医学专业人员根据实际经验进行;
所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列;
所述测试儿童为由医学机构招募的若干协助测试的儿童,测试儿童每隔设置的监测周期,定时上传当时的时间、年龄、身高和体重数据,用于医学机构收集训练数据;
所述身高时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的身高序列;
所述体重时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的体重序列;
所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签;
其中,所述发育度序列为每个测试儿童的在对应的发育年龄段内,从第二个监测周期开始,按时间顺序排序的发育度序列;
所述发育度的计算方式为:
将发育年龄段的编号标记为a,将第a个发育年龄段的测试儿童的编号标记为ca,将第ca个测试儿童的身高时间序列标记为Hca,将身高时间序列中的每个监测周期编号标记为nca,将身高时间序列Hca中第nca个身高标记为Ghca;将第ca个测试儿童的体重时间序列标记为Wca,将体重时间序列中第nca个体重标记为Tnca;
对于任意大于1的编号nca,生成对应的发育度Fnca;所述发育度Fnca的计算公式为可以理解的是,当身高增长的速度远远大于或小于体重增长的速度时,Fnca可能会异常的大或异常的小;且Fnca代表的是发育速度,不受监测周期时长的影响,因此,在对监测周期进行调节时,依然可以使用Fnca来衡量状态异常情况;
所述状态标签为对于每个测试儿童的每个监测周期的发育度序列,由医疗机构人员人工打上的表示为正常或异常的0/1的标签;优选的,当状态标签为0时,表示测试儿童发育正常,当状态标签为1时,测试儿童发育异常;
训练出预测未来发育的第一神经网络模型的方式为:
对于第a个发育年龄段,根据预设的预测时间步长、滑动步长以及滑动窗口长度,将每个测试儿童的发育度序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的发育度序列作为输出,每个训练样本后续预测时间步长内,在整体训练数据的后续预测时间步长内的发育度序列作为预测目标,对第一神经网络模型进行训练;生成预测发育度的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型;优选的,所述预测时间步长可以为一个监测周期;
需要说明的是,滑动窗口方法作为循环神经网络模型或时间序列预测模型的常规技术手段,本发明在此不再做原理性说明;但为了本发明更便于实施,本发明提供如下的关于滑动窗口方法的示例:
假设要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型,设置预测时间步长为1,滑动步长设置1以及滑动窗口长度设置为3;则生成3组训练数据和对应的预测目标数据:[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据,以[4]、[5]以及[6]分别作为预测目标;
训练出评估儿童生长发育是否异常的第二神经网络模型的方式为:
对于第a个发育年龄段,将整体训练数据中,每组发育度序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组发育度序列的预测的状态标签为输出,以整体训练数据中,发育度序列对应的状态标签为预测目标,以最小化对所有状态标签的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据发育度序列输出预测的状态标签的第二神经网络模型;优选的,所述第二神经网络模型是RNN神经网络模型或LSTM神经网络模型;
预测误差的计算公式为:zk=(ak-wk)2,其中,k为发育度序列的编号,zk为预测误差,ak为第k组发育度序列对应的预测的状态标签,wk为第k组发育度序列对应的实际的状态标签;
对于每个待监测儿童的监测周期,所述历史生长数据为该待监测儿童的发育度序列;所述待监测儿童的发育度序列为从其年龄对应的发育年龄段开始时间至该监测周期中,所有监测周期按时间顺序组成的发育度序列;
判断每个待监测儿童的生长发育过程是否异常的方式为:
对于待监测儿童的当前的监测周期,将对应的发育度序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的状态标签;若预测的状态标签表示的是异常,则判断为生长发育过程异常;若预测的状态标签表示的是正常,则判断为生长发育过程正常;
修改待监测儿童的监测周期时长的方式为:
将待监测儿童的年龄所对应的发育年龄段的编号标记为a1,从发育年龄段表中获取第a1个发育年龄段对应的监测周期时长Za1;
将待监测儿童的当前的监测周期计算出的实际的发育度标记为F1;
对于待监测儿童的每个监测周期,将前一个监测周期对应的发育度序列作为第一神经网络模型的输入,获得第一神经网络模型输出的当前的监测周期的预测的发育度,并将预测的发育度标记为F2;
将待监测儿童当前监测周期之后的的监测周期Za1调整为可以理解的是,/>反应了生长速度和预期的差距,当预期差越大时,说明异常情况可能越严重,需要降低监测周期时长,以快速收集足够多的数据,从而更及时的发现儿童生长异常情况;
优选的,发起发育异常报警的方式可以是向儿童家长发送短信通知或电话通知等。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种儿童生长发育的监测评估方法,其特征在于,包括以下步骤:
步骤一:预先收集发育年龄段表;
步骤二:收集每个发育年龄段的个体训练数据,并基于个体训练数据生成整体训练数据;
步骤三:对于每个发育年龄段,基于整体训练数据,训练出预测未来发育度的第一神经网络模型;基于整体训练数据训练出评估儿童生长发育是否异常的第二神经网络模型;
步骤四:对于每个待监测儿童的每个监测周期,收集该儿童的历史生长数据;
步骤五:基于历史生长数据和第二神经网络模型判断每个待监测儿童的生长发育过程是否异常,若判断为异常,转至步骤六;
步骤六:基于历史生长数据以及第一神经网络模型,修改待监测儿童的监测周期时长,并在连续判断为异常的监测周期的次数大于预设的异常次数阈值时,发起发育异常报警。
2.根据权利要求1所述的一种儿童生长发育的监测评估方法,其特征在于,所述发育年龄段表为以发育年龄段为主键,以预设的监测周期时长为属性的数据库表;
所述发育年龄段为根据儿童生长速度的普遍规律,将儿童的生长年龄划分出的若干个年龄段;所述监测周期时长为在各个发育年龄段中,收集对应的身高和体重的相邻两个监测周期的相隔时间长度。
3.根据权利要求2所述的一种儿童生长发育的监测评估方法,其特征在于,所述个体训练数据包括在各个发育阶段的若干测试儿童的身高时间序列以及体重时间序列;
所述身高时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的身高序列;
所述体重时间序列为对于每个发育年龄段,按时间顺序收集的每个监测周期的体重序列。
4.根据权利要求3所述的一种儿童生长发育的监测评估方法,其特征在于,所述整体训练数据包括在各个发育年龄段的若干测试儿童在每个监测周期的发育度序列以及状态标签;
其中,所述发育度序列为每个测试儿童的在对应的发育年龄段内,从第二个监测周期开始,按时间顺序排序的发育度序列;
所述状态标签为对于每个测试儿童的每个监测周期的发育度序列,由医疗机构人员人工打上的表示为正常或异常的0/1的标签。
5.根据权利要求4所述的一种儿童生长发育的监测评估方法,其特征在于,所述发育度的计算方式为:
将发育年龄段的编号标记为a,将第a个发育年龄段的测试儿童的编号标记为ca,将第ca个测试儿童的身高时间序列标记为Hca,将身高时间序列中的每个监测周期编号标记为nca,将身高时间序列Hca中第nca个身高标记为Ghca;将第ca个测试儿童的体重时间序列标记为Wca,将体重时间序列中第nca个体重标记为Tnca;
对于任意大于1的编号nca,生成对应的发育度Fnca;所述发育度Fnca的计算公式为
6.根据权利要求5所述的一种儿童生长发育的监测评估方法,其特征在于,训练出预测未来发育的第一神经网络模型的方式为:
对于第a个发育年龄段,根据预设的预测时间步长、滑动步长以及滑动窗口长度,将每个测试儿童的发育度序列使用滑动窗口方法将其转化为若干个训练样本,将每组训练样本作为第一神经网络模型的输入,第一神经网络模型以未来的预测时间步长的发育度序列作为输出,每个训练样本后续预测时间步长内,在整体训练数据的后续预测时间步长内的发育度序列作为预测目标,对第一神经网络模型进行训练;生成预测发育度的第一神经网络模型;所述第一神经网络模型为RNN神经网络模型;所述预测时间步长为一个监测周期。
7.根据权利要求6所述的一种儿童生长发育的监测评估方法,其特征在于,训练出评估儿童生长发育是否异常的第二神经网络模型的方式为:
对于第a个发育年龄段,将整体训练数据中,每组发育度序列作为第二神经网络模型的输入,所述第二神经网络模型以对每组发育度序列的预测的状态标签为输出,以整体训练数据中,发育度序列对应的状态标签为预测目标,以最小化对所有状态标签的预测误差之和作为训练目标;对第二神经网络模型进行训练,直至预测误差之和达到收敛时停止训练,训练出根据发育度序列输出预测的状态标签的第二神经网络模型;所述第二神经网络模型是RNN神经网络模型或LSTM神经网络模型;
预测误差的计算公式为:zk=(ak-wk)2,其中,k为发育度序列的编号,zk为预测误差,ak为第k组发育度序列对应的预测的状态标签,wk为第k组发育度序列对应的实际的状态标签。
8.根据权利要求7所述的一种儿童生长发育的监测评估方法,其特征在于,对于每个待监测儿童的监测周期,所述历史生长数据为该待监测儿童的发育度序列;所述待监测儿童的发育度序列为从其年龄对应的发育年龄段开始时间至该监测周期中,所有监测周期按时间顺序组成的发育度序列。
9.根据权利要求8所述的一种儿童生长发育的监测评估方法,其特征在于,判断每个待监测儿童的生长发育过程是否异常的方式为:
对于待监测儿童的当前的监测周期,将对应的发育度序列作为第二神经网络模型的输入,获得第二神经网络模型输出的预测的状态标签;若预测的状态标签表示的是异常,则判断为生长发育过程异常。
10.根据权利要求9所述的一种儿童生长发育的监测评估方法,其特征在于,修改待监测儿童的监测周期时长的方式为:
将待监测儿童的年龄所对应的发育年龄段的编号标记为a1,从发育年龄段表中获取第a1个发育年龄段对应的监测周期时长Za1;
将待监测儿童的当前的监测周期计算出的实际的发育度标记为F1;
对于待监测儿童的每个监测周期,将前一个监测周期对应的发育度序列作为第一神经网络模型的输入,获得第一神经网络模型输出的当前的监测周期的预测的发育度,并将预测的发育度标记为F2;
将待监测儿童当前监测周期之后的的监测周期Za1调整为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260605.XA CN117316448A (zh) | 2023-09-27 | 2023-09-27 | 一种儿童生长发育的监测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311260605.XA CN117316448A (zh) | 2023-09-27 | 2023-09-27 | 一种儿童生长发育的监测评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117316448A true CN117316448A (zh) | 2023-12-29 |
Family
ID=89242055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311260605.XA Pending CN117316448A (zh) | 2023-09-27 | 2023-09-27 | 一种儿童生长发育的监测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117316448A (zh) |
-
2023
- 2023-09-27 CN CN202311260605.XA patent/CN117316448A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
BR112021013786A2 (pt) | Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento | |
CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
CN113076834B (zh) | 旋转机械故障信息处理方法、处理系统、处理终端、介质 | |
CN109543743B (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN111191855A (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN117316448A (zh) | 一种儿童生长发育的监测评估方法 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
Brown et al. | Learning models of plant behavior for anomaly detection and condition monitoring | |
CN113036917B (zh) | 一种基于机器学习的配电网监控信息监视系统和方法 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
Li et al. | Health Monitoring Framework for Weather Radar Based on Long Short-Term Memory Network with a Real Case Study | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
CN117035230B (zh) | 一种基于大数据分析的污水处理设备运行状态评估方法 | |
CN113656287B (zh) | 软件实例故障的预测方法、装置、电子设备及存储介质 | |
CN116342110B (zh) | 一种列车多温度测量回路智能故障诊断和容错测量方法 | |
CN113553232B (zh) | 一种通过在线矩阵画像对运维数据进行无监督异常检测的技术 |
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 |