CN117423472B - 一种基于骨龄识别的多要素身高预测方法及系统 - Google Patents

一种基于骨龄识别的多要素身高预测方法及系统 Download PDF

Info

Publication number
CN117423472B
CN117423472B CN202311736297.3A CN202311736297A CN117423472B CN 117423472 B CN117423472 B CN 117423472B CN 202311736297 A CN202311736297 A CN 202311736297A CN 117423472 B CN117423472 B CN 117423472B
Authority
CN
China
Prior art keywords
data
bone age
hand
height
prediction 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
Application number
CN202311736297.3A
Other languages
English (en)
Other versions
CN117423472A (zh
Inventor
王晨光
李稚君
张园
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.)
Tianjin Medical University General Hospital
Original Assignee
Tianjin Medical University General Hospital
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 Tianjin Medical University General Hospital filed Critical Tianjin Medical University General Hospital
Priority to CN202311736297.3A priority Critical patent/CN117423472B/zh
Publication of CN117423472A publication Critical patent/CN117423472A/zh
Application granted granted Critical
Publication of CN117423472B publication Critical patent/CN117423472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及骨龄预测技术领域，公开了一种基于骨龄识别的多要素身高预测方法及系统，其中方法包括如下步骤：S1、将当前用户信息输入至初始身高预测模型，由所述初始身高预测模型输出该用户的初始预测身高；S2、使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据；S3、根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。本发明在对骨龄进行预测时，将用户的左手X光数据、右手X光数据、劳动数据、运动数据等多种要素均考虑了进去，相较于现有技术中统一采用左手X光数据进行骨龄预测的方式，预测结果更为准确。

Description

一种基于骨龄识别的多要素身高预测方法及系统
技术领域
本发明涉及骨龄预测技术领域，具体涉及一种基于骨龄识别的多要素身高预测方法及系统。
背景技术
骨龄是反映儿童生长发育的重要指标之一，通过测骨龄而预测身高，是目前医疗水平以及医疗发展中比较准确的方式。主要是通过X片对人体骨骼的各个部位，如肠管状骨、掌骨、跖骨等关节部位的骨骺线、骨骺端进行分析、综合计算，从而预测身高。
目前的骨龄预测方法一般只针对左手的X光片进行分析预测，考虑因素较为单一，得到的预测结果准确度较低。
针对上述问题，目前亟需一种能根据用户习惯用手的不同进行更精确的预测，并能够综合考虑多方面因素的方法。
发明内容
本发明的目的在于提供一种基于骨龄识别的多要素身高预测方法及系统，以解决现有技术中的难以根据用户习惯用手的不同进行更精确的预测骨龄进而预测身高，以及不能综合考虑身高因素预测骨龄进而预测身高的问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于骨龄识别的多要素身高预测方法，包括如下步骤：
S1、将当前用户信息输入至初始身高预测模型，由所述初始身高预测模型输出该用户的初始预测身高；
在所述S1中，所述初始身高预测模型采用卷积神经网络模型，通过使用多个用户的样本数据生成多个训练集训练所述卷积神经网络模型生成所述初始身高预测模型；
所述训练集包含用户采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高以及该用户身高不再增长后的身高；
S2、使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据；
在所述S2中，所述骨龄预测模型为神经网络模型，所述骨龄预测模型包括右手骨龄预测模型和左手骨龄预测模型，所述右手骨龄预测模型和左手骨龄预测模型通过如下步骤训练获得：
S201：收集用于训练的历史骨龄样本数据；
S202：计算每一条所述历史骨龄样本数据在采样时的实际骨龄；
S203：将所述样本数据按照用手习惯数据，分为右手组用手习惯样本数据和左手组用手习惯样本数据；
S204：分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据训练右手骨龄预测模型和左手骨龄预测模型，生成所述骨龄预测模型；
S3、根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
作为本发明的一种优选方案，在所述S1中，所述当前用户信息包括：当前用户的实际年龄、当前用户性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
作为本发明的一种优选方案，在所述S201中，所述历史骨龄样本数据包括6-18岁年龄段每个个体的X光影像数据、用手习惯数据、运动数据和劳动数据；
其中，每一条所述历史骨龄样本数据的所述X光影像数据包括左手X光影像数据和右手X光影像数据；
每一条所述历史骨龄样本数据的所述用手习惯数据包括习惯用左手或是习惯用右手；
每一条所述历史骨龄样本数据的所述运动数据包括所述用户的最高频次运动项目反映出来的所述用户在运动时左右手是否均衡；
每一条所述历史骨龄样本数据的所述劳动数据包括所述用户日常最高频次从事的劳动项目反映出来的所述用户在劳动时左右手是否均衡。
作为本发明的一种优选方案，在所述S202中，所述实际骨龄的计算公式为：
实际骨龄=采样时年龄+（18-停止生长时的年龄）。
作为本发明的一种优选方案，在所述S204中，所述分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据分别训练右手骨龄预测模型和左手骨龄预测模型，具体包括：
使用右手组用手习惯样本数据训练右手骨龄预测模型的训练过程为：
将右手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用右手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述右手骨龄预测模型的训练；使用左手组用手习惯样本数据训练左手骨龄预测模型的训练过程为：
左手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用左手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述左手骨龄预测模型的训练训练所述左手骨龄预测模型。
作为本发明的一种优选方案，所述S2还包括：S205：先根据当前用户的用手习惯数据，选取左手骨龄预测模型或是右手骨龄预测模型作为预测模型，再将所述当前用户的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为预测模型的输入数据，以得到所述当前用户的骨龄预测数据。
作为本发明的一种优选方案，所述使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据具体包括：
将左手X光影像数据、右手X光影像数据均输入至所述右手骨龄预测模型和所述左手骨龄预测模型中，获得右手骨龄实际数据和左手骨龄实际数据；
根据用户的习惯用手数据、运动数据和劳动数据对所述右手骨龄实际数据和所述左手骨龄实际数据赋予不同权重；
根据所述右手骨龄实际数据和左手骨龄实际数据以及所述右手骨龄实际数据和左手骨龄实际数据对应的权重，得到最终的骨龄预测数据。
作为本发明的一种优选方案，在所述S3中，所述最终预测身高的具体计算公式为：
最终身高=初始预测身高×系数，
所述骨龄预测数据和实际年龄的差值与系数呈负相关；
所述系数的获取公式为：
式中，为实际年龄，/>为预测骨龄，/>，/>为经验系数。
根据本发明的另一方面，还提供一种基于骨龄识别的多要素身高预测系统，使用如上述的基于骨龄识别的多要素身高预测方法，包括如下模块：
云服务器：用于运行初始身高预测模型；还用于运行骨龄预测模型；
身高信息采集模块：与所述云服务器连接，用于采集用户信息，并输入至所述初始身高预测模型，由所述初始身高预测模型输出初始预测身高；
骨龄信息采集模块：与所述云服务器连接，用于采集用户骨龄预测数据和实际年龄，并输入至所述骨龄预测模型，由所述骨龄预测模型输出骨龄预测数据；
身高预测模块，与所述云服务器连接，用于根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
本发明与现有技术相比较具有如下有益效果：
（1）本发明通过骨龄预测数据对初始身高数据进行校正，最终得到的身高预测结果综合考虑了遗传因素和骨龄因素，能够进一步提升对用户身高的预测准确度。
（2）本发明在对骨龄进行预测时，将用户的左手X光数据、右手X光数据、劳动数据、运动数据等多种要素均考虑了进去，相较于现有技术中统一采用左手X光数据进行骨龄预测的方式，预测结果更为准确。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例一预测方法的流程图。
图2为本发明实施例二预测系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
下面首先结合附图对本申请所涉及的概念进行说明。在此需要指出的是，以下对各个概念的说明，仅为了使本申请的内容更加容易理解，并不表示对本申请保护范围的限定；同时，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
如图1所示，本发明提供了一种基于骨龄识别的多要素身高预测方法，包括如下步骤：
S1、将当前用户信息输入至初始身高预测模型，由所述初始身高预测模型输出该用户的初始预测身高。
在所述S1中，所述初始身高预测模型采用卷积神经网络模型，通过使用多个用户的样本数据生成多个训练集训练所述卷积神经网络模型生成所述初始身高预测模型；
所述训练集包含用户采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高以及该用户身高不再增长后的身高。
具体地，在所述S1中，所述当前用户信息包括：当前用户的实际年龄、当前用户的性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
示例性地，对某儿童的初始身高进行预测时，首先会通过问询、实际测量等形式获得当前用户的实际年龄、当前用户的性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高的数据，并将上述数据作为初始身高预测模型的输入数据，例如对张某某的数据（12、男、143、179、161）作为输入数据，输入至初始身高预测模型中，用于初始身高的预测。
其中，所述预测的初始身高为针对该当前用户预测的用户身高停止增长后的初始预测身高。
在对所述初始身高预测模型训练时，将训练集中的采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高作为所述初始身高预测模型的输入，将训练集中的身高不再增长后的身高作为所述初始身高预测模型的输出，对所述初始身高预测模型进行训练。
通过提供用户采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高等多方面综合信息，能够提升初始身高预测的精准度。
S2、使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据。
具体地，在所述S2中，所述骨龄预测模型为神经网络模型，所述骨龄预测模型包括右手骨龄预测模型和左手骨龄预测模型，所述右手骨龄预测模型和所述左手骨龄预测模型通过如下步骤训练获得：
S201：收集用于训练的历史骨龄样本数据。
在所述S201中，所述历史骨龄样本数据包括6-18岁年龄段每个个体的X光影像数据、用手习惯数据、运动数据和劳动数据；
其中，每一条所述历史骨龄样本数据的所述X光影像数据包括左手X光影像数据和右手X光影像数据；
每一条所述历史骨龄样本数据的所述用手习惯数据包括习惯用左手或是习惯用右手；
每一条所述历史骨龄样本数据的所述运动数据包括所述用户的最高频次运动项目反映出来的所述用户在运动时左右手是否均衡；
示例性地，运动数据包括该样本数据所属用户最喜欢哪一种运动，以及该种运动对左右手的使用是否均衡。比如若该用户是左撇子，且喜欢打羽毛球，则其在打羽毛球的时候也是用左手，也即进行该项运动时，左右手不均衡。比如若该用户是左撇子，但喜欢游泳，由于在游泳时对左右手的使用是对称的，则其在游泳时，左右手是均衡的。
每一条所述历史骨龄样本数据的所述劳动数据包括所述用户日常最高频次从事的劳动项目反映出来的所述用户在劳动时左右手是否均衡。
示例性地，劳动数据包括该样本数据所属用户日常从事哪一种劳动，以及该种劳动对左右手的使用是否均衡。具体判断左右手使用是否均衡的方法与判断其运动是否均衡的方法相似。
其中，对用户的左右手使用是否均衡进行判断的目的在于，在后续训练左手和右手骨龄预测模型时，会同时考虑两个手的使用情况，进而在模型内部为两个手赋权，进而使最终的预测结果更为准确。
本实施例相较于现有技术，考虑了用户的最高频次的运动数据和最高频次的劳动数据对手骨的影响，提高骨龄预测的准确度。
S202：计算每一条所述历史骨龄样本数据在采样时的实际骨龄。
在所述S202中，所述实际骨龄的计算公式为：
实际骨龄=采样时年龄+（18-停止生长时的年龄）。
示例性地，例如样本数据1在14岁时进行了X光影像数据、用手习惯数据、运动数据和劳动数据等数据的采样。由于骨龄一般到18岁即会停止生长，因此待其在完全停止生长后，即可反推样本数据1在14岁时的实际骨龄。比如样本数据1的身高在16岁时即停止生长，因此即可推出样本数据1在14岁时的实际骨龄为16岁。
S203：将所述样本数据按照用手习惯数据，分为右手组用手习惯样本数据和左手组用手习惯样本数据。
S204：分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据训练右手骨龄预测模型和左手骨龄预测模型。
在所述S204中，所述右手骨龄预测模型的训练过程为：
将右手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用右手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述右手骨龄预测模型的训练；
所述左手骨龄预测模型的训练过程为：
将左手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用左手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述左手骨龄预测模型的训练；
在此需要说明，左手或右手骨龄预测模型，并不是单纯使用左手或右手进行预测操作，而是要综合两只手的数据进行预测。
比如对于左手骨龄预测模型，也要同时将左手X光影像数据、右手X光影像数据输入至预测模型中，在模型内部，模型会根据该用户的运动和劳动情况，对左手X光影像数据和右手X光影像数据赋权，同时，根据样本数据的实际骨龄数据对左手X光影像数据和右手X光影像数据的权重进行迭代更新，最终得到骨龄预测数据。
在所述S2中，所述S2还包括：S205：先根据当前用户的用手习惯数据，选取左手骨龄预测模型或是右手骨龄预测模型作为预测模型，再将所述当前用户的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为预测模型的输入数据，以得到所述当前用户的骨龄预测数据。
根据本实施例的另一方面，本实施例还提供一种所述S2的另一种实现方式；
所述使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据具体包括：
将左手X光影像数据、右手X光影像数据分别输入至所述右手骨龄预测模型和所述左手骨龄预测模型中，获得右手骨龄实际数据和左手骨龄实际数据；
根据用户的习惯用手数据、运动数据和劳动数据对所述右手骨龄实际数据和所述左手骨龄实际数据赋予不同权重；
根据所述右手骨龄实际数据和左手骨龄实际数据以及所述右手骨龄实际数据和左手骨龄实际数据对应的权重，得到最终的骨龄预测数据；
具体地，发明人在上述思路指导下，根据样本数据拟合预测，得到根据用户的习惯用手数据、运动数据和劳动数据对所述右手骨龄实际数据和所述左手骨龄实际数据赋予不同权重的过程具体为：
若所述用户习惯用右手，运动数据提示该用户运动时左右手均衡、劳动数据提示该用户劳动时左右手均衡，则对右手骨龄实际数据赋权重为0.57，左手骨龄实际数据赋权重为0.43；
若所述用户习惯用右手，运动数据提示该用户运动时左右手均衡、劳动数据提示该用户劳动时左右手不均衡，则对右手骨龄实际数据赋权重为0.71，左手骨龄实际数据赋权重为0.29；
若所述用户习惯用右手，运动数据提示该用户运动时左右手不均衡、劳动数据提示该用户劳动时左右手不均衡，则对右手骨龄实际数据赋权重为0.84，左手骨龄实际数据赋权重为0.16；
若所述用户习惯用左手，运动数据提示该用户运动时左右手均衡、劳动数据提示该用户劳动时左右手均衡，则对左手骨龄实际数据赋权重为0.57，右手骨龄实际数据赋权重为0.43；
若所述用户习惯用左手，运动数据提示该用户运动时左右手均衡、劳动数据提示该用户劳动时左右手不均衡，则对左手骨龄实际数据赋权重为0.71，右手骨龄实际数据赋权重为0.29；
若所述用户习惯用左手，运动数据提示该用户运动时左右手不均衡、劳动数据提示该用户劳动时左右手不均衡，则对左手骨龄实际数据赋权重为0.84，右手骨龄实际数据赋权重为0.16。
由此，相对于现有技术中，仅用一只手进行骨龄预测，本实施例采用了两个只的手骨数据，并且考虑了劳动和运动情况，提高了骨龄预测的准确性。
S3、根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
更进一步地，在所述S3中，所述最终预测身高的具体计算公式为：
最终身高=初始预测身高×系数，
所述骨龄预测数据和实际年龄的差值与系数呈负相关。
示例性地，例如骨龄预测数据为14岁，但实际年龄为15岁，则二者的差为-1，此时，表征当前用户发育相对较晚，以后身高还能增长，因此所述最终预测身高是在所述初始预测身高的基础上乘以一个大于1的系数获得。也就是，通过骨龄预测数据以及实际年龄数据，从而得到当前用户的发育情况，进而通过发育情况对初始预测身高进行修正，从而得到较为准确的预测身高；其中，所述系数根据骨龄预测数据与实际年龄数据获得；
更进一步地，所述系数的获取公式为：
式中，为实际年龄，/>为预测骨龄，/>、/>为经验系数。
同时，需要说明的是，所述最终预测身高为预测的儿童成年后的身高。
本发明针对用户的用手习惯数据，分别训练获得左手骨龄预测模型和右手骨龄预测模型，可以根据用户的具体用手习惯选择相应的骨龄预测模型，相较于现有技术中统一采用左手进行骨龄预测的方式，预测结果更为准确。
本发明通过骨龄预测数据对初始身高数据进行校正，最终得到的身高预测结果综合考虑了遗传因素和骨龄因素，能够进一步提升对用户身高的预测准确度。
实施例二
如图2所示，一种基于骨龄识别的多要素身高预测系统，使用如上述的基于骨龄识别的多要素身高预测方法，包括如下模块：
云服务器：用于运行初始身高预测模型；还用于运行骨龄预测模型；所述骨龄预测模型包括左手骨龄预测模型和右手骨龄预测模型，根据用户用手习惯选择所述左手骨龄预测模型或是所述右手骨龄预测模型；
身高信息采集模块：与所述云服务器连接，用于采集用户信息，并输入至所述初始身高预测模型，由所述初始身高预测模型输出初始预测身高；
骨龄信息采集模块：与所述云服务器连接，用于采集用户骨龄预测数据和实际年龄，并输入至所述骨龄预测模型，由所述骨龄预测模型输出骨龄预测数据；
身高预测模块，与所述云服务器连接，用于根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
实施例三
本实施例包括一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行实施例一的一种基于骨龄识别的多要素身高预测方法。
本领域技术人员应明白，本文的实施例可提供为方法、装置（设备）、或计算机程序产品。因此，本文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。包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
本文是参照根据本文实施例的方法、装置（设备）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是，本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或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、方法或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，或是还包括为这种过程、方法或设备所固有的要素。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、方法或设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以作出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其他场合的，均应视为本申请的保护范围。

Claims (5)

1.一种基于骨龄识别的多要素身高预测方法，其特征在于，包括如下步骤：
S1、将当前用户信息输入至初始身高预测模型，由所述初始身高预测模型输出所述当前用户的初始预测身高；
在所述S1中，所述初始身高预测模型采用卷积神经网络模型，通过使用多个用户的样本数据生成多个训练集训练所述卷积神经网络模型生成所述初始身高预测模型；
所述训练集包含用户采样时的实际年龄、性别、采样时的实际身高、父亲实际身高、母亲实际身高以及该用户身高不再增长后的身高；
S2、使用骨龄预测模型对所述当前用户的当前骨龄进行预测，得到所述当前用户的骨龄预测数据；
在所述S2中，所述骨龄预测模型为神经网络模型，所述骨龄预测模型包括右手骨龄预测模型和左手骨龄预测模型，所述右手骨龄预测模型和左手骨龄预测模型通过如下步骤训练获得：
S201：收集用于训练的历史骨龄样本数据；
所述历史骨龄样本数据包括6-18岁年龄段每个个体的X光影像数据、用手习惯数据、运动数据和劳动数据；
其中，每一条所述历史骨龄样本数据的所述X光影像数据包括左手X光影像数据和右手X光影像数据；
每一条所述历史骨龄样本数据的所述用手习惯数据包括习惯用左手或是习惯用右手；
每一条所述历史骨龄样本数据的所述运动数据包括所述用户的最高频次运动项目反映出来的所述用户在运动时左右手是否均衡；
每一条所述历史骨龄样本数据的所述劳动数据包括所述用户日常最高频次从事的劳动项目反映出来的所述用户在劳动时左右手是否均衡；
S202：计算每一条所述历史骨龄样本数据在采样时的实际骨龄；
所述实际骨龄的计算公式为：
实际骨龄=采样时年龄+（18-停止生长时的年龄）；S203：将所述样本数据按照用手习惯数据，分为右手组用手习惯样本数据和左手组用手习惯样本数据；
S204：分别使用所述右手组用手习惯样本数据和所述左手组用手习惯样本数据训练右手骨龄预测模型和左手骨龄预测模型，生成所述骨龄预测模型；
使用右手组用手习惯样本数据训练右手骨龄预测模型的训练过程为：
将右手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用右手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述右手骨龄预测模型的训练；
使用左手组用手习惯样本数据训练左手骨龄预测模型的训练过程为：
左手组用手习惯样本数据中每个样本数据中的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为模型的输入数据；将所述每一条习惯用左手的所述历史骨龄样本数据在采集时的用户实际骨龄作为输出数据，实现所述左手骨龄预测模型的训练；
将左手X光影像数据、右手X光影像数据均输入至所述右手骨龄预测模型和所述左手骨龄预测模型中，获得右手骨龄实际数据和左手骨龄实际数据；
根据用户的习惯用手数据、运动数据和劳动数据对所述右手骨龄实际数据和所述左手骨龄实际数据赋予不同权重；
根据所述右手骨龄实际数据和左手骨龄实际数据以及所述右手骨龄实际数据和左手骨龄实际数据对应的权重，得到最终的骨龄预测数据；
S3、根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
2.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法，其特征在于，在所述S1中，所述当前用户信息包括：当前用户的实际年龄、当前用户性别、当前用户的实际身高、当前用户的父亲实际身高、当前用户的母亲实际身高。
3.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法，其特征在于，所述S2还包括：S205：先根据当前用户的用手习惯数据，选取左手骨龄预测模型或是右手骨龄预测模型作为预测模型，再将所述当前用户的左手X光影像数据、右手X光影像数据、运动数据和劳动数据作为预测模型的输入数据，以得到所述当前用户的骨龄预测数据。
4.根据权利要求1所述的一种基于骨龄识别的多要素身高预测方法，其特征在于，所述最终预测身高的具体计算公式为：
最终身高=初始预测身高×系数N，
所述骨龄预测数据和实际年龄的差值与系数N呈负相关；
所述系数N的获取公式为：
式中，A为实际年龄，BA为预测骨龄，α、β为经验系数。
5.一种基于骨龄识别的多要素身高预测系统，使用如权利要求1-4任一项所述的基于骨龄识别的多要素身高预测方法，其特征在于，包括如下模块：
云服务器：用于运行初始身高预测模型；还用于运行骨龄预测模型；
身高信息采集模块：与所述云服务器连接，用于采集用户信息，并输入至所述初始身高预测模型，由所述初始身高预测模型输出初始预测身高；
骨龄信息采集模块：与所述云服务器连接，用于采集用户骨龄预测数据和实际年龄，并输入至所述骨龄预测模型，由所述骨龄预测模型输出骨龄预测数据；
身高预测模块，与所述云服务器连接，用于根据所述初始预测身高和所述骨龄预测数据，得到当前用户的最终预测身高。
CN202311736297.3A 2023-12-18 2023-12-18 一种基于骨龄识别的多要素身高预测方法及系统 Active CN117423472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311736297.3A CN117423472B (zh) 2023-12-18 2023-12-18 一种基于骨龄识别的多要素身高预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311736297.3A CN117423472B (zh) 2023-12-18 2023-12-18 一种基于骨龄识别的多要素身高预测方法及系统

Publications (2)

Publication Number Publication Date
CN117423472A CN117423472A (zh) 2024-01-19
CN117423472B true CN117423472B (zh) 2024-03-08

Family

ID=89532820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311736297.3A Active CN117423472B (zh) 2023-12-18 2023-12-18 一种基于骨龄识别的多要素身高预测方法及系统

Country Status (1)

Country Link
CN (1) CN117423472B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9311093D0 (en) * 1993-05-28 1993-07-14 Hill Kevin Image processing system and method for automatic feature extraction
CN107591200A (zh) * 2017-08-25 2018-01-16 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及系统
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
CN110222459A (zh) * 2019-06-14 2019-09-10 成都高鹿科技有限公司 一种个体身高分析方法、系统、可读存储介质及终端
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
WO2020062840A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN112862749A (zh) * 2020-12-29 2021-05-28 浙江康体汇科技有限公司 一种骨龄图像数字化处理后自动识别方法
CN114550929A (zh) * 2022-02-15 2022-05-27 周口市中医院 基于大数据的青少年骨龄数据管理方法及异常预警方法
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
CN115861179A (zh) * 2022-11-07 2023-03-28 重庆医科大学 实时骨龄检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11367181B2 (en) * 2018-12-29 2022-06-21 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for ossification center detection and bone age assessment

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9311093D0 (en) * 1993-05-28 1993-07-14 Hill Kevin Image processing system and method for automatic feature extraction
CN107591200A (zh) * 2017-08-25 2018-01-16 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及系统
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
CN110265119A (zh) * 2018-05-29 2019-09-20 中国医药大学附设医院 骨龄评估与身高预测模型、其系统及其预测方法
WO2020062840A1 (zh) * 2018-09-30 2020-04-02 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN110222459A (zh) * 2019-06-14 2019-09-10 成都高鹿科技有限公司 一种个体身高分析方法、系统、可读存储介质及终端
CN112862749A (zh) * 2020-12-29 2021-05-28 浙江康体汇科技有限公司 一种骨龄图像数字化处理后自动识别方法
CN114550929A (zh) * 2022-02-15 2022-05-27 周口市中医院 基于大数据的青少年骨龄数据管理方法及异常预警方法
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
CN115861179A (zh) * 2022-11-07 2023-03-28 重庆医科大学 实时骨龄检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TW3成年身高预测改良法在中国儿童中的应用研究;潘嘉严;张先来;徐东;;现代医学;20180725(第07期);全文 *
骨龄与生长发育的关系研究;朱琳;;哈尔滨体育学院学报;20111025(第05期);全文 *

Also Published As

Publication number Publication date
CN117423472A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
KR101944859B1 (ko) 질병 분석 및 예측 시스템
CN107291232A (zh) 一种基于深度学习与大数据的体感游戏交互方法及系统
CN108875768A (zh) 数据标注方法、装置和系统及存储介质
CN110009640A (zh) 处理心脏视频的方法、设备和可读介质
Martins et al. Phase angle is related to 10 m and 30 m sprint time and repeated-sprint ability in young male soccer players
CN113951879B (zh) 血糖预测方法和装置、监测血糖水平的系统
CN116092681B (zh) 确定健康指数评分的方法、系统、电子设备及存储介质
McMahon et al. A proposed method for evaluating drop jump performance with one force platform
Toselli et al. Assessment of body composition and physical performance of young soccer players: differences according to the competitive level
Dormehl et al. Modelling the progression of male swimmers’ performances through adolescence
Lorenzo-Calvo et al. Prevalence and impact of the relative age effect on competition performance in swimming: a systematic review
CN112990343A (zh) 一种基于人工智能算法的水环境质量评价方法
CN113869594A (zh) 用户体能成绩预测方法及装置、电子设备、存储介质
Gelder et al. Machine Learning as a Novel Method to Support Therapeutic Drug Management and Precision Dosing.
CN117423472B (zh) 一种基于骨龄识别的多要素身高预测方法及系统
CN111513723A (zh) 运动姿态监测方法、调整方法、装置和终端
Piłka et al. Predicting injuries in football based on data collected from GPS-based wearable sensors
Przednowek et al. Predictive modeling of VO2max based on 20 m shuttle run test for young healthy people
Cattem et al. Bioimpedance vector patterns according to age and handgrip strength in adolescent male and female athletes
Wu et al. Development of an automatic functional movement screening system with inertial measurement unit sensors
Esco et al. Utilizing a Novel 2D Image Processing System for Relating Body Composition Metrics to Performance in Collegiate Female Rowers
Lin et al. Optimizing the sensor placement for foot plantar center of pressure without prior knowledge using deep reinforcement learning
US20220318626A1 (en) Meta-training framework on dual-channel combiner network system for dialysis event prediction
Gomes et al. Surf session events’ profiling using smartphones’ embedded sensors
CN111401563A (zh) 机器学习模型更新方法和装置

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