一种基于AI的孕妇特征相关的胎儿体重预测方法和系统与流程

一种基于ai的孕妇特征相关的胎儿体重预测方法和系统
技术领域
1.本发明涉及一种基于ai的孕妇特征相关的胎儿体重预测方法和系统，属于医疗数据处理领域。


背景技术：

2.在预估新生儿体重的过程中，可以使用多套不同的方案采集胎儿信息，并估算胎儿的体重，例如使用b超、助产士测量宫高腹围、使用其他扫描装置等。然而，这些估算方法，都存在一些问题：
3.1、上述各种估算方法，通常都会引入一定的测量误差，且在查表计算的过程中，还会引入新的误差，而且这些误差没有可靠的消除方案；
4.2.上述不同的估算来源，缺乏有效的整合方案；
5.3.使用的数学模型较为陈旧，随着孕妇生活水平的提高，推算的新生儿体重与实际情况的差距将越来越大；
6.4.使用的数学模型较为统一，并不能对不同特征(例如体态、饮食结构、民族、居住地、胎儿性别等)的孕产妇分别进行有针对的推算。


技术实现要素：

7.针对上述问题，本发明的目的是提供一种基于ai的孕妇特征相关的胎儿体重预测方法和系统，基于人工智能技术对胎儿体重进行预测，使得收集的数据更符合实际情况，并通过数据自动计算，消除查表过程引入的误差。
8.为实现上述目的，本发明采取以下技术方案：
9.第一方面，本发明提供一种基于ai的孕妇特征相关的胎儿体重预测方法，包括以下步骤：
10.获取目标孕妇的特征数据；
11.基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，对目标孕妇在各时间段的胎儿体重进行预测。
12.进一步，所述主数据模型的构建方法，包括：
13.确定检查者和体重估算方式的偏差数据的预设初始值，对预先建立的基础模型进行测量误差修正，作为初始动态学习模型；其中，所述基础模型基于收集的产科历史检测数据，采用系统识别方式建立。
14.进一步，所述基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，对目标孕妇在各时间段的胎儿体重进行预测，包括：
15.基于目标孕妇上传的特征数据，对预先建立的各特征模型及其权重进行匹配，得到总的特征模型；
16.基于基础模型、主数据模型、总的特征模型以及预设权重分配比例，得到目标孕妇
的个性化特征模型，用于对目标孕妇的胎儿体重进行预测。
17.进一步，所述基于目标孕妇上传的特征数据，对预先建立的各特征模型及其权重进行匹配，得到总的特征模型，包括：
18.基于不同维度进行分类得到若干特征组，并计算各特征组对应的权重值和权重百分比；
19.基于各特征属性对各特征组进行再次分类，得到每一特征组对应的子特征组及其特征模型；
20.基于目标孕妇上传的特征数据，以及每一特征组对应的子特征的可选属性，得到针对目标孕妇的总的特征模型。
21.进一步，所述基于目标孕妇上传的特征数据，以及每一特征组对应的子特征的可选属性，得到针对目标孕妇的总的特征模型，包括：
22.根据各特征组内子特征的可选属性将所有特征组分为两类，分别为单选型和多选型；
23.基于目标孕妇上传的特征数据，确定目标孕妇所选特征组对应的特征模型；
24.基于目标孕妇在各特征组的特征模型及各特征组对应的权重，得到针对目标孕妇的总的特征模型。
25.进一步，所述基于目标孕妇上传的特征数据，确定目标孕妇所选特征组对应的特征模型，包括：
26.将单选型特征组的权重值作为目标孕妇所选子特征组的权重值，并将该子特征组的特征模型与权重值相乘作为目标孕妇在该单选型特征组的特征模型；
27.对于多选型特征组，首先以符合度来表征该特征组内各子特征与目标孕妇所选特征的相符度，且某一特征组内各个子特征的符合度之和必须小于等于1；然后，针对每一子特征均建立一个“符合度到数据权重”的转换函数；最后，基于所选子特征的权重值之和，确定目标孕妇在该多选型特征组的特征模型。
28.进一步，还包括以下步骤：根据预设周期内新增的包含目标孕妇在内的所有孕妇的产科检测数据以及新生儿的实际测量数据，对基础模型、主数据模型以及目标孕妇的个性化特征模型进行回归训练和更新，包括：
29.4.1)对基础模型、主数据模型、目标孕妇的总的特征模型以及其中的每个特征组的权重值进行调整；
30.4.2)利用分娩后各孕妇的检测数据及新生儿的实际测量数据，基于权重值调整结果，对基础模型、主数据模型和目标孕妇的总的特征模型进行回归训练；
31.4.3)判断修正后的数据模型所得到的体重预测结果及实际结果的偏差是否满足要求，若不满足，则重新执行步骤4.1)-4.2)，直到满足预设要求后，完成此次回归训练；
32.4.4)对回归训练过程中使用的所有数据进行保存，以供下次回归训练时再次使用。
33.第二方面，本发明提供一种基于ai的孕妇特征相关的胎儿体重预测系统，包括：
34.数据获取模块，用于获取目标孕妇的特征数据；
35.个性化特征模型建立模块，用于基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，实现对胎儿体重进行预测。
36.第三方面，本发明提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
37.第四方面，本发明提供一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
38.本发明由于采取以上技术方案，其具有以下优点：
39.1、本发明由于使用基于自动化工具、人工智能、大数据分析、深度学习等技术，使模型可以自动的、经常的、方便的更新，从而保证模型可以正确的与当前现实情况相一致；
40.2、本发明通过建立有效的反馈机制，持续修正模型中的各种误差数据；
41.3、本发明使用基于人工智能的相关技术，识别出每种估算方法、每位检查者人员的误差程度，并在数据分析时加以修正；
42.4、本发明直接采集或录入数据源数据，并支持多次测量、人工修正方差与均值偏移量的方法，使得收集的数据更符合实际情况，并通过数据自动计算，消除查表过程引入的误差；
43.5、本发明通过对误差的把控，综合支持多种估算来源数据，整合不同的测量结果。可以针对孕产妇的不同特征做出更有针对性的预测，并同时输出不同特征对应的模型，供相关科学研究使用。
44.因此，本发明可以广泛应用于医疗数据处理领域。
附图说明
45.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
46.图1是本发明基于ai的孕妇特征相关的胎儿体重预测流程图；
47.图2是原始模型图，图中曲线自上而下依次为90％数据线、模型中位数与10％数据线；
48.图3是某孕妇数据，此孕妇胎儿较基础模型的中位线较重；图中曲线自上而下依次为90％数据线、此孕妇的模型中位数、模型中位数以及10％数据线；
49.图4是此孕妇数据，加之预测模型的上下控制线；图中曲线自上而下依次为90％数据线、此孕妇的模型的上控制线、此孕妇的模型中位数、模型中位数、此孕妇的模型的下控制线、10％数据线；
50.图5是此孕妇在第30周检查后，依据30周的数据预测后续数据，局部放大版；图中曲线自上而下依次为：此孕妇的模型的上控制线、此孕妇的模型中位数和此孕妇的模型的下控制线；
51.图6是此孕妇在第30周检查后，依据30周的数据预测后续数据；图中右侧曲线自上而下依次为：90％数据线、此孕妇的模型的上控制线、此孕妇的模型中位数、模型中位数、此孕妇的模型的下控制线、10％数据线；
52.图7是此孕妇在第35周检查后，依据35周的数据再次预测后续数据，局部放大版，
图中曲线自上而下依次为：此孕妇的模型的上控制线、此孕妇的模型中位数以及此孕妇的模型的下控制线；
53.图8是此孕妇在第35周检查后，依据35周的数据再次预测后续数据；图中曲线自上而下依次为：90％数据线、此孕妇的模型的上控制线、此孕妇的模型中位数、模型中位数、此孕妇的模型的下控制线、10％数据线。
具体实施方式
54.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
55.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
56.本发明的一些实施例中，提供一种基于ai的孕妇特征相关的胎儿体重预测方法，使用基于自动化工具、人工智能、大数据分析、深度学习等技术，使体重模型可以自动的、经常的、方便的更新，同时基于每位孕妇设计个性化的体重预测模型，可以针对孕产妇的不同特征做出更有针对性的预测，并同时输出不同特征对应的模型，供相关科学研究使用。
57.与之相对应地，本发明的另一些实施例中，提供一种基于ai的孕妇特征相关的胎儿体重预测系统、设备和存储介质。
58.实施例1
59.如图1所示，本实施例提供一种基于ai的孕妇特征相关的胎儿体重预测方法，包括以下步骤：
60.1)基于收集的产科历史检测数据以及新生儿实际测量数据，采用系统识别方式建立基础模型。
61.其中，产科历史检测数据，包括了胎儿在各个时期的体重估算值及产妇检测数据。具体的，对于每个孕妇的每次怀孕过程中，会有多次相关的检测数据，每次的检测数据包括检查当日的孕周(精确到日，下同)、体重、基于b超检查的估算体重、宫高、腹围、孕妇血压、化验结果、合并症，另外对于每个产妇怀孕时的年龄，餐食习惯(是否素食等)也会有相关记录。
62.基于收集的产科历史检测数据，使用系统识别方式训练体重预测模型，得出基于这些历史检测数据的、适用于一般孕产妇和胎儿的体重预测模型。其中，该体重预测模型为一个与上述历史检测数据相关的多项式，ai基于大数据系统识别的机器学习过程，自动确定多项式各项的系数。
63.其中，系统识别(system identification)是利用统计学，从量测到的数据来建构动力系统数学模型的方法。系统识别也包括最佳试验设计，利用回归分析有效的产生有足够资讯的数据，以及模型降阶等。本发明对此具体不做限制。
64.2)以基础模型为基础，结合检查者和体重估算方式的偏差数据，构造主数据模型。
65.具体地，包括以下步骤：
66.2.1)确定检查者和体重估算方式的偏差数据的预设初始值，对步骤1)中建立的基础模型进行测量误差修正，作为初始动态学习模型。
67.由于基础模型训练时采用的历史检测数据，包含的数据属性不足，例如未包含不同测量方式的检查者信息，也缺乏不同体重估算方式的数据精度信息，无法有效的产生测量误差的修正数据，因此，步骤1)中建立的基础模型仅用于在早期动态学习模型初创时，作为数据修正使用。
68.经过长期观察，本实施例发现每位检查者在每次检查中，得出的检查结果与实际情况的偏差有一定的规律性。大部分检查者的结果，与实际情况相比，会较明显的倾向于放大或者缩小固定比例或者固定值。也有少量的检查者的结果偏差大且缺乏规律性。而之前的测量偏差虽然会被识别到，但只能做定性分析而缺乏定量依据。通过机器学习，算法将逐渐识别上述测量偏差数据，因此，本实施例中，对每一位检查者分别建立置信度(指此检查结果的可信度，起始为100％)、均值偏移比(起始为100％)、均值偏移量(起始为0，设检查出的均值为x，则实际数值应为均值偏移比*x+均值偏移量)。对于结果偏差大且缺乏规律性的检查者，则会适当下调置信度。
69.对于检查者的偏差数据值，院方人员对常见的检查、检查人的结果的准确性，通常会有一定的经验。在医院引入模型建设时，可以预先对这些数据做出指定。在后续的数据采集中，由于数据样本足够多，且数据中包含精确的数据(新生儿体重)，模型回归训练的过程可以对这些偏差初始值做出修正。
70.特别地，由于检查者的测量偏差值与孕周(指检查时当日的孕周)有关，因此上述各值也会按照怀孕天数分段处理，本实施例中按照怀孕天数分为4段，即：怀孕第6周(第42天)至第13周+6(第97天)；怀孕第14周(第98天)至第27周+6(第195天)；怀孕第28周(第196天)至第36周+6(第258天)；怀孕第37周(第259天)至第42周(第294天)。
71.检查者的偏差模型建立后，算法会根据偏差修正后的检查值采信数据。因此，并不倾向于将这些数据模型通知检查者以用于能力评估与改进，因为检查者可能会在知道结果后做出改变，从而导致模型失效。考虑到这些数据对检查者改善其工作的意义，可以接受在必要时将数据通知检查者，但此后需要将检查者版本加以通知算法不再使用对于此检查者的上一个模型数据。
72.同时，本实施例还发现每一种体重估算方式(例如b超、宫高腹围推算、电频吸收设备测量等)得出的胎儿体重估算结果与实际情况的偏差也有一定的规律性。通过机器学习，算法将逐渐识别上述数据，对每一种体重估算方式分别建立置信度(指此检查结果的可信度，起始为100％)、均值偏移比(起始为100％)、均值偏移量(起始为0。设检查出的均值为x，则实际数值应为均值偏移比*x+均值偏移量)。对于结果偏差大且缺乏规律性的体重估算方式，则会适当下调置信度。上述值也与孕周(指检查时当日孕周)有关，因此上述值也会按照怀孕天数分段处理。
73.由于主数据模型中包含有之前的历史记录，在新的记录回归模型时，对模型结果的影响较为缓慢。通过定期收集新测量的数据(含新生儿体重数据)，并由机器学习更新，可以使相应的模型数据逐渐更加精确的同时，也能识别出不同体重估算方式与检查者的误差。
74.2.2)按照预设周期收集新增产科检测数据以及新生儿测量数据，对检查者和体重估算方式的偏差数据值进行更新。
75.具体地，本实施例中，收集的新增产科检测数据与历史检测数据相比，会增加如下信息：检查者、检查者版本、数据方差与数据均值。
76.2.3)基于更新后的检查者和体重估算方式的偏差数据值，对初始动态学习模型进行回归修正，得到主数据模型。
77.3)获取目标孕妇上传的特征数据，结合基础模型、主数据模型构造针对目标孕妇的个性化特征模型，用于对胎儿体重进行预测。
78.具体地，包括以下步骤：
79.3.1)基于目标孕妇上传的特征数据，对预先建立的各特征模型及其权重进行匹配，得到总的特征模型。
80.具体地，包括以下步骤：
81.3.1.1)基于不同维度进行分类得到若干特征组，并计算各特征组对应的权重值和权重百分比。
82.本实施例中对不同特征进行分类时，以孕妇年龄、孕妇体重范围、bmi范围、孕妇血压范围、籍贯、饮食习惯、医生对胎儿体重的不同干预方式等属性进行分类，得到若干特征组。
83.在确定各特征组的权重值时，可以根据每个特征组对胎儿体重的影响度，确定该特征组的权重值。得到每个特征组的权重值后，将该特征组的权重值除以所有特征组的权重值的和，得出这个特征组的权重百分比。
84.实际上，对于部分特征组，其可能对检测结果有意义但根据当地法律可能不适宜向产妇开放，例如胎儿性别。对于此特征组，当确认分组后可由检查者直接向系统录入，而不会反馈至孕妇。
85.3.1.2)基于各特征属性对各特征组进行再次分类，得到每一特征组对应的子特征组及其特征模型。
86.对于年龄特征组，可以按照各年龄段内样本数量建立子特征。具体地，在年龄特征组内，按年龄段分为多个子特征组。每个子特征组内年龄段的长度，取决于此年龄段内的样本数量。通常的，样本数量不足，会导致模型错误。年龄段区间大，会导致模型特征度不足。对于样本足够多的年龄区间，可以适当减少年龄特征的年龄段长度，反之则增加。对于样本稀缺的区间，可以不设立对应的年龄段(对应的孕妇无需选择)。例如，产妇一般集中在24-37岁，且较为平均，可以对24-37岁每一年建立一个特征。对于22-23岁，可以建立一个特征；对于18-21岁，可以建立一个特征；对于38-39岁，可以建立一个特征；40岁以上的，建立一个特征；对于未满18岁的，由于样本数太少，不需要建立特征，对应的孕妇也无需选择(会采用主模型数据代替)。
87.对于孕妇体重范围特征组，可以以每1kg为范围将孕妇体重特征组划分为多个子特征。
88.对于医生对胎儿体重的不同干预方式的特征组，可以按每种干预方式的程度或有效程度建立子特征。特别地，如果医生进行了体重干预，则应尽快的更新此孕妇的信息，以使得干预后的数据能够应用于对应的特征组与特征中。
89.划分得到各子特征组后，利用系统识别方式，得到各子特征组对应的数据模型。
90.3.1.3)基于目标孕妇上传的特征数据，以及每一特征组对应的子特征的可选属性，得到针对目标孕妇的总的特征模型。
91.具体地，包括以下步骤：
92.3.1.3.1)根据各特征组内子特征的可选属性将所有特征组分为两类，分别为单选型和多选型。
93.其中，各特征组内子特征的可选属性是指特征组内建立的各子特征，有的只能单选，有的则允许多选。例如，就年龄特征组而言，按照每个年龄分别建立子特征组后，孕妇最多只能在其中选择一个子特征组(可能由于不符合任何已有的特征而无法再此特征组内做出选择)。而就饮食习惯特征组而言，一个孕妇可能同时会有多种饮食习惯，因而可以选择多个子特征。
94.3.1.3.2)基于目标孕妇上传的特征数据，确定目标孕妇所选特征组对应的特征模型。
95.一般的，孕妇建档时，可以选择对应的每个特征组内的特征。对于无法在建档时确定的特征，可以在后续确定时再填写。在后续期间变更(包括新填写)特征时，需要将已经填写的数据追加至新的特征数据模型；如果有从某个特征删除的情况，则应将已经填写的数据从原特征数据模型中删除，以防止回归训练时被错误使用。
96.对于单选型特征组而言，由于选择不能超过一项，因此，单选型特征组中各子特征组的权重值，则是此特征组的权重值，此时的特征模型即为该子特征组的数据模型
×
该特征组的权重值。特别地，如果孕妇所选特征在此特征组内没有对应的子特征时，则使用主数据模型代替，此时该特征组的特征模型即为主数据模型
×
该特征组的权重值。
97.对于多选型特征组而言，本实施例首先以符合度来表征该特征组内各子特征与目标孕妇所选特征的相符度，且某一特征组内各个子特征的符合度之和必须小于等于1；然后，针对每一子特征均建立一个“符合度到数据权重”的转换函数；最后，基于所选子特征的权重值之和，确定该特征组的特征模型，具体：
98.设一个特征组内，有n个子特征，每个子特征录入的符合度值为si，其中i为子特征编号，即i为1、2、
…
、n。要求s1+s2+
…
+sn≤1。
99.对于每个子特征，有“符合度到数据权重”的转换函数ωi＝fi(si)，其中i为特征编号。因此，每个子特征的数据权重分别为ω1＝f1(s1)、ω2＝f2(s2)、
…
、ωn＝fn(sn)。
100.设每个子特征的特征模型为mi，其中i为子特征编号，设主模型为m
主
，则目标孕妇在此特征组的特征模型为：
[0101][0102]
例如，对于饮食习惯特征组，首先，将粤菜和川菜的符合度设定为30％和50％；其次，针对两个子特征，分别建立一个“符合度到数据权重”的转换函数，该转换函数可能是线性的也可能是指数的，具体情况因每个特征组的实际情况而定，得到每个子特征的权重值，假设本实施例中得到粤菜和川菜的权重值为0.25和0.6；最后，根据所有选择的子特征的权重值之和，确定最终特征模型。
[0103]
3.1.3.3)基于各特征组的特征模型及其对应的权重，得到针对目标孕妇的总的特
征模型。
[0104]
目标孕妇的总的特征模型，是对每个特征组的特征模型乘以其对应的权重值，并求和得到。其中，各个特征组的权重值与目标孕妇无关，且可以定期调整。例如年龄特征组占比15％，饮食习惯特征占比10％，所有特征组的权重值之和应为1。
[0105]
3.2)基于基础模型、主数据模型、总的特征模型以及预设权重分配比例，得到目标孕妇的个性化特征模型，用于对目标孕妇的胎儿体重进行预测。
[0106]
其中，基础模型、主数据模型、总的特征模型的权重之和应为100％。各项权重的初始值由设立者人为指定。指定时可以经过专家评审、同行评审等方式讨论确定，并在生成后重新计算模型，检查历史数据对应用新的权重后的模型的符合度。基础模型代表历史数据，由于数据采集的过程不够精确，随着数据的增多，基础模型的权重应逐渐下降。主数据模型包括所有孕妇数据(不适宜收录到本模型的特例除外)，对应孕妇的一般情况。总的特征模型包括目标孕妇可以识别的所有特征构成的对个性化特征模型的影响数据，占比将逐年上升。
[0107]
4)根据预设周期内新增的包含目标孕妇在内的所有孕妇的产科检测数据以及新生儿的实际测量数据，对基础模型、主数据模型以及目标孕妇的个性化特征模型进行回归训练和更新。
[0108]
对各模型进行回归训练时，主要包括对基础模型和目标孕妇的个性化特征模型的回归训练，具体地，包括以下步骤：
[0109]
4.1)对基础模型、主数据模型、目标孕妇的总的特征模型以及其中的每个特征组的权重值进行调整。
[0110]
4.2)利用分娩后各孕妇的检测数据及新生儿的实际测量数据，基于权重值调整结果，对基础模型、主数据模型和目标孕妇的总的特征模型进行回归训练。
[0111]
为了防止数据模型选择错误，回归训练时只会采用已经完成分娩，即已经完成了本次生育过程的所有采集并已确认的数据。
[0112]
对于基础模型，本实施例利用新生儿出生时的实际测量数据，对建立的体重预测模型进行精确回归校正。其中，新生儿出生时的实际测量数据，包括新生儿出生时的体重与孕周等。本实施例中以新生儿出生时的实际测量数据对相应的每一个胎儿的体重数据模型进行修正，这是对胎儿体重模型的精确回归校正，对模型的准确性至关重要。本实施例中，将修正后的基础模型单独保存一份，作为历史数据模型封存，且此历史数据模型将不再变更。
[0113]
对于主数据模型，按照预设周期收集新增产科检测数据以及新生儿的实际测量数据，对检查者和体重估算方式的偏差数据值进行更新；基于更新后的检查者和体重估算方式的偏差数据值，对初始动态学习模型进行回归修正，得到更新后的主数据模型。
[0114]
对于目标孕妇的个性化特征模型，本实施例中会将符合其特征的新数据，交给对应的特征模型进行回归训练(仅喂以新数据)。模型训练算法被调整为更倾向于迎合新数据而做出改变。因此可以认为新数据在训练过程中有更高的权限，但已有的数据(包括可能已经过期的数据)并不可能被排除在训练结果之外。
[0115]
例如，由于孕妇35岁，在年龄特征组中，其数据会被提供给35岁所对应的特征模型的回归训练，但不会提供给年龄特征组中的其他特征模型。对于“30％粤菜、50％川菜”这个
组合，对应到餐饮习惯特征组内，每个特征项，分别有一个“符合度到数据权重”的转换函数，这个函数可能是线性的也可能是指数的，具体情况因每个特征组的实际情况而定。粤菜的30％、川菜的50％可能转换成0.2、0.5，每个值为非负实数。对于本特征组内每个权重值为正实数的子特征，将目标孕妇数据与对应的权重值一并提供给特征模型进行回归训练。即是说，转换出的权重值越大，此数据对此模型的学习过程的影响越大。
[0116]
由于目标孕妇的总的特征模型中不包含之前的历史检测记录，在新的记录回归模型时，对模型结果的影响较快。
[0117]
4.3)判断修正后的数据模型所得到的体重预测结果及实际结果的偏差是否满足要求，若不满足，则重新执行步骤4.1)-4.2)，直到满足预设要求后，完成此次回归训练。
[0118]
4.4)对回归训练过程中使用的数据进行保存，以供下次训练时再次使用。
[0119]
其中，采集数据超过预设年限的数据(例如超过10年)可在训练后从模型记录中删除。由于记录已经通过训练，体现在模型的各项参数中，删除过旧的数据并不会消除其对模型的影响。
[0120]
实施例2
[0121]
本实施例对实施例1提供的胎儿体重预测方法做进一步描述。
[0122]
如图2所示，获取某一孕妇建档时的特征，建立针对该孕妇的个性化特征数据模型。当孕妇建档时，会在每个特征组内做出选择(对于不符合特征组内任何一项的可以不选择，对于有多项符合的按照比例填写)。根据上述实施例1中的规则，根据基础模型、主数据模型、特征模型计算出此孕妇的个性化特征数据模型。需要注意的是，此时的模型数据只反应了此孕妇的一般数据，并未结合孕妇的实际胎儿体重。
[0123]
如图3所示，为某孕妇数据，此孕妇胎儿较基础模型的中位线较重。
[0124]
如图4所示，为此孕妇数据，加之预测模型的上下控制线。
[0125]
每次测量后，反馈测量(估算)的体重数据与对应的数据模型预测结果的关系(正常范围内偏高、偏低、过高、过低)，数据会与此孕妇的个性化特征数据模型拟合。
[0126]
当测量次数足够(通常为3次或更多)，ai即可对其数据模型进行对应性微调。微调后的模型，即可用于预测此孕妇胎儿在孕期任意一天的体重。
[0127]
如图5所示，此孕妇在第30周检查后，依据30周的数据预测后续数据，局部放大版。
[0128]
如图6所示，此孕妇在第30周检查后，依据30周的数据预测后续数据。
[0129]
随着测量次数的进一步增多，ai会继续调整其数据模型。体现为对预测的范围进一步收窄。
[0130]
如图7所示，此孕妇在第35周检查后，依据35周的数据再次预测后续数据，局部放大版。
[0131]
如图8所示，此孕妇在第35周检查后，依据35周的数据再次预测后续数据。
[0132]
对于每次测量，测量的数据会提交至对应的主数据模型与已选择的特征数据模型数据记录中，供后续进行回归训练(提交时并不会立即进行回归训练)。
[0133]
综上可知，本实施例中通过单个孕妇对应的数据模型，可对单个孕妇产出孕期全程的胎儿体重数据模型，并能分析出其胎儿与其他与自己类似特征的孕妇胎儿的体重差异。通过主数据模型，可产出大范围的均值数据。通过模型数据的历史值对比，可以产出胎儿体重随生活水平提高而变化的趋势。通过特征数据模型对比，可以产出不同特征对胎儿
体重的影响。通过检查者的偏差数据与体重估算方式的偏差数据，可以评估此检查者与此种体重估算方式的结果有效性。通过对比每一种医生的体重干预，可以产出此干预方式的综合有效性。
[0134]
实施例3
[0135]
上述实施例1提供了一种胎儿体重预测方法，与之相对应地，本实施例提供一种胎儿体重预测系统。本实施例提供的系统可以实施实施例1的一种胎儿体重预测方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
[0136]
本实施例提供的一种胎儿体重预测系统，包括：
[0137]
数据获取模块，用于获取目标孕妇的特征数据；
[0138]
个性化特征模型建立模块，用于基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，实现对胎儿体重进行预测。
[0139]
优选地，还包括：模型回归训练模块，用于根据预设周期内采集的包含目标孕妇在内的所有孕妇的检测数据及其对应新生儿的实际测量数据，对基础模型以及目标孕妇的个性化特征模型进行回归训练和更新。
[0140]
实施例4
[0141]
本实施例提供一种与本实施例1所提供的一种胎儿体重预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0142]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的一种胎儿体重预测方法。
[0143]
在一些实施例中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0144]
在另一些实施例中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0145]
实施例5
[0146]
本实施例1的一种胎儿体重预测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的一种胎儿体重预测方法的计算机可读程序指令。
[0147]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0148]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何
修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，包括以下步骤：获取目标孕妇的特征数据；基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，对目标孕妇在各时间段的胎儿体重进行预测。2.如权利要求1所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，所述主数据模型的构建方法，包括：确定检查者和体重估算方式的偏差数据的预设初始值，对预先建立的基础模型进行测量误差修正，作为初始动态学习模型；其中，所述基础模型基于收集的产科历史检测数据，采用系统识别方式建立。3.如权利要求1所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，所述基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，对目标孕妇在各时间段的胎儿体重进行预测，包括：基于目标孕妇上传的特征数据，对预先建立的各特征模型及其权重进行匹配，得到总的特征模型；基于基础模型、主数据模型、总的特征模型以及预设权重分配比例，得到目标孕妇的个性化特征模型，用于对目标孕妇的胎儿体重进行预测。4.如权利要求3所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，所述基于目标孕妇上传的特征数据，对预先建立的各特征模型及其权重进行匹配，得到总的特征模型，包括：基于不同维度进行分类得到若干特征组，并计算各特征组对应的权重值和权重百分比；基于各特征属性对各特征组进行再次分类，得到每一特征组对应的子特征组及其特征模型；基于目标孕妇上传的特征数据，以及每一特征组对应的子特征的可选属性，得到针对目标孕妇的总的特征模型。5.如权利要求4所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，所述基于目标孕妇上传的特征数据，以及每一特征组对应的子特征的可选属性，得到针对目标孕妇的总的特征模型，包括：根据各特征组内子特征的可选属性将所有特征组分为两类，分别为单选型和多选型；基于目标孕妇上传的特征数据，确定目标孕妇所选特征组对应的特征模型；基于目标孕妇在各特征组的特征模型及各特征组对应的权重，得到针对目标孕妇的总的特征模型。6.如权利要求5所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，所述基于目标孕妇上传的特征数据，确定目标孕妇所选特征组对应的特征模型，包括：将单选型特征组的权重值作为目标孕妇所选子特征组的权重值，并将该子特征组的特征模型与权重值相乘作为目标孕妇在该单选型特征组的特征模型；对于多选型特征组，首先以符合度来表征该特征组内各子特征与目标孕妇所选特征的相符度，且某一特征组内各个子特征的符合度之和必须小于等于1；然后，针对每一子特征均建立一个“符合度到数据权重”的转换函数；最后，基于所选子特征的权重值之和，确定目
标孕妇在该多选型特征组的特征模型。7.如权利要求3所述的一种基于ai的孕妇特征相关的胎儿体重预测方法，其特征在于，还包括以下步骤：根据预设周期内新增的包含目标孕妇在内的所有孕妇的产科检测数据以及新生儿的实际测量数据，对基础模型、主数据模型以及目标孕妇的个性化特征模型进行回归训练和更新，包括：4.1)对基础模型、主数据模型、目标孕妇的总的特征模型以及其中的每个特征组的权重值进行调整；4.2)利用分娩后各孕妇的检测数据及新生儿的实际测量数据，基于权重值调整结果，对基础模型、主数据模型和目标孕妇的总的特征模型进行回归训练；4.3)判断修正后的数据模型所得到的体重预测结果及实际结果的偏差是否满足要求，若不满足，则重新执行步骤4.1)-4.2)，直到满足预设要求后，完成此次回归训练；4.4)对回归训练过程中使用的所有数据进行保存，以供下次回归训练时再次使用。8.一种基于ai的孕妇特征相关的胎儿体重预测系统，其特征在于，包括：数据获取模块，用于获取目标孕妇的特征数据；个性化特征模型建立模块，用于基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，实现对胎儿体重进行预测。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。

技术总结
本发明涉及一种基于AI的孕妇特征相关的胎儿体重预测方法和系统，包括以下步骤：获取目标孕妇的特征数据；基于获取的目标孕妇的特征数据，结合预先构建的基础模型、主数据模型构造针对目标孕妇的个性化特征模型，对目标孕妇在各时间段的胎儿体重进行预测；根据预设周期内新增的包含目标孕妇在内的所有孕妇的产科检测数据以及新生儿的实际测量数据，对基础模型、主数据模型以及目标孕妇的个性化特征模型进行回归训练和更新。本发明可以广泛应用于医疗数据处理领域。医疗数据处理领域。医疗数据处理领域。


技术研发人员：姜晓静 折瑞莲 沙文琼 李岚
受保护的技术使用者：深圳市人民医院
技术研发日：2023.05.22
技术公布日：2023/8/24