基于体检数据建模的腰围预测方法.pdf

《基于体检数据建模的腰围预测方法.pdf》由会员分享，可在线阅读，更多相关《基于体检数据建模的腰围预测方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010468074.3 (22)申请日 2020.05.28 (71)申请人 南京鼓楼医院 地址 210008 江苏省南京市鼓楼区中山路 321号 (72)发明人 彭宇竹周卫红汪娟李康 (74)专利代理机构 南京钟山专利代理有限公司 32252 代理人 刘佳慧 (51)Int.Cl. G16H 50/30(2018.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于体检数据建模的腰围预测方法 (57)摘要 本发明公。

2、开了一种基于体检数据建模的腰 围预测方法， 包括以下步骤： 步骤一、 采集体检数 据， 得到身高、 体重、 腰围、 年龄、 性别的信息； 步 骤二、 对步骤一所采集的数据进行预处理和筛 选， 得到有效建模数据； 步骤三、 通过有效建模数 据建立人工神经网络模型， 人工神经网络模型由 输入层、 隐藏层和输出层组成， 使用SPSS的多层 任务感知器函数分析年龄、 身高、 体重、 性别变量 与腰围之间的关系， 以训练人工神经网络模型， 得到腰围预测模型； 步骤四、 通过步骤三得到的 腰围预测模型预测腰围。 本发明具有预测精准等 优点。 权利要求书1页 说明书6页 附图5页 CN 111627558 。

3、A 2020.09.04 CN 111627558 A 1.一种基于体检数据建模的腰围预测方法， 其特征在于： 包括以下步骤： 步骤一、 采集体检数据， 得到身高、 体重、 腰围、 年龄、 性别的信息； 步骤二、 对步骤一所采集的数据进行预处理和筛选， 得到有效建模数据； 步骤三、 通过有效建模数据建立人工神经网络模型， 人工神经网络模型由输入层、 隐藏 层和输出层组成， 使用SPSS的多层任务感知器函数分析年龄、 身高、 体重、 性别变量与腰围 之间的关系， 以训练人工神经网络模型， 得到腰围预测模型； 步骤四、 通过步骤三得到的腰围预测模型预测腰围。 2.根据权利要求1所述的基于体检数据建。

4、模的腰围预测方法， 其特征在于： 其中， 步骤三中， 感知器接受输入， 并将输入乘以权重， 然后传递到激活函数以产生输 出。 3.根据权利要求2所述的基于体检数据建模的腰围预测方法， 其特征在于： 其中， 步骤三中， 腰围预测模型最底层是输入层、 中间是隐藏层和最后是输出层； 上一 层的任何神经元与下一层的所有神经元都有连接； 输入层是n维向量， 就有n个神经元； 隐藏 层的神经元与输入层是全连接的； 输入层用向量 表示： 1, 2, 3, n； 隐藏层的输出是f(W1 +b1)， 其中， W1是隐藏层神经元的输出权重， b1是隐藏层的偏置， 函数f是双曲正切函数(tanh)： tanh(a)。

5、(ea-e-a)/(ea+e-a)； 输出层的输出是G(W2X1+b2)， 其中， W2是输出层神经元的输出权重， X1表示隐藏层的输 出f(W1 +b1)， 函数G是softmax函数； 多层感知器模型用公式为： f(x)G(b2+W2(tanh(W1 +b1)。 4.根据权利要求3所述的基于体检数据建模的腰围预测方法， 其特征在于： 其中， 步骤三中， 采用共轭梯度下降法来求解参数： 首先随机初始化所有参数， 然后迭 代地训练， 不断计算梯度和更新参数， 迭代一百次。 5.根据权利要求4所述的基于体检数据建模的腰围预测方法， 其特征在于： 其中， 训练过程使用共轭梯度下降算法调整网络连接的。

6、权重， 使预测误差最小化； 共轭梯度下降算法中， lambda0.0000005,sigma0.00005,区间中心0,区间偏移量 0.5。 6.根据权利要求1所述的基于体检数据建模的腰围预测方法， 其特征在于： 其中， 步骤二中， 数据的预处理包括数据清洗和数据标准化两个部分， 数据清洗负责清 洗出无效数据和错误数据， 包括信息缺失和重复记录数据， 数据标准化是将患者的身高、 体 重、 年龄、 性别数据统一单位和格式； 数据的筛选是将高于或低于平均值5个标准差范围的极端值的数据进行删除。 7.根据权利要求1所述的基于体检数据建模的腰围预测方法， 其特征在于： 其中， 步骤一中， 通过标准的测。

7、量方式得到身高、 体重、 腰围、 年龄、 性别的信息。 权利要求书 1/1 页 2 CN 111627558 A 2 一种基于体检数据建模的腰围预测方法 技术领域 0001 本发明属于数据模型构建技术领域， 尤其涉及一种基于体检数据建模的腰围预测 方法。 背景技术 0002 随着社会的发展， 生活水平的提高， 人们对于健康的重视不断提升， 但由于饮食营 养摄入量的不断改善和提高， 肥胖已经成为全社会关注的一个重要问题， 腰围是反映脂肪 积蓄总量和脂肪分布的综合指标， 内脏脂肪堆积会导致疾病发生。 超重和肥胖是多种复杂 症候群的综合表现， 常与高血糖、 血脂代谢紊乱、 高血压、 动脉粥样硬化等同。

8、时出现。 随着人 体质量指数的升高， 高血压、 心肌梗死和脑卒中的患病危险增加。 它还能预测多种疾病， 如 结肠癌和糖尿病。 研究表明， 腰围比体重能更精确地预测2型糖尿病和冠心病的风险， 即使 体重指数(BMI) 正常， 腰围也是死亡的独立危险因素。 近年来， 研究者建立了一些更好的指 标， 例如体型指数(A New Body Shape Index， ABSI)和腰身比(Waist-to-Height Ratio)， 是作为死亡率和心脏代谢风险的有效预测指标， 这些指标都需要腰围数据。 0003 随着大数据的发展， 腰围数据不仅是身材管理、 健康饮食、 减肥监督等过程的重要 组成部分， 还。

9、对身体健康状况的预测变得越来越有价值。 然而， 许多医院体检时并不会对所 有体检对象进行腰围测量， 大多只测身高体重。 在缺少腰围值时， 可以尝试通过标准的生理 特征来对腰围进行预测。 以往有研究根据体重指数、 年龄、 性别和种族来预测腰围， 使用线 性回归方法， 没有考虑变量之间的潜在非线性关系， 影响模型的准确性。 发明内容 0004 本发明提供一种基于体检数据建模的腰围预测方法， 通过机器学习技术克服准确 性的问题， 本方法可以自动有效地建模多个变量之间复杂的非线性关系， 提供一种利用机 器学习技术基于体检数据建模的腰围预测方法以解决现有技术不足甚为必要。 0005 为实现上述目的， 本。

10、发明提供一种基于体检数据建模的腰围预测方法， 具有这样 的特征： 包括以下步骤： 包括以下步骤： 步骤一、 采集体检数据， 得到身高、 体重、 腰围、 年龄、 性别的信息； 步骤二、 对步骤一所采集的数据进行预处理和筛选， 得到有效建模数据； 步骤 三、 通过有效建模数据建立人工神经网络模型， 人工神经网络模型由输入层、 隐藏层和输出 层组成， 使用SPSS的多层任务感知器函数分析年龄、 身高、 体重、 性别变量与腰围之间的关 系， 以训练人工神经网络模型， 得到腰围预测模型； 步骤四、 通过步骤三得到的腰围预测模 型预测腰围。 0006 进一步， 本发明提供一种基于体检数据建模的腰围预测方法。

11、， 还可以具有这样的 特征： 其中， 步骤三中， 感知器接受输入， 并将输入乘以权重， 然后传递到激活函数以产生输 出。 0007 进一步， 本发明提供一种基于体检数据建模的腰围预测方法， 还可以具有这样的 特征： 其中， 步骤三中， 腰围预测模型最底层是输入层、 中间是隐藏层和最后是输出层； 上一 说明书 1/6 页 3 CN 111627558 A 3 层的任何神经元与下一层的所有神经元都有连接； 输入层是n 维向量， 就有n个神经元； 隐 藏层的神经元与输入层是全连接的； 输入层用向量 表示： 1, 2, 3, n； 隐藏层的 输出是f(W1 +b1)， 其中， W1是隐藏层神经元的输出。

12、权重， b1是隐藏层的偏置， 函数f是双曲 正切函数 (tanh)： tanh(a)(ea-e-a)/(ea+e-a)； 输出层的输出是G(W2X1+b2)， 其中， W2 是输出层神经元的输出权重， X1表示隐藏层的输出f(W1 +b1)， 函数G是 softmax函数； 多层 感知器模型用公式为： f(x)G(b2+W2(tanh(W1 +b1)。 0008 进一步， 本发明提供一种基于体检数据建模的腰围预测方法， 还可以具有这样的 特征： 其中， 步骤三中， 采用共轭梯度下降法来求解参数： 首先随机初始化所有参数， 然后迭 代地训练， 不断计算梯度和更新参数， 迭代一百次。 0009 进。

13、一步， 本发明提供一种基于体检数据建模的腰围预测方法， 还可以具有这样的 特征： 其中， 训练过程使用共轭梯度下降算法调整网络连接的权重， 使预测误差最小化； 共 轭梯度下降算法中， lambda0.0000005,sigma0.00005,区间中心0,区间偏移量0.5。 0010 进一步， 本发明提供一种基于体检数据建模的腰围预测方法， 还可以具有这样的 特征： 其中， 步骤二中， 数据的预处理包括数据清洗和数据标准化两个部分， 数据清洗负责 清洗出无效数据和错误数据， 包括信息缺失和重复记录数据， 数据标准化是将患者的身高、 体重、 年龄、 性别数据统一单位和格式； 数据的筛选是将高于或低。

14、于平均值5个标准差范围 的极端值的数据进行删除。 0011 进一步， 本发明提供一种基于体检数据建模的腰围预测方法， 还可以具有这样的 特征： 其中， 步骤一中， 通过标准的测量方式得到身高、 体重、 腰围、 年龄、 性别的信息。 0012 本发明的有益效果在于： 本发明提供一种基于体检数据建模的腰围预测方法， 考 虑到腰围与标准的生理特征的关系， 设计的数据模型运用人工神经网络， 使其很容易通过 身高、 体重、 年龄、 性别信息得到准确的腰围数据， 进而可以进行身材管理、 饮食控制及疾病 预测等领域的应用。 因许多医院体检时不会对所有体检对象进行腰围测量， 大多只测身高 体重， 在缺少腰围值。

15、时， 可以通过本方法建立腰围预测模型来对腰围进行预测。 该上腰围预 测模型数据获取方法简单， 对测量人员的专业技术要求较低， 同时得到的数据精确度高。 附图说明 0013 图1是基于体检数据建模的腰围预测方法的流程图； 0014 图2A是腰围预测模型的神经网络结构图； 0015 图2B是腰围预测模型的神经网路相应的突触权重； 0016 图3是基于体检数据建模的腰围预测模型(性别综合模型)进行腰围预测的实验数 据图， 图中A为观察到的腰围与预测腰围的散点图； B为Bland-Altman图； 0017 图4是基于体检数据建模的腰围预测模型(性别综合模型)对男性进行腰围预测的 实验数据图， 图中A。

16、为观察到的腰围与预测腰围的散点图； B为Bland-Altman 图； 0018 图5是基于体检数据建模的腰围预测模型(性别综合模型)对女性进行腰围预测的 实验数据图， 图中A为观察到的腰围与预测腰围的散点图； B为Bland-Altman 图； 0019 图6是基于体检数据建模的腰围预测模型(独立男性模型)进行腰围预测的实验数 据图， 图中A为观察到的腰围与预测腰围的散点图； B为Bland-Altman图； 0020 图7是基于体检数据建模的腰围预测模型(独立女性模型)进行腰围预测的实验数 说明书 2/6 页 4 CN 111627558 A 4 据图， 图中A为观察到的腰围与预测腰围的散。

17、点图； B为Bland-Altman图； 0021 图8是基于体检数据建模的腰围预测模型进行预测腰围的实验数据图， 显示经过 模型迭代后， 预测因子在95置信区间内的标准化权重。 具体实施方式 0022 以下结合具体实施例对本发明作进一步说明。 0023 本发明提供一种基于体检数据建模的腰围预测方法， 流程如图1所示， 具体包括以 下步骤： 0024 步骤一、 采集体检数据， 得到身高、 体重、 腰围、 年龄、 性别的信息。 0025 具体的， 通过标准的测量方式得到身高、 体重、 腰围、 年龄、 性别的信息： 0026 标准的身高测量方法为： 采用机械式身高计， 被测量对象赤足， 背向立柱站。

18、立在身 高计的底板上， 躯干自然挺直， 头部正直， 两眼平视前方， 上肢自然下垂， 两腿伸直， 脚跟、 骶 骨部及两肩胛间紧靠身高计的立柱上。 注意事项为： 每次测量身高均应赤足， 身体姿势前后 应一致， 身高计应放在地面平坦并靠墙根处。 每次测量身高最好连续测两次， 间隔30秒， 两 次测量的结果应大致相同。 记录数据以厘米为单位， 精确到小数点后一位， 测量误差不得超 过0.5厘米。 0027 标准的体重测量方法为： 采用电子体重计或杠杆秤， 不允许使用弹簧式体重秤。 测 量对象穿短衣裤、 赤足， 自然的站立在体重计踏板的中央， 保持身体平稳。 注意事项为： 体重 秤要放在水平、 坚固的地。

19、面上， 地毯等松软地面， 不适宜测量体重； 测量对象应尽量减少衣 物、 赤足， 平静地站在体重秤上， 两脚位置左右对称。 记录数据以千克为单位， 精确到小数点 后一位， 测量误差不得超过0.1千克。 0028 标准的腰围测量方法为： 采用软皮尺， 测量对象站立体位， 放松双肩及腹部， 平稳 呼吸， 双脚分开25-30cm。 测量的水平位置： 髂前上棘和第12肋下缘连线的中点， 用皮尺环绕 腹部一周， 注意皮尺要和地面保持水平， 紧贴但不挤压皮肤。 保持正常的呼吸， 吐气结束时， 量取腰围。 注意事项为： 测量对象应腰部无衣物遮挡， 测量时皮尺要紧贴皮肤， 但不能勒着 皮肤。 测量时不能有意识收。

20、腹或挺腹， 在平静呼气末进行读数， 腰围单位为厘米， 精确至毫 米。 0029 本实施例中， 采集了414596例体检记录。 0030 步骤二、 对步骤一所采集的数据进行预处理和筛选， 得到有效建模数据。 0031 具体的， 数据的预处理包括数据清洗和数据标准化两个部分， 数据清洗负责清洗 出无效数据和错误数据， 包括信息缺失和重复记录数据； 数据标准化是将患者的身高、 体 重、 年龄、 性别数据统一单位和格式。 数据的筛选是将高于或低于平均值5个标准差范围的 极端值的数据进行删除。 0032 本实施例中， 对414596例体检记录进行预处理和筛选， 将信息缺失以及高于或低 于平均值5个标准差。

21、范围的极端值的数据进行删除， 并删除了数据集中患者重复记录的数 据。 预处理和筛选过后基于体检数据建模剩余有效数据为22822 例患者记录， 受试者中有 69.1为男(nm15767)， 30.9为女性(nf7055)， 年龄、 身高、 体重和腰围的均值和标准 差分别为50.615.55岁、 169.018.04 cm、 69.9912.13kg和85.079.97cm。 0033 步骤三、 通过有效建模数据建立人工神经网络模型， 人工神经网络模型由输入层、 说明书 3/6 页 5 CN 111627558 A 5 隐藏层和输出层组成， 使用SPSS的多层任务感知函数分析年龄、 身高、 体重、。

22、 性别变量与腰 围之间的关系， 以训练人工神经网络模型， 得到腰围预测模型。 0034 机器学习部分通过使用SPSS的多任务感知器函数分析年龄、 身高、 体重、 性别等变 量与腰围之间的关系。 神经网络模型由神经元组成， 这些神经元在结构上以输入层、 一个或 多个隐藏层和输出层组成。 感知器具有一个或者多个输入、 偏置、 激活函数和单个输出。 感 知器接受输入， 将它们乘以一些权重， 然后将它们传递到激活函数以产生输出。 向感知器添 加偏差， 以避免所有输入可能等于零的问题。 0035 本实施例中， 神经元在结构上以输入层、 一个隐藏层和输出层组成； 感知器具有多 个输入、 偏置、 激活函数和。

23、单个输出； 激活函数为双曲正切函数和softmax 函数。 0036 具体过程为： 0037 S1： 采用伯努利随机试验， 随机将22822条数据分成三份， 70为训练集和 15为 测试集以及剩下的15为验证集进行验证。 0038 S2： 使用70的训练集建立以及训练模型。 如图2A和2B所示， 选择SPSS 中神经网 络多层感知器模型， 将需要预测的腰围变量选为因变量， 性别分类变量选为因子， 身高、 体重和年龄连续型变量选为协变量， 建立神经网络模型结构。 每个协变量都是一个神经元。 分类变量的每一级都有一个神经元。 模型有两个神经元接收性别输入： 对于这两个变量， 将 “male” 作为。

24、性别的输入分别为 “1” 和 “0” 。 0039 腰围预测模型最底层是输入层、 中间是隐藏层和最后是输出层。 上一层的任何神 经元与下一层的所有神经元都有连接， 连接系数用权重来表示。 输入层是n 维向量， 就有n 个神经元。 隐藏层的神经元与输入层是全连接的。 0040 输入层用向量 表示： 1, 2, 3, n。 其中， 1、 2、 3、 n为输入层的各神 经元。 0041 由输入层得到隐藏层， 具体的： 隐藏层的输出是f(W1 +b1)， 其中， W1是隐藏层神经 元的输出权重， b1是隐藏层的偏置(图2B中Bias)， 函数f是双曲正切函数(tanh)： 0042 tanh(a)(e。

25、a-e-a)/(ea+e-a)。 0043 由隐藏层得到输出层， 具体的： 输出层的输出是G(W2X1+b2)。 其中， W2是输出层神 经元的输出权重， X1表示隐藏层的输出f(W1 +b1)， 函数G是softmax 函数。 在S3中利用共轭 梯度下降算法来计算权重和偏置参数。 0044 整个三层的多层感知器模型用公式为： 0045 f(x)G(b2+W2(tanh(W1 +b1)。 0046 本实施例利用22822例患者随机分配的70数据， 创建了三个用于根据年龄、 身 高、 体重和性别预测腰围的模型： 一个同时使用男性和女性数据训练的性别综合模型， 一个 仅针对女性训练的女性模型和一个。

26、仅针对男性训练的男性模型。 0047 S3： 使用15的数据进行训练过程中的模型检测， 利用共轭梯度下降算法来计算 参数。 参数就是各个层之间的连接权重以及偏置， 包括W1、 b1、 W2、 b2。 采用共轭梯度下降法 来求解最佳参数： 首先随机初始化所有参数， 然后迭代地训练， 不断计算梯度和更新参数， 迭代一百次。 0048 训练过程使用共轭梯度下降算法(lambda0.0000005,sigma0.00005, 区间中 心0,区间偏移量0.5)调整网络连接的权重， 使预测误差最小化(对分配进训练模型的被 说明书 4/6 页 6 CN 111627558 A 6 试)。 在每个训练阶段结束。

27、时， 共轭梯度下降算法对验证部分的预测误差进行计算， 以确保 训练阶段误差减小不是因为对训练数据的过度拟合。 0049 得到最佳参数(W1、 b1、 W2、 b2)后， 代入S2得到的多层感知器模型用公式， 即得到腰 围预测模型。 0050 步骤四、 通过步骤三得到的腰围预测模型预测腰围。 0051 对于腰围预测模型， 仅仅使用身高、 体重、 年龄、 性别就能够准确地预测男性和女 性的腰围。 0052 对腰围预测模型进行验证： 0053 采用剩余的15的数据作为验证集， 验证胸围预测模型的精度。 0054 确定预测最终模型(即步骤三获得的胸围预测模型)精准性的验证集数据既没有 用来训练， 也没。

28、有用来测试。 当把这个模型推广到人群时， 这些没有用过的数据的精准性计 算反映了这个模型的精准性。 对于所有的男性和女性做了性别模型的计算， 同时也对男性 和女性分别做了相应的模型。 对于特定性别的模型， 仅对用于训练模型的性别进行了此操 作。 统计每个模型的可释方差(相对误差)/ 平均预测误差和标准差。 统计每个预测值的相 对重要性(以百分比表示)。 对上述过程迭代100次来保证结果的一致性， 并为每次迭代随机 受试者进行验证， 从而产生了一个更可靠的模型。 计算了该模型100次迭代中所有预测因子 的平均相对重要性。 体重是预测腰围最重要的特征， 相对于体重， 身高、 年龄和性别的特征 重要。

29、性分别为38.39、 19.76和4.98。 0055 所有100次模型迭代的观察值与预测值之间的平均Pearson相关性(95置信区 间)为0.923(0.923-0.923)， 在所有100次迭代中， 观察值与预测值之间的平均差(95置信 区间)标准差(95置信区间)为3.02(-7.6881.648) 2.382(2.3312.432)cm。 通过相 关性和一致性评估， 预测结果表明预测模型准确性高。 0056 具体的验证过程和结果： 0057 如图3所示， 基于男性和女性数据训练的整体模型， 观察值与预测值之间的平均 Pearson相关性(95置信区间)为0.923(0.923-0.9。

30、23)， 在所有100次迭代中， 观察值与预 测值之间的平均差(95置信区间)标准差(95置信区间)为3.02(-7.6881.648) 2.382(2.3312.432)cm。 通过相关性和一致性评估， 预测结果很好地跟踪了腰围范围内的 观测值。 0058 如图4所示， 对于男性来说， 在模型的所有100次迭代中， 观测值和预测值之间的平 均皮尔逊相关性(95置信区间)为0.886(0.8860.887)， 观测值和预测值之间的平均差 (95置信区间)标准差(95置信区间)在模型的所有 100次迭代中为-3.006(-7.61- 1.599)2.349(2.3-2.396)cm。 通过相关性。

31、和一致性评估， 预测结果很好地跟踪了整个腰 围范围的观测值。 0059 如图5所示， 对于女性来说， 在模型的所有100次迭代中， 观察值和预测值之间的平 均皮尔逊相关性(95置信区间)为0.889(0.8890.889)， 观察值和预测值之间的平均差 (95置信区间)标准差(95置信区间)在模型的所有 100次迭代中为-2.978(-7.654 1.698)2.386(2.3462.425)cm。 通过相关性和一致性评估， 预测趋于很好地跟踪腰围范 围内的观测值。 0060 为了确定针对性别的模型是否表现更好， 接下来训练并测试了仅使用男性和仅使 说明书 5/6 页 7 CN 1116275。

32、58 A 7 用女性的模型。 0061 如图6和图7所示， 仅男性和仅女性的中位数表现模型中的表现结果为， 男性模型 的观察值与预测值之间的平均皮尔森相关性(95置信区间)为0.887 (0.8830.890)， 女 性模型为0.892(0.8890.894)。 这95的置信区间分别与总体模型中的男性和女性表现重 叠。 此外， 与在整个腰围范围内的集合模型相比， 在男性模型(图6)和女性模型(图7)中的预 测似乎都很好地跟踪了观测值。 因此， 针对特定性别的模型无法取得更好的效果， 因此可以 简单地使用汇总模型。 0062 如图8所示， 通过记录了聚合模型所有100次迭代中所有变量的平均相对重要性。 体重是模型所有迭代中预测腰围最重要的特征(图8)， 相对于体重， 身高、 年龄和性别的特 征重要性分别为38.39、 19.76和4.98。 说明书 6/6 页 8 CN 111627558 A 8 图1 说明书附图 1/5 页 9 CN 111627558 A 9 图2 说明书附图 2/5 页 10 CN 111627558 A 10 图3 图4 说明书附图 3/5 页 11 CN 111627558 A 11 图5 图6 说明书附图 4/5 页 12 CN 111627558 A 12 图7 图8 说明书附图 5/5 页 13 CN 111627558 A 13 。