[发明专利]一种自适应PSO-GRNN的胎儿体重预测方法及系统

说明书

本申请公开了一种自适应PSO‑GRNN的胎儿体重预测方法，包括：对获取的历史数据进行预处理，得到样本数据；根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数；将所述最优参数带入广义回归神经网络，得到广义回归神经网络预测模型；根据所述广义回归神经网络预测模型对待预测数据进行预测处理，得到胎儿体重。通过粒子群算法对广义回归神经网络进行优化，提高了广义回归神经网络中最优参数的获取速度，减少人为因素对神经网络的影响，降低平均误差，提高预测过程的准确率。本申请还公开了一种自适应PSO‑GRNN的胎儿体重预测系统，具有以上有益效果。

技术领域

本申请涉及计算机技术领域，特别涉及一种自适应PSO-GRNN的胎儿体重预测方法、胎儿体重预测系统。

背景技术

随着信息技术的不断发展，可以通过各种医学检测获取孕妇与胎儿的相关信息，进而对胎儿体重进行估算。目前，常用的胎儿体重检测手段包括公式预测法、人工神经网络预测模型、深度学习预测模型。

但是，现有技术中的胎儿体重检测手段具有如下问题：

其中，公式预测法都局限于经验公式和数理统计方法，并且大多数由国外的技术人员提出，种族间的差异使得测量方式并不一定适用于我国的孕产妇，且胎儿的超声参数与胎儿体重的关系复杂，不是简单的线性关系，影响因素较多。同一国家孕产妇所在地不同、孕妇自身的参数以及测量手段的差异，很难建立一个通用的经验公式能够全面且准确地估测胎儿的体重。因此公式预测方法不易进行复制和推广，预测的可靠性差，准确度比较低。传统人工神经网络的预测模型中的参数相比于公式预测法虽然更具有代表性，但仍然需要依靠医学知识来筛选输入的参数、剔除无关参数，仅保留与胎儿体重有明显关联的生理参数。这在很大程度上限制了模型的推广，最终预测的准确性不高。深度学习预测模型中的参数不需要依靠人工的判断与选择，这明显优于人工神经网络，能够降低胎儿体重预测的误差。但由于网络的训练需要大量的样本数据，因此存在训练数据选取繁琐、网络收敛不稳定的问题。

可见，目前已有的胎儿体重预测方法都存在一定的局限性，不满足产科临床的实际应用场景。

因此，如何提高胎儿体重预测的准确率是本领域技术人员关注的重点问题。

发明内容

本申请的目的是提供一种自适应PSO-GRNN的胎儿体重预测方法、胎儿体重预测系统，通过粒子群算法对广义回归神经网络进行优化，提高了广义回归神经网络中最优参数的获取速度，减少人为因素对神经网络的影响，降低平均误差，提高预测过程的准确率。

为解决上述技术问题，本申请提供一种自适应PSO-GRNN的胎儿体重预测方法，包括：

对获取的历史数据进行预处理，得到样本数据；

根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数；

将所述最优参数带入广义回归神经网络，得到广义回归神经网络预测模型；

根据所述广义回归神经网络预测模型对待预测数据进行预测处理，得到胎儿体重。

可选的，对获取的历史数据进行预处理，得到样本数据，包括：

将获取的孕妇体检数据作为所述历史数据；

按照预设条件对所述历史数据进行筛选，得到筛选数据；

将所述筛选数据和对应的分娩检验数据以及胎儿体重数据整合为样本集合；

对所述样本集合进行归一化处理，得到所述样本数据。

可选的，根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数，包括：

将粒子群算法的参数进行初始化，得到初始化参数；