本发明涉及医疗保健技术领域，尤其涉及一种胎儿体重预测方法及装置。
背景技术：
在婴儿出生前对胎儿体重的估计可以对胎儿发育状况的评估和作为决定分娩时间和方式的参考。当前比较准确的胎儿体重估计测量方法是利用超声波检查得到的关于胎儿的计量生物学(biometric)参数，用经验公式模型进行胎儿体重的估算。
但是超声波检查的准确度只有85％，并且由于孕妇不能频繁使用超声波检测，而且超声波检测需要使用专用设备和专业医生进行诊断，使得对胎儿体重的预测方法无法普及，从而无法对孕产妇和胎儿的发育做实时的营养指导和建议，耽误了胎儿发育的最佳调整时机。
技术实现要素：
本发明提供一种胎儿体重预测方法及装置，用以解决现有技术对胎儿的体重预测方式复杂且不便的技术问题。
本发明第一方面提供一种胎儿体重预测方法，包括：
建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型；其中，所述物理参数包括孕妇体重变化值和孕妇体脂变化值；
获取第一输入参数，其中，所述第一输入参数包括孕妇当前体重值和孕妇当前体脂值；
获取第二输入参数，其中，所述第二输入参数包括孕妇历史体重值和孕妇历史体脂值；
根据第一输入参数和第二输入参数，计算获得孕妇体重变化值和孕妇体脂变化值；
根据所述孕妇体重变化值、所述孕妇体脂变化值和胎儿体重预测模型，获得胎儿体重预测值。
进一步的，建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型，具体包括：
获取孕妇的物理参数与对应的实际胎儿体重；
将孕妇的物理参数与对应的实际胎儿体重作为一个有效样本保存；
获取多个有效样本，并将多个有效样本保存至存储设备；
通过监督型机器学习算法对存储设备中的多个有效样本进行训练，以获得胎儿体重预测模型。
进一步的，所述有效样本获取途径还包括：
通过孕妇的物理参数与怀孕周数的对应关系、胎儿体重与怀孕周数的对应关系，来获得孕妇的物理参数与胎儿体重的对应关系。
进一步的，所述胎儿体重预测模型用表达式表示为：W＝x1*(Δa)+x2*(Δb)+x3*(Δc)，其中，W为胎儿体重预测值，Δa为孕妇体重变化值，Δb为孕妇体脂变化值，Δc为胎儿体重标准值，x1、x2和x3的值根据监督型机器学习算法对存储设备中的多个有效样本进行训练后确定。
进一步的，获取第一输入参数具体包括：
采用人体脂肪秤对孕妇进行测量，以获得孕妇当前体重测量值和孕妇当前体脂测量值；
将孕妇测量信息上传至存储设备中，所述孕妇测量信息包括孕妇ID、孕妇当前体重测量值、孕妇当前体脂测量值及测量时间；
根据历史有效数据对所述孕妇当前体重测量值和所述孕妇当前体脂测量值采用趋势预测算法进行修正，以获得孕妇当前体重值和孕妇当前体脂值，将孕妇当前体重值和孕妇当前体脂值作为第一输入参数，其中，所述历史有效数据为存储设备中存储的所述孕妇ID所对应的所有修正后的所述孕妇当前体重测量值和所述孕妇当前体脂测量值；孕妇当前体重值为对孕妇当前体重测量值修正后的值，孕妇当前体脂值为对孕妇当前体脂测量值修正后的值。
本发明第二方面提供一种胎儿体重预测装置，包括：
胎儿体重预测模型建立模块，用于建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型；其中，所述物理参数包括孕妇体重变化值和孕妇体脂变化值；
第一获取模块，用于获取第一输入参数，其中，所述第一输入参数包括孕妇当前体重值和孕妇当前体脂值；
第二获取模块，用于获取第二输入参数，其中，所述第二输入参数包括孕妇历史体重值和孕妇历史体脂值；
计算模块，用于根据第一输入参数和第二输入参数，计算获得孕妇体重变化值和孕妇体脂变化值；
预测模块，用于根据所述孕妇体重变化值、所述孕妇体脂变化值和胎儿体重预测模型，获得胎儿体重预测值。
进一步的，胎儿体重预测模型建立模块具体包括：
第一获取子模块，用于获取孕妇的物理参数与对应的实际胎儿体重；
有效样本获取子模块，用于将孕妇的物理参数与对应的实际胎儿体重作为一个有效样本保存；
保存子模块，用于获取多个有效样本，并将多个有效样本保存至存储设备；
胎儿体重预测模型建立子模块，用于通过监督型机器学习算法对存储设备中的多个有效样本进行训练，以获得胎儿体重预测模型。
进一步的，有效样本获取子模块还包括：
通过孕妇的物理参数与怀孕周数的对应关系、胎儿体重与怀孕周数的对应关系，来获得孕妇的物理参数与胎儿体重的对应关系。
进一步的，所述胎儿体重预测模型用表达式表示为：W＝x1*(Δa)+x2*(Δb)+x3*(Δc)，其中，W为胎儿体重预测值，Δa为孕妇体重变化值，Δb为孕妇体脂变化值，Δc为胎儿体重标准值，x1、x2和x3的值根据监督型机器学习算法对存储设备中的多个有效样本进行训练后确定。
进一步的，第一获取模块具体包括：
测量子模块，用于通过人体脂肪秤对孕妇进行测量，以获得孕妇当前体重测量值和孕妇当前体脂测量值；
上传子模块，用于将孕妇测量信息上传至存储设备中，所述孕妇测量信息包括孕妇ID、孕妇当前体重测量值、孕妇当前体脂测量值及测量时间；
修正子模块，用于根据历史有效数据对所述孕妇当前体重测量值和所述孕妇当前体脂测量值采用趋势预测算法进行修正，以获得孕妇当前体重值和孕妇当前体脂值，将孕妇当前体重值和孕妇当前体脂值作为第一输入参数，其中，所述历史有效数据为存储设备中存储的所述孕妇ID所对应的所有修正后的所述孕妇当前体重测量值和所述孕妇当前体脂测量值；孕妇当前体重值为对孕妇当前体重测量值修正后的值，孕妇当前体脂值为对孕妇当前体脂测量值修正后的值。
本发明提供一种胎儿体重预测方法及装置，预先建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型，然后通过测量获得孕妇当前体重值和孕妇当前体脂值，再与孕妇历史体重值和孕妇历史体脂值相比较，获得孕妇体重变化值和孕妇体脂变化值，最后根据孕妇体重变化值、孕妇体脂变化值和胎儿体重预测模型，获得胎儿体重预测值。上述方法及装置，可根据孕妇体重变化值和所述孕妇体脂变化值来对胎儿体重进行预测，无需专业医疗器械和专业医务人员参与，且预测方法对孕妇和胎儿健康无任何影响，可多次检测，整个预测过程简单方便，便于普及。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1为本发明实施例一提供的胎儿体重预测方法的一流程示意图；
图2为本发明实施例一提供的胎儿体重预测方法的另一流程示意图；
图3为本发明实施例一提供的胎儿体重预测方法的又一流程示意图；
图4为本发明实施例二提供的胎儿体重预测装置的一结构示意图。
在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例绘制。
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作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。
实施例一
图1为本发明实施例一提供的胎儿体重预测方法的一流程示意图；如图1所示，本实施例提供一种胎儿体重预测方法，包括步骤101-步骤105。
其中，步骤101，建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型；其中，物理参数包括孕妇体重变化值和孕妇体脂变化值。
具体的，本发明的目的之一为在对胎儿体重进行预测时，减少预测的复杂性和专业性，并且不对孕妇及胎儿身体健康造成任何可能性的伤害。因此，在本实施例中，建立的胎儿体重预测模型由孕妇的物理参数与胎儿体重的对应关系组成，物理参数包括孕妇体重变化值和孕妇体脂变化值。通过人体脂肪秤可对孕妇的体重和体脂进行测量，并且测量过程简单方便，且对身体无害。物理参数还可包括蛋白质、骨量、水分等身体指标。
步骤102，获取第一输入参数，其中，所述第一输入参数包括孕妇当前体重值和孕妇当前体脂值。
具体的，当需要预测胎儿体重时，通过人体脂肪秤测量孕妇当前体重值和孕妇当前体脂值，孕妇当前体重值即当前测得的孕妇体重值(孕妇当前体脂值同理)。
步骤103，获取第二输入参数，其中，所述第二输入参数包括孕妇历史体重值和孕妇历史体脂值。
具体的，由于物理参数为孕妇体重变化值和孕妇体脂变化值，因此，在获得孕妇当前体重值和孕妇当前体脂值之后，还应获得孕妇历史体重值和孕妇历史体脂值，以计算出孕妇体重变化值和孕妇体脂变化值。优选的，孕妇历史体重值为孕妇怀孕初期测得的体重值，孕妇历史体脂值为孕妇怀孕初期(例如怀孕一个月内)测得的体脂值。孕妇历史体重值和孕妇历史体脂值可预先存储在存储设备中，也可通过手动输入，在此不做限定。
步骤104，根据第一输入参数和第二输入参数，计算获得孕妇体重变化值和孕妇体脂变化值。
求取孕妇当前体重值和孕妇历史体重值的差值的绝对值，并将其作为孕妇体重变化值；求取孕妇当前体脂值和孕妇历史体脂值的差值的绝对值，并将其作为孕妇体脂变化值。
步骤105，根据所述孕妇体重变化值、所述孕妇体脂变化值和胎儿体重预测模型，获得胎儿体重预测值。
在获得孕妇体重变化值和孕妇体脂变化值后，根据胎儿体重预测模型进行预测，以获得胎儿体重预测值。
本实施例中的胎儿体重预测方法，根据孕妇体重变化值和所述孕妇体脂变化值来对胎儿体重进行预测，无需专业医疗器械和专业医务人员参与，且预测方法对孕妇和胎儿健康无任何影响，可多次检测。整个预测过程简单方便，便于普及。
进一步的，如图2所示，步骤101具体包括步骤1011-步骤1012。
其中，步骤1011，获取孕妇的物理参数与对应的实际胎儿体重。可通过B超等检测手段获得孕妇的物理参数与胎儿体重之间的对应关系，由于根据B超获得的胎儿体重准确率较高，因此，将通过B超获得的胎儿体重作为实际胎儿体重，以为后续建立胎儿体重预测模型提供准确率较高的训练样本。
步骤1012，将孕妇的物理参数与对应的实际胎儿体重作为一个有效样本保存。
进一步的，有效样本的获得除了通过直接B超测量的方式获得孕妇的物理参数与实际胎儿体重的对应关系，有效样本获取途径还包括：通过孕妇的物理参数与怀孕周数的对应关系、胎儿体重与怀孕周数的对应关系，来获得孕妇的物理参数与胎儿体重的对应关系。
根据现有的胎儿体重与怀孕周数的对应关系、孕妇的物理参数与怀孕周数的对应关系等大数据，来获得孕妇的物理参数与对应的实际胎儿体重。
步骤1013，获取多个有效样本，并将多个有效样本保存至存储设备，以供后续建立胎儿体重预测模型使用。
步骤1014，通过监督型机器学习算法对存储设备中的多个有效样本进行训练，以获得胎儿体重预测模型。
通过监督型机器学习算法和预设的数值边界对多个有效样本进行训练，可获得胎儿体重预测模型。有效样本越多，训练获得的胎儿体重预测模型的预测准确性越高。
进一步的，所述胎儿体重预测模型用表达式表示为：W＝x1*(Δa)+x2*(Δb)+x3*(Δc)，其中，W为胎儿体重预测值，Δa为孕妇体重变化值，Δb为孕妇体脂变化值，Δc为胎儿体重标准值，x1、x2和x3的值根据监督型机器学习算法对存储设备中的多个有效样本进行训练后确定。
根据数据的统计与回归预测，建立了胎儿体重与孕妇体重变化值、体脂变化值之间的相关关系，把复杂的多元非线性问题推演为简单的多元一次方程来运算。由于个体数据随着测量时间和实际测量结果动态变化，并且采集到的总体数据也会逐渐增加，所以上述表达中的系数x1、x2和x3是一个动态值，具体需根据监督型机器学习算法对存储设备中的多个有效样本进行训练后确定。
进一步的，如图3所示，步骤102具体包括步骤1021-步骤1023。
其中，步骤1021，采用人体脂肪秤对孕妇进行测量，以获得孕妇当前体重测量值和孕妇当前体脂测量值。
具体的，通过人体脂肪秤对孕妇当前体重值和孕妇当前体脂值进行采集，人体脂肪秤可通过自身包括的无线通信设备与智能设备进行数据传输，例如人体脂肪秤采集到孕妇当前体重值和孕妇当前体脂值之后，通过无线通信设备将采集的孕妇当前体重值和孕妇当前体脂值发送给智能设备，智能设备可为手机、电脑、ipad等，由智能设备将孕妇当前体重值和孕妇当前体脂值上传到服务器的存储设备或专门的用于存储有效样本的存储设备中，在此不做限定。
步骤1022，将孕妇测量信息上传至存储设备中，所述孕妇测量信息包括孕妇ID、孕妇当前体重测量值、孕妇当前体脂测量值及测量时间。
具体的，对于每一位使用该方法进行胎儿体重预测的孕妇，在首次使用时，会为该孕妇设置一个唯一标识码(如可通过注册实现)，即孕妇ID。在对孕妇当前体重值和孕妇当前体脂值进行存储时，还应同时存储测量时间，以便后续按照测量时间的顺序对孕妇当前体重值和孕妇当前体脂值进行分析。
进一步的，存储设备中还存储有孕妇基本信息，孕妇基本信息包括孕妇ID、年龄、身高等基本信息。进一步的，孕妇基本信息还包括孕妇怀孕初期测得的体重值(即孕妇历史体重值)和孕妇怀孕初期测得的体脂值(即孕妇历史体脂值)。
步骤1023，根据历史有效数据对孕妇当前体重测量值和孕妇当前体脂测量值采用趋势预测算法进行修正，以获得孕妇当前体重值和孕妇当前体脂值，将孕妇当前体重值和孕妇当前体脂值作为第一输入参数，其中，所述历史有效数据为存储设备中存储的所述孕妇ID所对应的所有修正后的所述孕妇当前体重测量值和所述孕妇当前体脂测量值；孕妇当前体重值为对孕妇当前体重测量值修正后的值，孕妇当前体脂值为对孕妇当前体脂测量值修正后的值。
由于测得的孕妇当前体重测量值和孕妇当前体脂测量值可能会出现偏差，因此为了使得对胎儿体重的预测更加准确，首先需要对孕妇当前体重测量值和孕妇当前体脂测量值进行修正，具体修正方式为根据该孕妇先前测得存储在存储设备中的历史有效数据进行修正，若存储设备中没有该孕妇的历史有效数据，则根据该孕妇的年龄、身高和孕前体重为该孕妇选择历史数据模板，所述历史数据模块所依据的数据为预先存储的大数据。
实施例二
本实施例是实施例一的装置实施例，用于执行实施例一中的方法。
图4为本发明实施例二提供的胎儿体重预测装置的一结构示意图，如图4所示，本实施例提供一种胎儿体重预测装置，包括胎儿体重预测模型建立模块201、第一获取模块202、第二获取模块203、计算模块204和预测模块205。
其中，胎儿体重预测模型建立模块201，用于建立孕妇的物理参数与胎儿体重的对应关系的胎儿体重预测模型；其中，所述物理参数包括孕妇体重变化值和孕妇体脂变化值。
第一获取模块202，用于获取第一输入参数，其中，所述第一输入参数包括孕妇当前体重值和孕妇当前体脂值。
第二获取模块203，用于获取第二输入参数，其中，所述第二输入参数包括孕妇历史体重值和孕妇历史体脂值。
计算模块204，用于根据第一输入参数和第二输入参数，计算获得孕妇体重变化值和孕妇体脂变化值。
预测模块205，用于根据所述孕妇体重变化值、所述孕妇体脂变化值和胎儿体重预测模型，获得胎儿体重预测值。
由于本实施例是与实施例一对应的装置实施例，具体详情可参见实施例一中的记载，在此不再赘述。
进一步的，胎儿体重预测模型建立模块201具体包括：
第一获取子模块，用于获取孕妇的物理参数与对应的实际胎儿体重；
有效样本获取子模块，用于将孕妇的物理参数与对应的实际胎儿体重作为一个有效样本保存；
保存子模块，用于获取多个有效样本，并将多个有效样本保存至存储设备；
胎儿体重预测模型建立子模块，用于通过监督型机器学习算法对存储设备中的多个有效样本进行训练，以获得胎儿体重预测模型。
进一步的，有效样本获取子模块还包括：
通过孕妇的物理参数与怀孕周数的对应关系、胎儿体重与怀孕周数的对应关系，来获得孕妇的物理参数与胎儿体重的对应关系。
进一步的，胎儿体重预测模型用表达式表示为：胎儿体重预测模型用表达式表示为：W＝x1*(Δa)+x2*(Δb)+x3*(Δc)，其中，W为胎儿体重预测值，Δa为孕妇体重变化值，Δb为孕妇体脂变化值，Δc为胎儿体重标准值，x1、x2和x3的值根据监督型机器学习算法对存储设备中的多个有效样本进行训练后确定。
进一步的，第一获取模块202具体包括：
测量子模块，用于通过人体脂肪秤对孕妇进行测量，以获得孕妇当前体重测量值和孕妇当前体脂测量值；
上传子模块，用于将孕妇测量信息上传至存储设备中，所述孕妇测量信息包括孕妇ID、孕妇当前体重测量值、孕妇当前体脂测量值及测量时间；
修正子模块，用于根据历史有效数据对所述孕妇当前体重测量值和所述孕妇当前体脂测量值采用趋势预测算法进行修正，以获得孕妇当前体重值和孕妇当前体脂值，并将孕妇当前体重值和孕妇当前体脂值作为第一输入参数，其中，所述历史有效数据为存储设备中存储的所述孕妇ID所对应的所有修正后的所述孕妇当前体重测量值和所述孕妇当前体脂测量值；孕妇当前体重值为对孕妇当前体重测量值修正后的值，孕妇当前体脂值为对孕妇当前体脂测量值修正后的值。
应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外，所描述的特征、结构或特性可以任何其他合适的方式结合到一个或多个实施例中。在上面的描述中，提供一些具体的细节，例如材料等，以提供对本发明的实施例的全面理解。然而，相关领域的技术人员将明白，本发明无需上述一个或多个具体的细节便可实现，或者也可采用其它方法、组件、材料等实现。在其它示例中，周知的结构、材料或操作并未详细示出或描述以免模糊本发明的各个方面。
虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。