基于医疗大数据的儿童发育筛查方法

技术领域

本发明涉及医疗数据筛查技术领域，尤其涉及一种基于医疗大数据的儿童发育筛查方法。

背景技术

儿童的发育障碍主要分为智力发育迟缓、精神心理发育迟缓、语言发育迟缓和运动能力发育迟缓等几类。现有的儿童发育筛查方法，往往是仅针对特定种类的发育迟缓进行筛查。

然而，家长往往对发育障碍的相关知识缺乏了解，不太清楚应当带孩子进行哪些方面的发育障碍筛查，且不同年龄、不同地区的儿童发生发育障碍的类型往往也不尽相同。为了克服上述缺陷，现有技术中仅能采用人工筛查的方式，但人工筛查的方式将耗费大量人力成本。

因此，亟需一种基于医疗大数据的儿童发育筛查方法，以使得筛查更具备针对性，也可节省医疗资源，缩短病人看病所需的时间。

发明内容

为了解决上述技术问题，本发明提供了一种基于医疗大数据的儿童发育筛查方法，以使得筛查更具备针对性，也可节省医疗资源和病人看病所需的时间。

本发明提供了一种基于医疗大数据的儿童发育筛查方法，包括：

S1、获取待筛查儿童的基本信息，并对基本信息进行预处理；预处理包括数据清洗；

S2、将预处理后的基本信息输入至特性描述模型中，输出与待筛查儿童对应的特性描述向量；

S3、对待筛查儿童进行行为测试实验，并对实验过程进行视频录像，将视频录像输入至发育障碍识别模型中，得到待筛查儿童的发育障碍类型；

S4、将特性描述向量和发育障碍类型输入关注重点确定模型，输出相应的重点关注方面；

S5、根据重点关注方面对待筛查儿童进行相应的行为测试实验，将通过相应的行为测试实验得到的测试数据输入至第一发育程度评价模型中，得到待筛查儿童的发育情况筛查结果。

进一步的，S1，待筛查儿童的基本信息包括：

待筛查儿童的生长所处地区、年龄、父母从事的职业和父母受教育程度。

进一步的，S2，将预处理后的基本信息输入至特性描述模型中，输出与待筛查儿童对应的特性描述向量包括：

S21、将预处理后的基本信息输入至特性描述模型中进行识别；

S22、特性描述模型分为三层，第一层根据预处理后的基本信息中的待筛查儿童的生长所处地区来确定所处地区等级，第二层根据预处理后的基本信息中的待筛查儿童的父母从事的职业和父母受教育程度来确定成长环境等级，第三层根据预处理后的基本信息中的待筛查儿童的年龄来确定年龄段；

S23、根据所处地区等级、成长环境等级和年龄段生成与待筛查儿童对应的特性描述向量并输出。

进一步的，S3，发育障碍识别模型包括双支神经网络模型和分类器，双支神经网络模型由空间特征提取分支和时间特征提取分支组成。

进一步的，S3，对待筛查儿童进行行为测试实验，并对实验过程进行视频录像，将视频录像输入至发育障碍识别模型中，得到待筛查儿童的发育障碍类型包括：

S31、对待筛查儿童进行行为测试实验，并对实验过程进行视频录像；行为测试实验包括简单对话、人际交流、适龄的运动项目；

S32、将视频录像输入至发育障碍识别模型的双支神经网络模型中，提取视频录像中体现的行为序列和声音序列；

S33、将行为序列和声音序列输入至发育障碍识别模型的分类器中，得到待筛查儿童的发育障碍类型；发育障碍类型包括智力发育迟缓、精神心理发育迟缓、语言发育迟缓和运动能力发育迟缓。

进一步的，S32，将视频录像输入至发育障碍识别模型的双支神经网络模型中，提取视频录像中体现的行为序列和声音序列包括：

S321、通过空间特征提取分支对视频录像中体现的行为序列和声音序列进行一维卷积和注意力增强处理，得到空间特征；

S322、通过时间特征提取分支对视频录像中体现的行为序列和声音序列进行三维卷积和注意力增强处理，得到时间特征；

S323、根据空间特征与时间特征进行级联得到行为特征和声音特征。

进一步的，S5，第一发育程度评价模型与发育障碍识别模型结构相同。

进一步的，S5，根据重点关注方面对待筛查儿童进行相应的行为测试实验，将通过相应的行为测试实验得到的测试数据输入至第一发育程度评价模型中，得到待筛查儿童的发育情况筛查结果包括：

S51、根据重点关注方面对待筛查儿童进行相应的行为测试实验，并对实验过程进行视频录像；

S52、将视频录像输入至相应的第一发育程度评价模型的双支神经网络模型中，提取视频录像中体现的行为序列和声音序列；

S53、将行为序列和声音序列输入至相应的第一发育程度评价模型的分类器中，得到待筛查儿童的发育情况筛查结果；发育情况筛查结果包括待筛查儿童的发育障碍类型及该发育障碍类型的发育迟缓程度。

本发明实施例具有以下技术效果：

1、通过综合考虑儿童的生长所处地区、年龄、父母从事的职业和父母受教育程度等方面来形成特性描述向量，可以使得后续的模型预测结果更准确且更具备针对性。

2、通过对待筛查儿童的测试实验进行视频录像，对所述视频进行行为序列和声音序列的识别，从而可初步确定所述待筛查儿童的发育障碍类型，进而为后续的进一步筛查打好基础。

3、根据初步确定好的发育障碍类型，结合特性描述向量，输入关注重点确定模型中，可获得重点关注方面，后续可针对得出的重点关注方面进行测试，从而使得筛查更具备针对性，也可节省医疗资源，缩短病人看病所需的时间。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种基于医疗大数据的儿童发育筛查方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

图1是本发明实施例提供的一种基于医疗大数据的儿童发育筛查方法的流程图。参见图1，具体包括：

S1、获取待筛查儿童的基本信息，并对基本信息进行预处理。

具体的，预处理包括数据清洗，用于排除异常数据，保留有效数据。待筛查儿童的基本信息可以包括：待筛查儿童的生长所处地区、年龄、父母从事的职业和父母受教育程度等。由于儿童的智力、精神和语言发育等方面往往会受到后天影响，因此基于待筛查儿童的基本信息，可以获取待筛查儿童的成长环境信息，从而使后续对待筛查儿童的发育情况筛查更准确、更具有针对性。

S2、将预处理后的基本信息输入至特性描述模型中，输出与待筛查儿童对应的特性描述向量。

具体的，所述S2包括：

S21、将预处理后的基本信息输入至特性描述模型中进行识别。

具体的，特性描述模型由三个支持向量机与一个向量组合模型构成。

S22、特性描述模型分为三层，第一层根据预处理后的基本信息中的待筛查儿童的生长所处地区来确定所处地区等级，第二层根据预处理后的基本信息中的待筛查儿童的父母从事的职业和父母受教育程度来确定成长环境等级，第三层根据预处理后的基本信息中的待筛查儿童的年龄来确定年龄段。

具体的，可以将所处地区等级分为发达地区、中等发达地区和欠发达地区。可以将成长环境等级分为优、中、差，例如，父母受教育程度较高且父母从事的职业技术含量较高，则可以确定待筛查儿童的成长环境等级为优。年龄段可以根据实际情况进行划分，例如，分为0-3岁、3-6岁、6-12岁等若干年龄段。

S23、根据所处地区等级、成长环境等级和年龄段生成与待筛查儿童对应的特性描述向量并输出。

示例性地，根据特性描述模型的识别结果，可以生成与待筛查儿童对应的特性描述向量并输出，例如，输出的特性描述向量为：[0-3岁，发达地区，成长环境等级为优]。

S3、对待筛查儿童进行行为测试实验，并对实验过程进行视频录像，将视频录像输入至发育障碍识别模型中，得到待筛查儿童的发育障碍类型。

具体的，发育障碍识别模型包括双支神经网络模型和分类器，双支神经网络模型由空间特征提取分支和时间特征提取分支组成。

S31、对待筛查儿童进行行为测试实验，并对实验过程进行视频录像。

具体的，行为测试实验可以包括简单对话、人际交流、适龄的运动项目等，通过行为测试实验可以对待筛查儿童的智力发育程度、精神心理发育程度、语言发育程度和运动能力等进行评估。

S32、将视频录像输入至发育障碍识别模型的双支神经网络模型中，提取视频录像中体现的行为序列和声音序列。

具体的，所述S32包括：

S321、通过空间特征提取分支对视频录像中体现的行为序列和声音序列进行一维卷积和注意力增强处理，得到空间特征。

S322、通过时间特征提取分支对视频录像中体现的行为序列和声音序列进行三维卷积和注意力增强处理，得到时间特征。

S323、根据空间特征与时间特征进行级联得到行为特征和声音特征。

S33、将行为序列和声音序列输入至发育障碍识别模型的分类器中，得到待筛查儿童的发育障碍类型。

具体的，发育障碍类型包括智力发育迟缓、精神心理发育迟缓、语言发育迟缓和运动能力发育迟缓等。

进一步的，在发育障碍识别模型的训练阶段，在选择训练样本时，分别获取与每种发育障碍类型的儿童相对应的行为与声音序列特征作为样本，即一条样本数据包括：发育障碍类型-行为序列-声音序列的三元组。

S4、将特性描述向量和发育障碍类型输入关注重点确定模型，输出相应的重点关注方面。

具体的，在关注重点确定模型的训练阶段，在选择训练样本时，其训练样本包括如下数据三元组：发育障碍类型-特性描述向量-重点关注方面。其中，将发育障碍类型和特性描述向量作为模型的输入，重点关注方面作为模型的输出。

示例性地，若步骤S3中确定的待筛查儿童的发育障碍类型为语言发育迟缓，则在步骤S4的关注重点确定模型中，针对语言发育迟缓这一类发育障碍，结合待筛查儿童的特性描述向量，可以确定出重点关注的方面包括发音、理解、构音、词句表达和语法语序表达等。

S5、根据重点关注方面对待筛查儿童进行相应的行为测试实验，将通过相应的行为测试实验得到的测试数据输入至第一发育程度评价模型中，得到待筛查儿童的发育情况筛查结果。

具体的，第一发育程度评价模型与发育障碍识别模型结构相同，也包括双支神经网络模型和分类器，双支神经网络模型由空间特征提取分支和时间特征提取分支组成。区别在于，第一发育程度评价模型的输出为该发育障碍类型的发育迟缓程度。

S51、根据重点关注方面对待筛查儿童进行相应的行为测试实验，并对实验过程进行视频录像。

具体的，根据重点关注方面对待筛查儿童进行针对性的行为测试实验，例如，在步骤S4中确定出重点关注的方面包括发音、理解、构音、词句表达和语法语序表达等，则在对待筛查儿童进行行为测试实验时，选择主要针对发音、理解、构音、词句表达和语法语序表达等的行为测试试验。

S52、将视频录像输入至相应的第一发育程度评价模型的双支神经网络模型中，提取视频录像中体现的行为序列和声音序列。

具体的，第一发育程度评价模型提取视频录像中体现的行为序列和声音序列的方法与发育障碍识别模型提取视频录像中体现的行为序列和声音序列的方法相同，在此不再赘述。第一发育程度评价模型与儿童的发育障碍类型一一对应，根据儿童的发育障碍类型的不同，分别训练出与智力发育迟缓、精神心理发育迟缓、语言发育迟缓、运动能力发育迟缓等相对应的第一发育程度评价模型。进一步的，根据儿童的年龄、成长地区和成长环境不同，可以使不同的第一发育程度评价模型有不同的侧重。

S53、将行为序列和声音序列输入至相应的第一发育程度评价模型的分类器中，得到待筛查儿童的发育情况筛查结果。

具体的，发育情况筛查结果包括待筛查儿童的发育障碍类型及该发育障碍类型的发育迟缓程度，发育迟缓程度可以分为严重、一般、良好。

示例性地，在步骤S3中确定的待筛查儿童的发育障碍类型为语言发育迟缓，在步骤S4中确定出重点关注的方面包括发音、理解、构音、词句表达和语法语序表达等，则在步骤S5中，根据重点关注的方面对待筛查儿童进行针对性的行为测试实验，并获取实验数据，即行为序列和声音序列，根据实验数据可以得到待筛查儿童在语言发育方面的发育情况筛查结果。

本发明实施例中，通过综合儿童的生长所处地区、年龄、父母从事的职业和父母受教育程度等方面来形成特性描述向量，可以使得后续的模型预测结果更准确且更具备针对性。

通过对待筛查儿童的测试实验进行视频录像，对所述视频进行行为序列和声音序列的识别，从而可初步确定所述待筛查儿童的发育障碍类型，进而为后续的进一步筛查打好基础。

根据初步确定好的发育障碍类型，结合特性描述向量，输入关注重点确定模型中，可获得重点关注方面，后续可针对得出的重点关注方面进行测试，从而使得筛查更具备针对性，也可节省医疗资源，缩短病人看病所需的时间。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，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”或者其任何其它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、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法或者设备所固有的要素。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、方法或者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发明和简化描述，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发明的限制。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发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。