1.一种基于生长激素治疗的儿童阶段身高预测方法，包括以下步骤：步骤1：经生长激素治疗的患儿数据的采集与处理，具体包括：

11)对采集到的数据进行分类整理，排除患有慢性疾病的儿童；提取相关的数据信息，包括儿童姓名、性别、出生日期、开始治疗时日期、开始治疗时骨龄CHN、开始治疗时身高、开始治疗时体重、父亲身高、母亲身高、生长激素用药剂量，胰岛素一号增长因子IGF‑1、性征；

12)对数据进行预处理，儿童性别在处理时将男生转换成数值0，女生转换为数值1，对于部分缺失的数据采用线性插值方法进行补全；

步骤2：训练生成生长激素治疗的身高预测模型，具体包括：

21)选取性别、年龄、骨龄、身高、体重、生长激素剂量、父亲身高、母亲身高8个特征值作为网络的输入，治疗三个月后的身高作为网络输；

22)利用粒子群算法PSO优化算法，筛选BP神经网络的初始值和权值，使用LM算法对BP网络进行训练；

23)搭建PSO‑LMBP双隐含层神经网络，输入层的神经元个数为8，隐藏层的神经元个数分别为10和2，输出层神经元个数为1；其中truth为期待的目标输出真实值，xi为传输层的输出值；

24)将8个特征值作为输入信号，输入BP神经网络，信号通过前向传播从输入层到隐藏层，最后到达输出层，在输出层得到的信号即为生长激素治疗三个月后的身高；计算输出信号的预测值与期望值之间的误差，若误差不满足终止条件，则对误差进行反向传播，进而对神经元之间的连接权值进行更新，权值更新公式如下：其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值，Ep为误差信号，η为学习率；

25)通过不断更新权值，训练学习若干次，验证模型可靠性，最终得到身高预测网络模型，保存网络模型；

步骤3：预测生长激素治疗三个月后的身高，具体包括：

31)选择预测的儿童基本数据，进行预处理；

32)通过步骤2中保存的网络模型，向PSO‑LMBP网络模型中输入儿童的8个特征值，得到三个月后的预测身高数据；

步骤4：预测生长激素治疗三个月后的身高，具体包括：

41)获取步骤3的身高预测结果，将其作为新一阶段的网络输入，其中性别、父母身高为固定值；年龄通过计算得到；骨龄和体重采用大数据统计的增长均值得出，体重也可进行动态调整；生长激素剂量默认采用步骤3中的剂量，也可进行动态调整，计算新一阶段的身高；

42)重复上一过程，直到预测输出的身高达到同性别、同年龄儿童的平均身高，绘制治疗期间的儿童身高变化曲线。

2.如权利要求1所述的基于生长激素治疗的儿童阶段身高预测方法，其特征在于：步骤

25)训练学习的次数是1000次。