基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备

1.本技术涉及信号分类领域，尤其涉及一种基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备。


背景技术：

2.神经元信号记录技术的发展使得神经科学家可以记录到大脑单个神经元的电生理活动信息，这些信息是以峰电位(spike)或动作电位(action potential)的形式存在。通过对记录到的群体的神经元电生理活动进行分析，可以解码神经电路或神经网络的功能，从而为理解大脑的功能提供了可能性。在体的神经元信号记录系统一般采用细胞外记录(extracellular recording)方式。然而细胞外记录测量到的是电极周围几个神经元电生理活动的集合，分析这些活动需要算法分类出记录到的神经元信号(spike)到底是由哪一个神经元所发出的。
3.超顺磁聚类(superparamagnetic clustering，spc)算法是一种无监督，参数依赖性弱的数据聚类算法，由于算法具备的这些优良的特性，该算法通常应用到神经元峰电位的分类。超顺磁聚类算法将物理学的现象与理论引入信息领域，将数据聚类过程抽象为非均匀potts模型中磁子的热力学聚集运动。在potts模型中，待聚类的数据被当作磁力系统中的磁子，通过在不同温度下磁子之间自旋(spin)状态的改变而自发形成的系统状态来表征聚类结果：当温度改变时，根据磁子之间耦合力的强弱，磁子之间自发同步自旋而形成不同的“磁团”；这样由温度变换引起的磁子之间自发形成的“磁团”，可以看作系统对输入数据的一种分类结果。因此，spc聚类结果和温度紧密相关，在不同的温度下会呈现不同的分类结果。这一特性使得spc算法可以处理一些有等级结构的分类数据：通过使用不同的温度，可以展现数据在不同层级的分类构成；而传统的聚类算法通常只存在一种分类结果。同时和传统的聚类算法相比，spc算法是根据数据自身结构的特点，自发产生的聚类结果，因此对输入数据的结构没有特殊假设(如k-means算法假设数据结构服从高斯分布)，同时对各种参数的依赖性也不强。spc算法的实现是根据potts模型来量化分析。
4.在现有技术中，利用spc算法对神经元峰电位进行分类是一个构建马尔科夫链的过程，该过程中下一个状态的生成依赖于上一个状态的结果，这种顺序执行过程极大降低分类效率；尤其是面对海量的神经元峰电位时，其计算缓慢、低效的缺点被更加放大。


技术实现要素：

5.本技术实施例提供了基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备，可以解决现有技术分类效率低和速度慢的问题。所述技术方案如下：
6.第一方面，本技术实施例提供了一种基于并行超顺磁聚类算法的神经元峰电位分类方法，所述方法包括：
7.获取待分类的n个神经元峰电位，并作为n个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，n为大于1的整数；
8.计算各个磁子与最近的k个邻居磁子之间的相互作用力，得到第一矩阵；其中，k为小于n-1的整数，所述第一矩阵由于n行k列的元素组成，每个元素为一个相互作用力；
9.将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行n
×
k列的元素组成；
10.对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；
11.并行的生成符合波茨曼概率分布的y个哈密尔顿能量；
12.并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；
13.确定所述最接近的元素之前的各个元素的二维索引；
14.筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；
15.将筛选的二维索引对应的磁子对进行绑定；
16.根据y次绑定结果，统计任意两个磁子之间的概率值；
17.根据所述概率值对所述n个神经元峰电位进行聚类。
18.第二方面，本技术实施例提供了一种基于并行超顺磁聚类算法的神经元峰电位分类装置，所述装置包括：
19.获取单元，用于获取待分类的n个神经元峰电位，并作为n个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，n为大于1的整数；
20.计算单元，用于计算各个磁子与最近的k个邻居磁子之间的相互作用力，得到第一矩阵；其中，k为小于n-1的整数，所述第一矩阵由于n行k列的元素组成，每个元素为一个相互作用力；
21.排序单元，用于将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行n
×
k列的元素组成；
22.求和单元，用于对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；
23.生成单元，用于并行的生成符合波茨曼概率分布的y个哈密尔顿能量；
24.绑定单元，用于并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；确定所述最接近的元素之前的各个元素的二维索引；筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；将筛选的二维索引对应的磁子对进行绑定；
25.聚类单元，用于根据y次绑定结果，统计任意两个磁子之间的概率值；根据所述概率值对所述n个神经元峰电位进行聚类。
26.第三方面，本技术实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
27.第四方面，本技术实施例提供一种计算机设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
28.本技术一些实施例提供的技术方案带来的有益效果至少包括：
29.分类方法中采用可并行实现的生成系统状态，使得对算法需求的系统状态数目的运算可同时进行，新状态的产生不需要用概率运算来遍历系统内的所有磁子，而是通过查表来完成，查表的过程也经过了算法上的优化；因此可以极大提高分类过程的运行速度。
附图说明
30.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本技术的一些实施例，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。
31.图1是本技术实施例提供的基于并行超顺磁聚类算法的神经元峰电位分类方法的流程示意图；
32.图2是本技术实施例提供的分类方法的性能示意图；
33.图3是本技术提供的一种基于并行超顺磁聚类算法的神经元峰电位分类装置的结构示意图；
34.图4是本技术提供的一种计算机设备的结构示意图。
具体实施方式
35.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施例方式作进一步地详细描述。
36.需要说明的是，本技术提供的基于并行超顺磁聚类算法的神经元峰电位分类方法一般由计算机设备执行，相应的，基于并行超顺磁聚类算法的神经元峰电位分类装置一般设置于计算机设备中。
37.计算机设备可以是具有显示屏的各种计算机设备，包括但不限于智能手机、平板电脑、膝上型便携式计算机和台式计算机等等。当计算机设备为软件时，可以是安装上述所列举的计算机设备中。其可以实现呈多个软件或软件模块(例如：用来提供分布式服务)，也可以实现成单个软件或软件模块，在此不作具体限定。
38.在相关技术中，利用超顺磁聚类算法对神经元峰电位进行聚类的过程包括：
39.假设待分类的神经元峰电位的数量为n，每个神经元峰电位对应一个磁子，即存在n个磁子，每个磁子有d个输入特征，是d维特征空间上一个输入点。每个磁子系统中存在q个可能的自旋值(spin)来代表其自旋状态，n个磁子的自旋状态共同构成系统状态s。利用如下的公式(1)计算系统在s状态下的能量h(s)，h(s)为哈密尔顿函数：
[0040][0041]
其中，j
ij
为磁子i与磁子j之间的相互作用力，该相互作用力一般用公式(2)表示：
[0042][0043]
其中，j
ij
大小与磁子之间的距离成反比，a为所有磁子之间的平均距离。xi为磁子i的特征值，xj为磁子j的特征值。当磁子i和磁子j的自旋值相同时，否则即只有两个磁子的自旋状态不同时，相互作用力j
ij
对能量h(s)的计算有贡献，自旋值相同时磁子对能量的计算没有贡献。
[0044]
系统在温度t下的能量分布符合波兹曼概率(boltzmann distribution)分布，参
见公式(3)所示，z为量化常数，经计算结果为t。
[0045][0046]
在磁系统中，由于不同温度t下磁子的热力学运动使得磁系统呈现出不同的相位。只有在超顺磁相(spc phase)下形成的磁团才可以表征系统的聚类结果。因此，spc算法的第一步是估计系统处于超顺磁相位所需要的温度范围，通常我们采用potts模型来量化分析磁系统的物理特性。在potts模型中，磁化率(susceptibility)χ用来估算系统处于spc相位的温度区间：当系统从低温的铁磁相(ferromagnetic phase)逐渐升温到超顺磁相的过程中，χ会有一个明显的峰值出现；在系统从超顺磁相进一步升温到顺磁相(paramagnetic phase)过程中，χ值存在明显的减小过程。因此，通过计算χ随温度t的变化特性就可以判断系统处于超顺磁相所处的温度区间，χ值的变化是由磁子随温度变化自旋所形成的磁团的变化引起的。χ可以通过公式(4)和公式(5)来进行计算:
[0047][0048][0049]
其中，m(s)为磁化强度(magnetization)，n
max
(s)是系统在状态s下具有相同自旋值的磁子个数的最大值，《》代表均值。
[0050]
在特定的温度t下，系统状态s有qn个可能的组成状态，直接计算《m》及χ是不现实的。一般通过swendnsen-wang或wolf算法构建出y个子状态来对qn个总的状态进行抽样，利用抽样生成的y个子状态来估算实际的《m》及χ的值。显然y的数值越大，估算的结果越准确，但是相应要求的计算量越大，一般取y≥300即可满足精度需求。优选的，y＝300，可以在使用较少的样本的情况下进行计算，减少计算量。
[0051]
例如：wolf算法实现的抽样过程如下：
[0052]
(1)确定需要生成的系统子状态数目y。
[0053]
(2)给系统内的n个磁子设定一个初始自旋值(1
…
q)构成系统的初始状态s
init
。
[0054]
(3)从n个磁子中随机抽出一个磁子f，并以概率遍历该磁子的所有邻居磁子，以决定其邻居磁子是否与磁子f之间处于绑定状态。其中，只有具有相同自旋值的邻磁子居才参与遍历。
[0055]
(4)指定一个新的随机自旋值给磁子f和与其绑定的邻居磁子，这些随机的自旋值构成了新的系统状态s
new
。
[0056]
(5)统计在系统状态s
new
下的磁化强度(利用公式(5)计算)，以及统计生成的状态数目s
new
是否达到了y，如果没有，重复执行步骤(3)，直到生成y个s
new
状态。然后利用用生成的y个snew状态来计算χ和g
ij
，g
ij
为磁子i和磁子j的相关系数，一般可用二者在y个系统状态下具有相同自旋状态的概率来表示。
[0057]
通过在在不同温度t下进行步骤(1)-(5)的计算，就可得到χ随温度t变化的曲线；进而可以根据χ的变化来定位超顺磁相所在的温度区间，从而根据选定的温度t
select
下χ值
所对应的g
ij
值来进行聚类运算：如果g
ij
＞threshold(threshold的取值一般为0.5)，则绑定磁子i和磁子j。通过遍历每个磁子的g
ij
值，就可得到绑定的磁子关系对，这些绑定的磁子关系对就作为最后聚类的依据。
[0058]
从以上的聚类过程可以看出，每次产生的新状态s
new
是基于上一次状态生成的，同时也是下一次状态的起始态，y个s
new
的产生是一个顺序运行的过程，极大的降低了整个系统的运行效率；尤其是在面对较大的y值或海量的数据时，其运行效率会显得较为低下，分类过程会耗费大量的时间。
[0059]
下面将结合附图1，对本技术实施例提供的基于并行超顺磁聚类算法的神经元峰电位分类方法进行详细介绍。
[0060]
请参见图1，为本技术实施例提供了一种基于并行超顺磁聚类算法的神经元峰电位分类方法的流程示意图。如图2所示，本技术实施例的所述方法可以包括以下步骤：
[0061]
s101、获取待分类的n个神经元峰电位，并作为n个磁子输入磁子系统。
[0062]
其中，计算机设备通过信号采集装置获取待分类的n个神经元峰电位，n为大于1的整数，n的取值一般较大。各个神经元峰电位具有d个特征，d为大于或等于1的整数，即神经元峰电位的特征是一维或多维。
[0063]
s102、计算各个磁子与最近的k个邻居磁子之间的相互作用力，得到第一矩阵。
[0064]
其中，由于磁子的数量为n个，每个磁子有n-1个邻居磁子，如果计算磁子和n-1个磁子之间的相互作用力，那么计算量会很大。为了降低计算量，对于每个磁子来说，计算磁子和n-1个邻居磁子之间的距离，然后将计算得到的n-1个距离从大到小进行排序，取前面的k个对应的磁子得到k个邻居磁子，然后计算该磁子和k个邻居磁子之间的相互作用力，计算相互作用力的方法参见公式(2)所示，xi表示第i个神经元峰电位的特征值，xj表示第j个神经元峰电位的特征值。
[0065]
计算各个磁子和最近的k个邻居磁子之间的相互作用力，得到第一矩阵，第一矩阵由于n行k列的元素，每一行对应一个磁子，一行中的k个元素即为该磁子和最近的k个邻居磁子之间的相互作用力。第一矩阵中各个元素具有一个二维索引，二维索引即两个磁子的序号。
[0066]
s103、将第一矩阵中的各个元素按照从小到大的顺序进行排列得到第二矩阵。
[0067]
其中，将第一矩阵中的n
×
k个元素按照从小到大的顺序进行排列成一行得到第二矩阵，第二矩阵由1行n
×
k列的元素组成，同时记录第二矩阵中各个元素在第一矩阵中的二维索引。
[0068]
s104、对第二矩阵中的各个元素进行累加求和得到预估矩阵。
[0069]
其中，预估矩阵由于1行n
×
k列元素组成，设第一矩阵中第i个元素为ai，预估矩阵中的第i个元素为bi，那么bi＝ai+a
i-1
+、
…
、+a1，即累加求和的方法为：对于第一矩阵中的第i个元素来说，将第i个元素、第i-1个元素、
…
、第1个元素进行累加得到的值替换该第i个元素。例如：对于第二矩阵中的第3个元素来说，将第3个元素、第2个元素和第1个元素进行累加得到的值替换第3个元素。
[0070]
s105、并行的生成符合波茨曼概率分布的y个哈密尔顿能量。
[0071]
其中，计算机设备同时生成符合波茨曼概率分布的y个哈密尔顿能量，例如：计算机设备具有n个处理核心，每个处理核心分别生成一个符合波茨曼概率分布的哈默尔顿能
量，以提高处理效率。
[0072]
在一个或多个可能的实施例中，可以根据波兹曼概率分布规律，利用逆变换采样法(inverse cdf sampling)，同时生成y个h(si)：
[0073]
h(si)＝-t*ln[1-ri]fori＝1...y。
[0074]
因为h(si)为系统内所有磁子的相互作用力j
ij
之和(公式(1))，下一步就是如何选择jij，使他们的和达到h(si)。选到j
ij
的磁子之间有不同的自旋值，而没有选到j
ij
的磁子之间具有相同的自旋值(绑定)；通过这样的选择就可以构成一个新的系统自旋状态si，使得si的能量h(si)符合波兹曼概率分布。
[0075]jij
的具体选择方法上可参考上述的wolf算法：磁子i和磁子j之间是否绑定(即相同的自旋值)以概率来判决，绑定的j
ij
是不参与h(si)的计算，其余的j
ij
参与h(si)的计算，最终计算得出的h(si)符合波兹曼概率分布。因为和磁子之间的距离成反比：即磁子之间的距离越小，绑定的概率就越大。所以在wolf算法中大概率选择的j
ij
是由那些距离较远的磁子之间产生。基于此，本技术在选择j
ij
时，直接选择那些距离较大的磁子之间所产生的j
ij
：即数值较小的j
ij
(j
ij
的大小和磁子之间的距离成反比)。根据这些选择，可直接得出磁子i和磁子j总的绑定次数及概率，从而利用概率来进行聚类。
[0076]
wolf算法每次用概率来判断磁子i和磁子j是否绑定，而本技术的做法是选择较小的j
ij
值相关的磁子来直接绑定，二者的聚类效是一致的：因为系统聚类是利用磁子i和j总的绑定概率g
ij
来判决，因为正比于jij，反比于磁子距离，wolf算法大概率选择的也是距离大、且j
ij
小的磁子来构成h(si)。只不过本技术计算出的g
ij
概率是100％，而wolf算法计算出的概率可能是90％，但都远远超过0.5的threshold值，所以最终的分类结果是一致的。
[0077]
s106、对于各个哈密尔顿能量在预估矩阵中查找最接近的元素。
[0078]
其中，对于y个哈密尔顿能量中的每个哈密尔顿能量来说，在预估矩阵中查找最接近的元素，共计需要执行y次查找，本技术可以并行的在预估矩阵中执行y次查找，以提高查找效率。对于任意一个哈默尔顿能量来说，n
×
k个元素中最接近的元素表示差值最小的元素。
[0079]
s107、确定最接近的元素之前的各个元素的二维索引。
[0080]
s108、筛选出第一矩阵对应的索引集合中除确定的二维索引之外的二维索引。
[0081]
s109、将筛选出的二维索引对应的磁子对进行绑定。
[0082]
s110、根据y次绑定结果，统计任意两个磁子之间的概率值。
[0083]
s111、根据概率值对n个神经元峰电位进行聚类。
[0084]
其中，假设最接近的元素为预估矩阵中的第k个元素，那么第k个元素之前的元素即第1个元素至第k-1个元素，共计k-1个元素，确定k-1个元素中各个元素在第一矩阵中的二维索引，第一矩阵包含的n
×
k个元素的索引组成索引集合，筛选出索引集合中除k-1个元素的二维索引之外的二维索引，将筛选出的二维索引对应的磁子对进行绑定，k-1个元素的二维索引对应的磁子对不进行绑定。然后根据y次查找得到的绑定结果，统计任意两个磁子之间的概率值。
[0085]
例如：对于磁子i和磁子j来说，计算磁子i和磁子j之间的概率值g
ij
。假设，y＝5，根
据第5次绑定结果获知磁子1和磁子2之间有4次进行绑定，1次未进行绑定，那么磁子1和磁子2之间的概率值为4/5＝0.8，假设threshold＝0.5，计算得到的概率值g
12
大于0.5，那么磁子1和磁子2之间归为同一类。
[0086]
本技术实施例的分类方法中采用可并行实现的生成系统状态，使得对算法需求的系统状态数目的运算可同时进行，新状态的产生不需要用概率运算来遍历系统内的所有磁子，而是通过查表来完成，查表的过程也经过了算法上的优化；因此可以极大提高分类过程的运行速度。
[0087]
参见图2的分类方法性能示意图，方法1为本技术的分类方法，方法2为现有技术的分类方法，在获得类似聚类精度的基础上，本技术的分类方法至少有8.7倍以上的速度提升。需要聚类的数据量越大，本技术加速算法执行效率的效果也更加明显。这使得即使面对海量的大数据应用，本技术的分类方法也可以继续发挥其独特的聚类优势。
[0088]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0089]
请参见图3，其示出了本技术一个示例性实施例提供的基于并行超顺磁聚类算法的神经元峰电位分类装置的结构示意图，以下简称装置3。该装置3可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分。装置4包括：获取单元301、计算单元302、排序单元303、求和单元304、生成单元305、绑定单元306、聚类单元307。
[0090]
获取单元301，用于获取待分类的n个神经元峰电位，并作为n个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，n为大于1的整数；
[0091]
计算单元302，用于计算各个磁子与最近的k个邻居磁子之间的相互作用力，得到第一矩阵；其中，k为小于n-1的整数，所述第一矩阵由于n行k列的元素组成，每个元素为一个相互作用力；
[0092]
排序单元303，用于将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行n
×
k列的元素组成；
[0093]
求和单元304，用于对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；
[0094]
生成单元305，用于并行的生成符合波茨曼概率分布的y个哈密尔顿能量；
[0095]
绑定单元306，用于并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；确定所述最接近的元素之前的各个元素的二维索引；筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；将筛选的二维索引对应的磁子对进行绑定；
[0096]
聚类单元307，用于根据y次绑定结果，统计任意两个磁子之间的概率值；根据所述概率值对所述n个神经元峰电位进行聚类。
[0097]
在一个或多个可能的实施例中，所述并行的生成符合波茨曼概率分布的y个哈密尔顿能量，包括：
[0098]
并行的采用逆变换采样法生成y个符合波茨曼概率分布的哈密尔顿能量：
[0099]
h(si)＝-t*ln[1-ri]，i＝1...y；其中，y为大于1的整数，ri为0～1之间的随机数，t为温度，ln是以10为底的对数。
[0100]
在一个或多个可能的实施例中，5≤k≤10，y≥300。
[0101]
需要说明的是，上述实施例提供的装置3在执行基于并行超顺磁聚类算法的神经元峰电位分类方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需
要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成上述的全部或者部分功能。另外，上述实施例提供的基于并行超顺磁聚类算法的神经元峰电位分类装置与基于并行超顺磁聚类算法的神经元峰电位分类方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
[0102]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0103]
本技术实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1所示实施例的方法步骤，具体执行过程可以参见图1所示实施例的具体说明，在此不进行赘述。
[0104]
本技术还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的基于并行超顺磁聚类算法的神经元峰电位分类方法。
[0105]
请参见图4，为本技术实施例提供了一种计算机设备的结构示意图。如图4所示，所述计算机设备400可以包括：至少一个处理器401，至少一个网络接口404，用户接口403，存储器405，至少一个通信总线402。
[0106]
其中，通信总线402用于实现这些组件之间的连接通信。
[0107]
其中，用户接口403可以包括显示屏(display)、摄像头(camera)，可选用户接口403还可以包括标准的有线接口、无线接口。
[0108]
其中，网络接口404可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
[0109]
其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个计算机设备400内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行计算机设备400的各种功能和处理数据。可选的，处理器401可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器401可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。
[0110]
其中，存储器405可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。可选的，该存储器405包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。如图4所示，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
[0111]
在图4所示的计算机设备400中，用户接口403主要用于为用户提供输入的接口，获
取用户输入的数据；而处理器401可以用于调用存储器405中存储的应用程序，并具体执行如图2所示的方法，具体过程可参照图2所示，此处不再赘述。
[0112]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
[0113]
以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。