基于多时间节点步态损失的认知功能评估模型、方法及装置与流程

1.本发明涉及医疗技术及深度学习技术领域，具体而言，尤其涉及一种基于多时间节点步态损失的认知功能评估模型、方法及装置。


背景技术：

2.认知功能下降在老年群体中是一种常见现象，认知功能下降可能会逐渐发展为轻度认知功能障碍(mci)，严重时发展为阿尔茨海默病(ad)，直至失去自理能力。在健康的老年人群中存在一定比例的轻度认知功能障碍，一般情况下其认知功能下降速度是缓慢的，一旦认知功能的下降速度加快，则意味着有可能患mci甚至ad。因此认知功能的下降速度与罹患mci甚至ad之间存在重要联系。
3.目前常用测试量表来评估认知功能状态，常用的测试量表包括简易智力状态检查(mmse)、蒙特利尔认知评估(moca)和阿尔茨海默病评估量表-认知子量表(adas-cog)。测试包含各种问题，每个问题有相应的分数，得分可以用于评估计算能力、语言能力、记忆力和理解力。例如，在mmse，这是一个30分的问卷，得分等于或小于27和等于或小于23分别表示mci和痴呆症的相对较高的可能性。若想要进一步确定认知能力的下降速度，则需要每隔几个月重复一次测试量表，将多次检查确定的认知能力得分进行统计分析才能确定认知功能的下降速度。另外，考虑到测试量表需要专业考官现场进行测试，导致专业的测试量表不能用于日常监测。且由于测试量表的问题是固定的，反复使用容易因为受试者记住答案而影响测试结果。


技术实现要素：

4.本发明提供一种基于多时间节点步态损失的认知功能评估方法及装置，主要基于多时间节点的双任务步态数据进行认知功能下降速度的评估，得到认知功能下降速度的数据结果，以便结合该数据结果以及其他相关症状或数据辅助对mci和ad进行预判。解决了现有技术中无法直接确定认知功能下降速度以及认知功能评估不准确的技术问题。
5.本发明采用的技术手段如下：
6.一种基于多时间节点步态损失的认知功能评估模型，所述模型为通过机器学习的方法构建的多因素回归模型；所述模型以各时间节点的双任务步态损失测试数据作为输入数据，输出认知功能评估结果；
7.将时间维度的双任务步态损失训练数据作为输入数据、将针对训练用步态数据提供者最近一次测试量表评估结果作为输出数据，训练认知功能评估模型；其中，时间维度的双任务步态损失训练数据的获取包括：
8.获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训练数据和双任务步态训练数据；
9.对每个时间节点采集的训练用步态数据进行预处理，从而得到各时间节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务
步态损失训练数据。
10.进一步地，所述针对训练用步态数据提供者最近一次测试量表评估结果根据以下方式获取：
11.分别采用三种测试量表moca、mmse以及adas-cog对训练用步态数据提供者进行认知功能评估测试，并获取测试得分，对使用三种测试量表获取的测试得分进行归一化处理后获取均值作为测试量表评估结果；
12.相应地，基于认知功能评估模型输出得到认知功能评估结果，包括：
13.将所述认知功能评估模型的输出
×
100作为认知功能评估得分。
14.进一步地，对每个时间节点采集的训练用步态数据进行预处理，从而得到各时间节点的双任务步态损失训练数据，包括：根据以下计算获取双任务步态损失训练数据：
[0015][0016]
其中，为双任务步态损失训练数据，为单任务步态训练数据，为双任务步态训练数据，n为步态数据维度，ti为当前时间节点，i＝0,1,2....。
[0017]
进一步地，基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据，包括根据以下计算获取时间维度的双任务步态损失训练数据：
[0018][0019]
其中，为时间维度的双任务步态损失训练数据，为时间节点ti下的双任务步态损失训练数据，为时间节点t
i+j
的双任务步态损失训练数据，t
i+j
表示与时间节点ti相邻j个时间节点的时间节点。
[0020]
进一步地，模型训练还包括：
[0021]
将后续接收的多时间节点采集的单任务步态数据和双任务步态数据加入训练用步态数据中，训练所述认知功能评估模型。
[0022]
进一步地，训练时对每个时间节点采集的多维步态数据进行预处理，包括对缺失的单任务步态训练数据和双任务步态训练数据进行补全，包括：
[0023]
对某数据维度的缺失，则将缺失维度赋值为其他受试者在该维度特征的平均值；
[0024]
对某维度数据的缺失，则将缺失的数据赋值为相邻数据的平均值。
[0025]
进一步地，多维步态数据根据以下获取：
[0026]
参与者正常行走8-10米，期间采集单任务步态数据；
[0027]
参与者正常行走8-10米，同时执行附加任务，期间采集双任务步态数据，所述附加任务为“说动物的名字”、“从100倒数”或者“说7的倍数”中的至少一个。
[0028]
进一步地，所述多维步态数据包括步幅、步速、步频、支撑相、摆动相、跨步时间、双支撑时间、单支撑时间、摆动时间、足趾离地角度和足跟着地角度。
[0029]
本发明还公开了一种基于多时间节点步态损失的认知功能评估方法，所述方法包括：
[0030]
获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训
练数据和双任务步态训练数据；
[0031]
对每个时间节点采集的训练用步态数据进行预处理，从而得到各时间节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据；
[0032]
将所述时间维度的双任务步态损失训练数据作为输入数据、将针对训练用步态数据提供者最近一次测试量表评估结果作为输出数据，训练认知功能评估模型；所述模型为通过机器学习的方法构建的多因素回归模型；
[0033]
获取待测试步态数据，所述待测试步态数据包括多时间节点采集的单任务步态测试数据和双任务步态测试数据；
[0034]
对每个时间节点采集的待测试步态数据进行预处理，从而得到各时间节点的双任务步态损失测试数据；基于各时间节点的双任务步态损失测试数据求取时间维度的双任务步态损失测试数据；
[0035]
将所述时间维度的双任务步态损失测试数据输入认知功能评估模型，基于认知功能评估模型输出得到认知功能评估结果。
[0036]
本发明还公开了一种基于多时间节点步态损失的认知功能评估装置，所述装置包括：
[0037]
训练数据获取单元，其用于获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训练数据和双任务步态训练数据；
[0038]
训练数据预处理单元，其用于对每个时间节点采集的训练用步态数据进行预处理，从而得到各节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据；
[0039]
训练单元，其用于将所述时间维度的训练双任务步态损失作为输入数据、将最近一次测试量表评估结果作为输出数据，训练认知功能评估模型；
[0040]
待测试数据获取单元，其用于获取待测试步态数据，所述待测试步态数据包括多时间节点采集的单任务步态测试数据和双任务步态测试数据；
[0041]
待测试数据预处理单元，其用于对每个时间节点采集的待测试步态数据进行预处理，从而得到各时间节点的双任务步态损失测试数据；基于各时间节点的双任务步态损失测试数据求取时间维度的双任务步态损失测试数据；
[0042]
评估单元，其用于将所述时间维度的双任务步态损失测试数据输入认知功能评估模型，基于模型输出得到认知功能评估结果。
[0043]
较现有技术相比，本发明具有以下优点：
[0044]
1、本发明提出了一种基于多任务、多时间节点的自动检测认知功能评价方法，检测结果与通用的测试量表得分呈线性关系，能够为医疗实践提供有效的数据支持。
[0045]
2、本发明使用多时间节点的双任务步态特征评估受试者认知功能下降速度，与直接使用主观量表相比，模型训练完成后即可在没有考官的情况下进行认知功能评估，操作简便，可实施性更强，经过简单说明后测试过程可以由受试者自行展开。
[0046]
3、本发明采用的双任务模式，除行走外的另一项任务，是简单且可更换的，不需要考虑受试者记住答案的情况。相对于主观量表，该测试可在短期内(以周为单位)重复测试，耗时短，且数据客观，减弱了受试者情绪带来的影响。
[0047]
4、本发明提取时间维度的差值特征，及时掌握受试者的认知水平进展情况，可以将认知水平进展带来的风险提升体现在最终的评估结果当中，对于病情的监测具有重要意义。
[0048]
基于上述理由本发明方法既可以使用高精度采集设备进行院内评估，也可以使用简易终端采集设备由高风险人群居家自行使用，实现长时间监测认知水平损伤的进展情况。
附图说明
[0049]
为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1为本发明一种基于多时间节点步态损失的认知功能评估方法流程图。
[0051]
图2为实施例中使用本发明方法进行认知功能评估的流程图。
[0052]
图3为本发明基于多时间节点步态损失的认知功能评估装置结构框图。
具体实施方式
[0053]
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0054]
本发明实施例一方面提供一种基于多时间节点步态损失的认知功能评估模型，该模型为通过机器学习的方法构建的多因素回归模型。模型以各时间节点的双任务步态损失测试数据作为输入数据，输出认知功能评估结果。将时间维度的双任务步态损失训练数据作为输入数据、将针对训练用步态数据提供者最近一次测试量表评估结果作为输出数据，训练认知功能评估模型。
[0055]
优选地，针对训练用步态数据提供者最近一次测试量表评估结果根据以下方式获取：分别采用三种测试量表moca、mmse以及adas-cog对训练用步态数据提供者进行认知功能评估测试，并获取测试得分，对使用三种测试量表获取的测试得分进行归一化处理后获取均值作为测试量表评估结果；
[0056]
相应地，基于认知功能评估模型输出得到认知功能评估结果，包括：将认知功能评估模型的输出
×
100作为认知功能评估得分。
[0057]
进一步地，时间维度的双任务步态损失训练数据的获取包括：
[0058]
s001、获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训练数据和双任务步态训练数据。
[0059]
具体来说多维步态数据根据以下获取：参与者正常行走8-10米，期间采集单任务步态数据；参与者正常行走8-10米，同时执行附加任务，期间采集双任务步态数据，所述附加任务为“说动物的名字”、“从100倒数”或者“说7的倍数”中的至少一个。优选地，所述多维
步态数据包括步幅、步速、步频、支撑相、摆动相、跨步时间、双支撑时间、单支撑时间、摆动时间、足趾离地角度和足跟着地角度。
[0060]
s002、对每个时间节点采集的训练用步态数据进行预处理，从而得到各时间节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据。
[0061]
其中，训练时对每个时间节点采集的多维步态数据进行预处理，包括对缺失的单任务步态训练数据和双任务步态训练数据进行补全，具体来说，对某数据维度的缺失，则将缺失维度赋值为其他受试者在该维度特征的平均值；对某维度数据的缺失，则将缺失的数据赋值为相邻数据的平均值。
[0062]
进一步地，模型训练还包括：将后续接收的多时间节点采集的单任务步态数据和双任务步态数据加入训练用步态数据中，训练所述认知功能评估模型。
[0063]
如图1所示，本发明实施例另方面提供了一种基于多时间节点步态损失的认知功能评估方法，包括：
[0064]
s1、获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训练数据和双任务步态训练数据。
[0065]
步态是重要的行为学指标，通常通过其时空特征来描述，例如步长、步速、步宽、步幅、步幅时间、摆动时间、支撑时间(平均步态特征)及其各自的可变性和不对称性(动态步态特征)。先前的研究表明，步态与认知有着密切的关系。例如，andrea l.rosso等人发现步态减慢与认知水平之间的关联得到了共同神经基质的支持，该基质包括较小的右侧海马体。tools annika等人发现整体认知和每个认知领域都与步速相关，执行功能与步态控制的相关性最强，可能反映了更高层次的认知过程和复杂的运动任务反应。由于步态与认知能力相关，因此具有不同的认知能力的人群所表现的步态状态也不一样。越来越多的研究证明了这一点，beauchet olivier在通过步态评估痴呆患者时发现步长的高平均值和变异系数是中度痴呆的特征，而步幅时间变异系数的增加则与mci状态有关。不同行走任务下的步态数据是不同的，常见到的行走任务有单任务、双任务和多任务等。单任务是以自己的正常步速行走，不做额外的行为。双任务，即两个不同的任务同时执行，已被发现在检测低认知状态方面有效。其基本思想是，与单一任务相比，同时执行两项不同的任务会带来更重的认知负荷，尤其是对于认知状态较低的人。双任务是一种公认的评估认知和移动性之间相互作用的方法，它包括在行走时同时执行另一项活动。双任务步态已被证明在认知障碍的个体中比在没有认知障碍的个体中受影响更大。在双任务条件下，患有amci的参与者比认知正常的老年人表现出更多的步态减慢，ad组的步态变化与认知正常的对照组有显著的统计学差异。在已有的研究中表明，单任务情况下健康组与认知水平组在步态数据上几乎没有差异，但是在双任务情况下，二者有着明显差异。因此计算某些维度的双任务步态损失(dual-task gait cost)可以实现对健康人、mci、ad的区分。
[0066]
具体来说，在训练数据提取阶段，所有参与者需要间隔一定时间进行一次步态测试和测试量表评估(moca，mmse，adas-cog)测试(测试量表在连续评估中使用替代测试版本，以避免潜在的学习影响)。每次完整的步态测试需要完成两个步态测验，一个单任务测验，一个双任务测验，行走长度8-10米。单任务测验即是自由行走：参与者以舒适的速度进行行走，无任何额外的行为。双任务测验按照难度从低到高包括说动物的名字，从100倒数，
说7的倍数。双任务测验的选择参考主观量表评估中对于受教育年限等条件的要求，尽可能选择能力范围内难度最高的双任务测验。以下列举三种不同难度双任务步态测试过程：
[0067]
说动物名字：在平整的地面进行测试，参与者开始行走，同时随机说出想到的动物名字。
[0068]
倒数100：在平整的地面进行测试，参与者开始行走，并开始进行从100倒计数，例如：100，99，98...。
[0069]
倍数7：在平整的地面进行测试，参与者开始行走，同时数7的倍数，例如：7，14，21...。
[0070]
单/双任务步态测验采集的步态参数均一致，包括步幅、步速、步频、支撑相、摆动相、跨步时间、双支撑时间、单支撑时间、摆动时间、足趾离地角度和足跟着地角度，采集数据可缺省。优选地，本技术中步态数据采集可以但不限于使用可穿戴步态采集设备(jibuen)。jibuen常以鞋或鞋垫的形式，嵌入传感器模块采集受试者步态信息，配合穿戴于肢体和躯干的整合角度计模块，与足部信息结合可以得出多维度下肢与足部运动动态的时间、距离和角度信息。
[0071]
s2、对每个时间节点采集的训练用步态数据进行预处理，从而得到各时间节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据。
[0072]
步态损失反映的是认知功能的下降，步态损失越严重，认知功能下降的也越多。本技术中采用时间维度的双任务步态损失训练数据，一方面从多任务的角度客观准确的表征步态损失的大小，另一方面从多时间维度的角度表征步态损失的变化趋势，由此能够客观准确的反映并量化认知功能的下降趋势或下降速度。
[0073]
具体来说，对训练用步态数据进行预处理，主要检测所述受试者的单任务步态数据和双任务步态数据是否缺失信息，若存在某一维度数据缺失，则将该维度记为缺省。所有缺省维度赋值为其他受试者在该维度特征的平均值。若某维度数据存在少量缺失，则采用对相邻采集点数据求均值的方法补齐。维度的缺省可能造成最终评估值准确度的下降，最终记录n维单任务步态训练数据(x1,x2,....xn)和n维双任务步态训练数据(y1,y2,....yn)。
[0074]
随后，基于单任务步态数据和双任务步态数据进行特征提取。特征提取的过程主要包括两个阶段，第一个阶段是获取双任务步态损失训练数据，第二个阶段是获取时间维度的双任务步态损失训练数据。
[0075]
具体来说，根据预处理后的在时间节点ti(i取值为0,1,2....)多维度的单任务步态训练数据和双任务步态训练数据求取双任务步态损失训练数据：
[0076][0077]
其中，为双任务步态损失训练数据，为单任务步态训练数据，为双任务步态训练数据，n为步态数据维度，ti为当前时间节点，i＝0,1,2....。
[0078]
然后使用相邻j个时间节点t
i+j
与ti的双任务步态损失求取时间维度的双任务步态损失训练数据：
[0079][0080]
其中，为时间维度的双任务步态损失训练数据，为时间节点ti下的双任务步态损失训练数据，为时间节点t
i+j
的双任务步态损失训练数据，t
i+j
表示与时间节点ti相邻j个时间节点的时间节点。
[0081]
s3、将所述时间维度的训练双任务步态损失作为输入数据、将最近一次测试量表评估结果作为输出数据，训练认知功能评估模型。
[0082]
本发明中，使用专业设备周期性采集认知功能障碍和健康人的两次间隔相同时间的多维度步态数据，与三种主观量表(moca，mmse，adas-cog)得分归一化后均值数据，作为训练标签构建机器学习模型。
[0083]
具体来说，将各类不同受试者(认知水平人群/健康人)的时间维度的双任务步态损失训练数据作为输入参数，同时各受试者分别采用三种或以上主观量表(moca，mmse，adas-cog等)进行测试，将最后一次主观量表得分进行归一化后求均值，将该均值设置为机器学习算法的输出参数。通过机器学习的方法构建多因素回归模型，使用该模型即可对新的受试者的时间维度的双任务步态损失进行测量。
[0084]
进一步地，本发明中训练后的认知功能评估，其输出的结果需要进行反归一化，即乘以100，方可得出对应的认知功能评估结果，由于以时间维度的训练双任务步态损失作为模型训练的输入数据，因此得到的认知功能评估结果能够反映出认知功能的下降速度，是认知功能的下降速度的量化值，该结果是与量表值(moca，mmse，adas-cog等)高度相关的。
[0085]
更进一步地，如图2所示，该回归模型设置为自适应模型，该模型具备一定的自适应能力，未来持续新输入的多时间节点步态数据，包括不同受试者/同一受试者的不同时间步态数据，均可以通过记录其测试量表(moca，mmse，adas-cog等)测试结果的方式对原有模型进行修正。在持续的使用过程中使用新的输入参数，即多维度步态参数和评估量表值，自适应地对模型参数进行不断修改与完善。
[0086]
s4、获取待测试步态数据，所述待测试步态数据包括多时间节点采集的单任务步态测试数据和双任务步态测试数据。
[0087]
具体来说，模型训练完成后，即可使用模型进行认知功能评估。评估前需要采集待测试步态数据，包括n维单任务步态训练数据(x1,x2,....xn)和n维双任务步态训练数据(y1,y2,....yn)。
[0088]
s5、对每个时间节点采集的待测试步态数据进行预处理，从而得到各时间节点的双任务步态损失测试数据；基于各时间节点的双任务步态损失测试数据求取时间维度的双任务步态损失测试数据。
[0089]
基于单任务步态数据和双任务步态数据进行特征提取。特征提取的过程主要包括两个阶段，第一个阶段是获取双任务步态损失测试数据，第二个阶段是获取时间维度的双任务步态损失测试数据。
[0090]
具体来说，根据预处理后的在时间节点ti(i取值为0,1,2....)多维度的单任务步态训练数据和双任务步态训练数据求取双任务步态损失测试数据：
[0091][0092]
其中，为双任务步态损失测试数据，为单任务步态测试数据，为双任务步态测试数据，n为步态数据维度，ti为当前时间节点，i＝0,1,2....。
[0093]
然后使用相邻j个时间节点t
i+j
与ti的双任务步态损失求取时间维度的双任务步态损失测试数据：
[0094][0095]
其中，为时间维度的双任务步态损失测试数据，为时间节点ti下的双任务步态损失测试数据，为时间节点t
i+j
的双任务步态损失测试数据，t
i+j
表示与时间节点ti相邻j个时间节点的时间节点。
[0096]
具体来说，进行数据处理时，将t1时刻的双任务步态损失设置为可缺省，当新的受试者第一次使用该设计时，将t0时刻的双任务步态损失赋值给即可以获得单时间节点的步态数据。此时有i＝0，j＝1，且有
[0097][0098]
此时，时间维度参数的缺省可能会导致评估准确度的下降，但模型仍然可以正常进行认知功能评估。
[0099]
而当第二次试验完成后，即获得t1时刻的双任务步态损失数据，可以将t0与t1时刻的双任务步态损失数据正常带入该模型，此时获得评估结果准确度较高，与当前测试量表值(moca,mmse,adas-cog等)值进行对比的话可以发现二者高度相关。
[0100]
另外，假设受试者在时间维度上的步态数据没有任何变化，即认知水平并没有随时间下降(大多数正常成年人都是这样)，在这种情况下，获取的时间维度的双任务步态损失测试数据的后项(即)，此时，仍然可以通过前项(即)获得认知评估结果。如此即实现评估结果通过模型就与双任务步态损失直接建立联系。
[0101]
s6、将所述时间维度的双任务步态损失测试数据输入认知功能评估模型，基于模型输出得到认知功能评估结果。
[0102]
如图3所示，本发明实施例另方面还提供了一种基于多时间节点步态损失的认知功能评估装置，所述装置包括：
[0103]
训练数据获取单元，其用于获取训练用步态数据，所述训练用步态数据包括多时间节点采集的单任务步态训练数据和双任务步态训练数据；
[0104]
训练数据预处理单元，其用于对每个时间节点采集的训练用步态数据进行预处
理，从而得到各节点的双任务步态损失训练数据；基于各时间节点的双任务步态损失训练数据求取时间维度的双任务步态损失训练数据；
[0105]
训练单元，其用于将所述时间维度的训练双任务步态损失作为输入数据、将最近一次测试量表评估结果作为输出数据，训练认知功能评估模型；
[0106]
待测试数据获取单元，其用于获取待测试步态数据，所述待测试步态数据包括多时间节点采集的单任务步态测试数据和双任务步态测试数据；
[0107]
待测试数据预处理单元，其用于对每个时间节点采集的待测试步态数据进行预处理，从而得到各时间节点的双任务步态损失测试数据；基于各时间节点的双任务步态损失测试数据求取时间维度的双任务步态损失测试数据；
[0108]
评估单元，其用于将所述时间维度的双任务步态损失测试数据输入认知功能评估模型，基于模型输出得到认知功能评估结果。
[0109]
对于本发明的一种基于多时间节点步态损失的认知功能评估装置而言，由于其与上面实施例中的一种基于多时间节点步态损失的认知功能评估方法相对应，所以描述的比较简单，相关相似之处请参见上面实施例中一种基于多时间节点步态损失的认知功能评估方法部分的说明即可，此处不再详述。
[0110]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0111]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0112]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0113]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0114]
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
方案的范围。