一种心电信号的去噪方法、去噪系统、设备以及存储介质

1.本发明涉及心电信号处理相关技术领域，尤其是涉及一种心电信号的去噪方法、去噪系统、设备以及存储介质。


背景技术：

2.心电信号分析对心脏疾病的检测非常重要。心电信号的幅值和频率可能因噪声的腐蚀而变化，进而引起检测实际异常的问题。这会在后续的医学病理分析中造成很大误导性，它会影响被正确诊断的准确度，甚至会延误病人及时就医的时间。
3.随着深度学习的发展以及它在各大领域取得的重大成就，许多的学者开始往深度学习展开深入的研究。与传统的小波去噪、经验模态分解等技术相比，这些基于深度学习的方法都取得了很好的性能，基于深度学习的去噪技术已经很多，但有些工作结果还表明，仍有进一步改进的余地，特别是在em和ma等噪声条件下，它的效果有待提升。


技术实现要素：

4.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。本发明提供了一种心电信号的去噪方法、去噪系统、设备以及存储介质。
5.本发明的第一方面提供了一种心电信号的去噪方法，所述去噪方法包括：
6.获取待去噪的心电信号；
7.构建去噪网络模型，并将所述待去噪的心电信号输入至所述去噪网络模型中，得到所述去噪网络模型输出去噪后的心电信号；其中，所述去噪网络模型以rdn网络为主干网络，并将所述rdn网络中的每个rdb模块都替换成去噪模块；当前的所述去噪模块以所述rdb模块为主干模块，所述去噪模块在所述rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，所述自适应学习阈值模块与所述1
×
1卷积层连接，用于自适应学习所述心电信号的感兴趣特征并基于所述感兴趣特征确定所述心电信号的阈值，所述软阈值函数用于根据所述自适应学习阈值模块学习到的所述心电信号的阈值对所述1
×
1卷积层的输出结果中的噪声特征进行去除，所述软阈值函数的输出结果用于与前一个所述去噪模块的输出结果进行融合，所述当前的所述去噪模块与所述前一个所述去噪模块级联。
8.根据本发明的第一方面，至少具有如下有益效果：
9.本方法首先构建一个去噪网络模型，本去噪网络模型基于rdn网络模型进行改进，将rdn网络中的每个rdb模块都替换成去噪模块，其中去噪模块在rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，通过自适应学习阈值模块自适应地学习心电信号的感兴趣特征并基于感兴趣特征确定心电信号的阈值，通过软阈值函数根据自适应学习阈值模块学习到的心电信号的阈值对1
×
1卷积层的输出结果中的噪声特征进行去除。本方法在去噪网络模型中嵌入了一个自适应学习阈值模块和一个软阈值函数，用来对噪声进行抑制，能够提取到更加精细有用的心电信号特征。
10.根据本发明的一些实施例，在将所述心电信号输入至所述去噪网络模型时，还包括：以纯净的心电信号作为标签。
11.根据本发明的一些实施例，所述去噪模块在所述自适应学习阈值模块之后，还包括模拟自注意力模块，所述模拟自注意力模块用于接收所述软阈值函数的输出结果，并对所述软阈值函数的输出结果进行去噪。
12.根据本发明的一些实施例，所述自适应学习阈值模块通过如下方式自适应学习所述心电信号的感兴趣特征并基于所述感兴趣特征确定所述心电信号的阈值：
13.通过绝对值运算和平均池化操作去除所述1
×
1卷积层的输出结果中的冗余数据，得到第一子输出结果；
14.对所述第一子输出结果进行一个1
×
1卷积操作，得到第二子输出结果；其中，所述1
×
1卷积操作的卷积核尺寸使用核自适应；
15.对所述第二子输出结果使用sigmoid操作，得到第三子输出结果；
16.将所述第一子输出结果和所述第三子输出结果做矩阵乘，得到所述自适应学习阈值模块的输出结果。
17.根据本发明的一些实施例，所述去噪网络模型采用的l1损失函数包括：
[0018][0019]
其中，表示所述去噪网络模型输出的去噪后的心电信号，表示纯净的心电信号，n表示输入所述去噪网络模型中的心电信号的数量。
[0020]
根据本发明的一些实施例，所述软阈值函数包括：
[0021][0022]
其中，τ表示所述自适应学习阈值模块学习到的所述心电信号的阈值，x表示所述1
×
1卷积层的输出结果。
[0023]
本发明第二方面提供了一种心电信号的去噪系统，所述去噪系统包括：
[0024]
数据获取单元，用于获取待去噪的心电信号；
[0025]
数据去噪单元，用于构建去噪网络模型，并将所述待去噪的心电信号输入至所述去噪网络模型中，得到所述去噪网络模型输出去噪后的心电信号；其中，所述去噪网络模型以rdn网络为主干网络，并将所述rdn网络中的每个rdb模块都替换成去噪模块；当前的所述去噪模块以所述rdb模块为主干模块，所述去噪模块在所述rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，所述自适应学习阈值模块与所述1
×
1卷积层连接，用于自适应学习所述心电信号的感兴趣特征并基于所述感兴趣特征确定所述心电信号的阈值，所述软阈值函数用于根据所述自适应学习阈值模块学习到的所述心电信号的阈值对所述1
×
1卷积层的输出结果中的噪声特征进行去除，所述软阈值函数的输出结果用于与前一个所述去噪模块的输出结果进行融合，所述当前的所述去噪模块与所述前一个所述去噪模块级联。
[0026]
根据本发明的一些实施例，所述去噪模块在所述自适应学习阈值模块之后，还包
括：模拟自注意力模块，所述模拟自注意力模块用于接收所述软阈值函数的输出结果，并对所述软阈值函数的输出结果进行去噪。
[0027]
本发明第三方面提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述的心电信号的去噪方法。
[0028]
本发明第四方面提供了一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述的心电信号的去噪方法。
[0029]
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0030]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0031]
图1是rdn网络模型的结构示意图；
[0032]
图2是rdn网络模型中的rdb模块的结构示意图；
[0033]
图3是本发明一实施例提供的一种心电信号的去噪方法的流程示意图；
[0034]
图4是本发明一实施例提供的去噪网络模型的结构示意图；
[0035]
图5是本发明一实施例提供的去噪模块的结构示意图；
[0036]
图6是本发明一实施例提供的自适应学习阈值模块的结构示意图；
[0037]
图7是本发明一实施例提供的模拟自注意力模块的结构示意图；
[0038]
图8是本发明一实施例提供的本方法的实验效果示意图；
[0039]
图9是本发明一实施例提供的一种心电信号的去噪系统的结构示意图；
[0040]
图10是本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
[0041]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0042]
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0043]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
[0044]
心电信号分析对心脏疾病的检测非常重要。心电信号的幅值和频率可能因噪声的
腐蚀而变化，进而引起检测实际异常的问题。这会在后续的医学病理分析中造成很大误导性，它会影响被正确诊断的准确度，甚至会延误病人及时就医的时间。因此，心电信号的去噪成为了心电图处理任务中的重中之重。
[0045]
噪声的类型一般有基线漂移(bw)、肌肉伪影(ma)、电极运动(em)和电力线干扰(pli)。基线漂移是由测量电极接触不良、呼吸引起的低频干扰信号，其频率小于5hz表现为心电信号偏离正常基线位置；肌肉伪影一般源于肌肉的收缩和颤动；电极运动是由皮肤阻抗和皮肤电位变化引起的；工频干扰(pli)主要是由信号采集过程和用于检测的交流(ac)电源引起的；这些噪声会影响心电图特定的频带，还有一些信道噪声会影响心电图的整个频带，比如：高斯白噪声(awgn)等。
[0046]
迄今为止，心电信号去噪的方法数不胜数。最开始采用的基本都是滤波器，比如低通滤波器，自适应滤波器或者滤波器组。此外，一些文献中也使用了最小均方(lms)、递推均方、维纳滤波和卡尔曼滤波。自适应滤波又分为线性滤波和非线性滤波，线性滤波(维纳滤波、卡尔曼滤波)的缺点是滤波器算法会出现极大的性能退化，如收敛性能差，均方误差大等，而非线性滤波器的计算复杂度随着滤波器阶数的增加呈指数增长，比如：volterra滤波器、hammerstein滤波器、hammerstein-wiener型滤波器等。
[0047]
随着深度学习的发展以及它在各大领域取得的重大成就，许多的学者开始往深度学习展开深入的研究。与现有的技术相比，这些基于深度学习的方法都取得了很好的性能，基于现有的一些结合深度学习方法去噪或者用深度学习方法直接去噪的分析，深度学习为ecg去噪打开了新视野，并存在巨大的发展空间。
[0048]
随着深度学习的发展以及它在各大领域取得的重大成就，许多的学者开始往深度学习展开深入的研究。与传统的小波去噪、经验模态分解等技术相比，这些基于深度学习的方法都取得了很好的性能，基于深度学习的去噪技术已经很多，但有些工作结果还表明，仍有进一步改进的余地，特别是在em和ma等噪声条件下，它的效果有待提升。
[0049]
在介绍本发明实施例之前，先介绍rdn网络模型和rdb模块；
[0050]
参照图1，rdn网络模型(residual dense network)主要基于d个rdb模块进行全局特征融合(gff)和全局残差学习(grl其实就是long skip connection)，将每个rdb模块提取的局部特征进行concat融合之后和来自低层特征信息进行残差连接，从而使得低层特征和高层特征相结合并迫使网络去学习更多的残差信息。通过gff和grl组成的dense feature fusion(dff)来提取全局特征。
[0051]
参照图2，rdb模块由c个卷积层(包括relu)通过dense结构相连(lff)，并使用局部残差学习lrl(其实就是short skip connection)将上一个rdb模块输出的特征信息和当前rdb模块输出的特征信息进行结构。此外上一个rdb模块的输出特征还会依次加入到dense结构的每一个层中，形成相邻存储(cm)。
[0052]
为了解决上述技术缺陷，参照图3，本发明的一个实施例，提供了一种心电信号的去噪方法，本去噪方法包括如下步骤s101和s102：
[0053]
步骤s101、获取待去噪的心电信号。
[0054]
步骤s102、构建去噪网络模型，并将待去噪的心电信号输入至去噪网络模型中，得到去噪网络模型输出去噪后的心电信号；其中，去噪网络模型以rdn网络为主干网络，并将rdn网络中的每个rdb模块都替换成去噪模块；当前的去噪模块以rdb模块为主干模块，去噪
模块在rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，自适应学习阈值模块与1
×
1卷积层连接，用于自适应学习心电信号的感兴趣特征并基于感兴趣特征确定心电信号的阈值，软阈值函数用于根据自适应学习阈值模块学习到的心电信号的阈值对1
×
1卷积层的输出结果中的噪声特征进行去除，软阈值函数的输出结果用于与前一个去噪模块的输出结果进行融合，当前的去噪模块与前一个去噪模块级联。
[0055]
本方法首先构建一个去噪网络模型，然后利用去噪网络模型对待去噪的心电信号进行去噪，本去噪网络模型基于rdn网络模型进行改进，将rdn网络中的每个rdb模块都替换成去噪模块，其中去噪模块在rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，通过自适应学习阈值模块自适应地学习心电信号的感兴趣特征并基于感兴趣特征确定心电信号的阈值，通过软阈值函数根据自适应学习阈值模块学习到的心电信号的阈值对1
×
1卷积层的输出结果中的噪声特征进行去除。本方法在去噪网络模型中嵌入了一个自适应学习阈值模块和一个软阈值函数，用来对噪声进行抑制，能够提取到更加精细有用的心电信号特征。
[0056]
如图4所示，去噪网络模型是基于rdn网络模型改进形成，其中，rdn网络模型的结构示意图如图1所示，相较于rdn网络模型，去噪网络模型将rdb模块替换成去噪模块。如图5所示，去噪模块是基于rdb模块进行修改，其在rdb模块上增加了自适应学习阈值模块(在图5中通过“subnet”来表示)和软阈值函数(通过“1
×
1”和“self-att”之间的符号表示)。需要注意的是，图5中的“self-att”是后续实施例提供的模拟自注意力模块，此处不细述。
[0057]
在一些实施例的步骤s102中，由于rdb模块本身考虑了特征重用和残差学习，它能提取丰富的特征，因此本实施例在其中增加的自适应学习阈值模块的主要作用就是：为了更好地学习到感兴趣的特征，以便使得网络中的每个ecg信号(心电信号)都可以有自己的阈值集。软阈值函数(即一种收缩函数)的主要作用就是：软阈值作为非线性变换层插入到深层结构中，以此来有效的消除噪声相关特征。
[0058]
参照图6，图6是自适应学习阈值模块的网络结构，具体的，自适应学习阈值模块通过如下步骤自适应学习心电信号的感兴趣特征并基于感兴趣特征确定心电信号的阈值：
[0059]
步骤s1021、通过绝对值运算和平均池化操作去除1
×
1卷积层的输出结果中的冗余数据，得到第一子输出结果。
[0060]
步骤s1022、对第一子输出结果进行一个1
×
1卷积操作，得到第二子输出结果；其中，1
×
1卷积操作的卷积核尺寸使用核自适应。其核大小可以采用类似eca中核自适应的方法。
[0061]
步骤s1023、对第二子输出结果使用sigmoid操作，得到第三子输出结果。
[0062]
步骤s1024、将第一子输出结果和第三子输出结果做矩阵乘，得到自适应学习阈值模块的输出结果。
[0063]
具体的，软阈值函数包括：
[0064][0065]
其中，τ表示自适应学习阈值模块学习到的心电信号的阈值，x表示1
×
1卷积层的输出结果。
[0066]
在自适应学习阈值模块和软阈值函数的作用下，将对心电信号进行去噪。若经过自适应学习阈值模块和软阈值函数之后的信号中还存在残余噪声，则还需要进一步去除。因此，参照图4和图7(为模拟自注意力模块的结构示意图)，在本发明的一些实施例中，去噪模块在自适应学习阈值模块之后，还包括模拟自注意力模块，模拟自注意力模块用于接收软阈值函数的输出结果，并对软阈值函数的输出结果进行去噪。
[0067]
在本发明的一些实施例中，去噪网络模型采用的l1损失函数包括：
[0068][0069]
其中，表示去噪网络模型输出的去噪后的心电信号，表示纯净的心电信号，n表示输入去噪网络模型中的心电信号的数量。
[0070]
为了进一步阐述，本发明的另一个实施例，提供了一种心电信号的去噪方法，本方法包括如下：
[0071]
本方法使用的网络框架图如图4、5所示，图4是去噪网络模型的结构示意图，图5是去噪网络模型中的去噪模块的结构示意图。
[0072]
本方法包括如下步骤：
[0073]
s201、构建去噪网络模型。
[0074]
s202、将相对纯净的心电信号进行人工加噪之后输入至去噪网络模型中，并将不加噪的相对纯净的心电信号作为标签，得到去噪网络模型输出的去噪后的心电信号。
[0075]
在步骤s202中，去噪网络模型用去噪模块作为去噪块对输入信号进行有用特征学习并对无用特征去除。由于rdb模块考虑了特征重用和残差学习，它能提取丰富的特征，以此本实施例以rdb模块作为基本块，对其进行变形改进成为去噪模块，去噪模块在rdb模块中加入了自适应学习阈值的子网络，这是为了更好地学习到感兴趣的特征，然后用软阈值函数对学习到的阈值对噪声信号特征进行去除。为了进一步去除软阈值函数输出的信号中的残余噪声，在此处加入模拟自注意机制模块对软阈值函数输出的信号进行微调，能够提取到更精细的信号特征。简而言之，模拟自注意机制模块能够进一步对心电信号进行去噪，输出更符合预期的心电信号。
[0076]
在本去噪网络模型中，采用了l1损失函数以及测量指标：信噪比(snr)、改进信噪比(snrimp)、百分比均方根误差(prd)、均方误差(mse)和均方根误差(rmse)，其具体如下所示：
[0077][0078][0079][0080]
[0081][0082][0083]
心电信号的常见的噪声类型包括：高斯白噪声，基线漂移(bw)、肌肉伪影(ma)、电极运动(em)。引入有利于去噪的自适应学习阈值模块，软阈值函数以及模拟自注意力机制特征层，实现细粒度特征提取。在自适应学习阈值模块的基础上，将两个全连接操作替换成一个1
×
1的卷积操作，其核大小采用了类似eca中核自适应的方法。这个操作之后将会产生一组通道阈值，用来对噪声进行抑制时阈值函数所需要的值。
[0084]
再用软阈值函数对自适应学习阈值模块所得到的阈值进行抑制噪声。通常，原始的心电信号被转换到接近零的数字不重要的域，然后应用软阈值函数将接近零的特征转换为零。将软阈值和深度学习相结合，可以有效地消除噪声相关信息，构建干净信号特征。软阈值函数可以表示如下：
[0085][0086]
进行软阈值函数操作之后，采用模拟自注意力机制进行进一步特征细化，提取到更有用的特征信息，模拟自注意力模块的结构示意图如图7所示。
[0087]
对于基于自编码去噪的心电信号方法，本技术采用去噪网络模型提升了去噪性能，并保持相对完整的波形形态。
[0088]
表1
[0089][0090]
效果展示如图8所示。在图8中(图8是加了5db基线漂移之后的前后对比图)，oriinal_signal是原始的心电信号，noisy_signal是加了5db基线漂移的带噪的心电信号，denosing_signal是去噪之后的心电信号，从上面效果图展示来看，本方案去噪后的效果以及原波形形态保持很好。
[0091]
与现有神经网络模型训练方法相比，本方法实施例采用了相对纯净和带噪的心电信号进行端到端的模型训练。在去噪网络模型中嵌入了一个自适应学习阈值模块和一个软阈值函数，用来对噪声进行抑制；在前面的操作下，得到的信号仍可能会带有残余的噪声，
本方法再加入一个模拟自注意力的操作，以此来得到更加精细有用的心电信号特征。
[0092]
参照图9，本发明的一个实施例，提供了一种心电信号的去噪系统，去噪系统包括数据获取单元1100和数据去噪单元1200，其中：
[0093]
数据获取单元1100用于获取待去噪的心电信号。
[0094]
数据去噪单元1200用于构建去噪网络模型，并将待去噪的心电信号输入至去噪网络模型中，得到去噪网络模型输出去噪后的心电信号；其中，去噪网络模型以rdn网络为主干网络，并将rdn网络中的每个rdb模块都替换成去噪模块；当前的去噪模块以rdb模块为主干模块，去噪模块在rdb模块的1
×
1卷积层之后，还包括自适应学习阈值模块和软阈值函数，自适应学习阈值模块与1
×
1卷积层连接，用于自适应学习心电信号的感兴趣特征并基于感兴趣特征确定心电信号的阈值，软阈值函数用于根据自适应学习阈值模块学习到的心电信号的阈值对1
×
1卷积层的输出结果中的噪声特征进行去除，软阈值函数的输出结果用于与前一个去噪模块的输出结果进行融合，当前的去噪模块与前一个去噪模块级联。
[0095]
需要说明的是，本系统实施例与上述的方法实施例是基于相同的发明构思，因此，上述方法实施例的相关内容同样适用于本系统实施例，此处不再赘述。
[0096]
参照图10，本技术实施例还提供了一种电子设备，本电子设备包括：
[0097]
至少一个存储器；
[0098]
至少一个处理器；
[0099]
至少一个程序；
[0100]
程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的心电信号的去噪方法。
[0101]
该电子设备可以为包括手机、平板电脑、个人数字助理(personal digital assistant，pda)、车载电脑等任意智能终端。
[0102]
本技术实施例的电子设备，用于执行上述心电信号的去噪方法，利用带内信道隔离转发控制流的思路，根据多个感知任务的任务需求，按需从多个感知节点中遴选出若干感知节点作为控制节点，并使遴选出的控制节点连通以构建控制网络来专司转发控制流，从而构建高可靠的带内控制网络，解决控制流与数据流的传输冲突问题，极大提升感知层中控制流传输的时效性与可靠性。
[0103]
电子设备包括：
[0104]
处理器1600，可以采用通用的中央处理器(central processing unit，cpu)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
[0105]
存储器1700，可以采用只读存储器(read only memory，rom)、静态存储设备、动态存储设备或者随机存取存储器(random access memory，ram)等形式实现。存储器1700可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1700中，并由处理器1600来调用执行本公开实施例的心电信号的去噪方法。
[0106]
输入/输出接口1800，用于实现信息输入及输出；
[0107]
通信接口1900，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0108]
总线2000，在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息；
[0109]
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
[0110]
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述心电信号的去噪方法。
[0111]
本技术实施例的存储介质，用于执行上述心电信号的去噪方法，利用带内信道隔离转发控制流的思路，根据多个感知任务的任务需求，按需从多个感知节点中遴选出若干感知节点作为控制节点，并使遴选出的控制节点连通以构建控制网络来专司转发控制流，从而构建高可靠的带内控制网络，解决控制流与数据流的传输冲突问题，极大提升感知层中控制流传输的时效性与可靠性。
[0112]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0113]
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
[0114]
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0115]
以上所描述的装置实施例仅仅是示意性的，其中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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0116]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0117]
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网络单元上。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。
[0118]
另外，在本技术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。
[0119]
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，本技术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，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序的介质。
[0120]
以上是对本技术实施例的较佳实施进行了具体说明，但本技术实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本技术实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术实施例权利要求所限定的范围内。