一种相似病历推荐方法及系统与流程

1.本发明涉及数字医疗技术领域，特别涉及一种相似病历推荐方法及系统。


背景技术：

2.随着医疗信息化的发展，电子病历逐步取代手写病历，积累了患者就诊过程中大量的结构化与非结构化数据，是重要的医疗信息资源。电子病历是患者医疗全过程的记录，保存了患者基本信息、发病情况以及治疗方案等，具有复杂的语言结构和丰富的语义知识。
3.知识图谱可有效组织数据以及数据间的关系，通过实体与关系抽取、知识表示等步骤，将疾病、症状等实体以及关联关系从繁杂的数据中识别出来，构建医疗知识图谱。
4.此基础上进行相似病历检索从而获得相似的病历，辅助医生进行诊断和决策，有助于提高对医疗数据的利用，挖掘电子病历数据价值，提供相似患者的诊疗经验以及相关特征统计信息，为医生诊疗过程提供辅助支持。


技术实现要素：

5.基于此，本发明的目的是提供一种相似病历推荐方法及系统，用于提高对医疗数据的利用，挖掘电子病历数据价值，提供相似患者的诊疗经验以及相关特征统计信息，为医生诊疗过程提供辅助支持。
6.本发明一方面提供一种相似病历推荐系统，包括：
7.病历数据预处理模块，用于获取电子病历并对电子病历进行预处理以及抽取电子病历中的关键内容，根据预处理后的电子病历以及抽取的关键内容表示电子病历并构建电子病历的知识图谱；
8.疾病知识图谱构建模块，包括模式层构建单元、数据预标注单元、实体关系抽取单元、知识图谱表示单元、以及知识图谱存储单元；所述模式层构建单元用于自顶向下的模式构建疾病的知识图谱，需要定义疾病相关的本体和关系；所述数据预标注单元对数据进行人工标注实体和关系，以便实体和关系抽取模型的训练；所述实体关系抽取单元，即使用模型对病历中的数据进行实体和关系的自动抽取，抽取的内容包括模式层定义的实体和关系；所述知识图谱表示单元，使用rdf三元组的方式表示抽取的知识和实体；所述知识图谱存储单元，将知识图谱三元组存储在图谱数据库中，经过对本体和关系的定义及分析得到疾病知识图谱模式库框架；
9.知识表示模块，包括知识表示学习单元以及病历表示单元；通过知识图谱学习实体的表示，进而用病历中的实体表示整个电子病历；
10.相似病历推荐模块，包括病历相似度计算单元和相似病历推荐单元，使用知识图谱的表示计算任意两份电子病历的相似度，并使用排序的方式计算电子病历数据库以选定与电子病历最相似的电子病历并进行推荐，所述电子病历数据库包括医院管理信息系统。
11.另外，根据本发明上述的相似病历推荐系统，还可以具有如下附加的技术特征：
12.进一步地，
13.模式层构建单元，用于构建本体关系图，所述本体关系图包括五类实体、以及十五类实体关系，所述五类实体为将电子病历中的实体定义为五类，所述十五类实体关系为将实体之间的关系定义为十五类；
14.数据预标注单元，用于为实体抽取任务进行数据标注，采取bio标注法，其中，b为begin，表示实体的开头；i为internal，表示实体的其余部分；o为other，表示非实体；
15.实体关系抽取单元，使用bert+bilstm+crf的神经网络语言模型结构进行实体和关系的抽取，其中，bert层使用bert-base-chinese模型；中间层使用bilstm，输入向量序列，计算向量序列的得分后输出；输出层使用crf模型，crf层获取分数矩阵后计算各标签得分，输出得分最高的标签作为预测结果；
16.知识图谱表示单元，抽取的知识使用《实体1，关系，实体2》的rdf三元组进行描述实体与实体之间的关系，采用图数据库neo4j存储知识图谱，neo4j利用节点和边管理数据，其中，节点代表实体，边代表关系。
17.进一步地，
18.知识表示学习单元，知识图谱的表示使用trans x(trans e、trans h、trans r、trans d)系列模型进行表示；
19.病历表示单元，由知识表示学习得到知识图谱中实体和关系的向量表示，用实体和关系向量表示电子病历。
20.进一步地，使用trans x(trans e、trans h、trans r、trans d)系列模型进行表示的步骤具体包括：
21.给定三元组(h，r，t)，关系r被定义为一个平移向量，当三元组(h，r，t)成立时，尾实体向量和头实体向量与关系向量的和更为接近，当三元组不成立时，尾实体向量的头实体和关系向量相加较远，通过优化得分函数fr(h，t)进行知识表示的学习。
22.进一步地，用实体和关系向量表示电子病历的步骤具体包括：
23.设a和b两篇电子病历分别为a＝(a1，a2，
…
，an)和b＝(b1，b2，
…
，bm)，其中an和bm分别为实体或关系的向量表示，n和m分别为a和b两篇病历中各自的实体关系总数量，定义词语的相似度为其中，wi和wj为权重系数，可以将电子病历表示为词相似度的向量a＝[s
11
，s
12
，
…
，s
nm
]，b＝[s
11
，s
12
，
…
，s
nm
]，由此得到a、b两份电子病历的向量化表示。
[0024]
进一步地，
[0025]
相似度计算单元，通过余弦相似度计算病历相似度，由实体和关系向量表示的电子病历篇章向量a和b分别为a＝[s
11
，s
12
，
…
，s
nm
]和b＝[s
11
，s
12
，
…
，s
nm
]，则相似度计算使用余弦相似度进行计算；
[0026]
相似病历推荐单元，top k电子病历推荐，电子病历集中病历的数量较大，当输入新病历查找相似病历时，不需要展示所有的病历和相似度，只需要将最相似的，即相似度最大的前k篇电子病历进行展示即可，其中k为正整数。
[0027]
进一步地，通过堆排序算法从电子病历数据库中筛选出相似度最大的电子病历。
[0028]
进一步地，模式层构建单元中定义了疾病的五种实体和实体间的十五类关系，其中，实体分别为身体部位(body)、症状和体征(signs)、疾病和诊断(disease)、检查和检验(check)、治疗(treatment)；
[0029]
关系分别为《症状和体征，s_locate_b(疾病位于身体部位)，身体部位》、《症状和体征，s_indicate_d(症状表明疾病)，疾病和诊断》、《症状和体征，s_accompany_s(多种症状一起出现)，症状和体征》、《症状和体征，c_need_s(症状需要检查)，检查和检验》、《疾病和诊断，d_result_s(疾病导致症状)，症状和体征》、《疾病和诊断，d_locate_b(疾病位于身体部位)，身体部位》、《疾病和诊断，d_complication_d(多种疾病并发)，疾病和诊断》、《疾病和诊断，d_for_c(为证实疾病而检查)，检查和检验》、《检查和检验c_find_s(检查发现症状)，症状和体征》、《检查和检验，c_confirm_d(检查确认疾病)，疾病和诊断》、《检查和检验，c_locate_b(检查位于身体部位)，身体部位》、检查和检验，c_accompany_c(同时做不同的检查)，检查和检验》、《治疗，t_accompany_t(多种治疗方式)，治疗》、《治疗，t_act_s(治疗作用于症状)，症状和体征》、《治疗，t_act_d(治疗作用于疾病)，疾病和诊断》。
[0030]
本技术另一方面提供一种相似病历推荐方法，应用于上述的相似病历推荐系统，所述方法包括：
[0031]
获取历史电子病历，提取历史电子病历的关键内容并对所述历史电子病历进行预处理，根据预处理后的历史电子病历构建历史电子病历知识图谱；
[0032]
根据所述历史电子病历知识图谱定义疾病相关的本体和关系，根据定义的本体和关系标注实体和关系，所述实体包括身体部位、症状和体征以及疾病和诊断，所述关系包括《症状和体征，s_locate_b(疾病位于身体部位)，身体部位》，通过所述历史电子病历知识图谱学习实体的表示，以用病历中的实体表示整个电子病历；
[0033]
获取目标电子病历，结合标注的实体及关系抽取目标电子病历中的实体和关系以构建目标知识图谱，使用rdf三元组的方式表示抽取的知识和实体，并将表示的知识图谱三元组存储在目标知识图谱数据库中，并经过对本体和关系的定义及分析得到疾病知识图谱模式库框架，通过知识表示学习向量化知识图谱；
[0034]
根据实体和关系的向量表示得到目标电子病历的篇章向量表示，根据目标电子病历的篇章向量表示计算电子病历数据库中每一份电子病历与所述目标电子病历的相似度，并对得到的相似度进行排序以获得最相似的电子病历并进行推荐，所述电子病历数据库包括医院管理信息系统。
[0035]
上述相似病历推荐方法及系统，通过病历数据预处理模块对电子病历进行预处理以及抽取电子病历中的关键内容，根据预处理后的电子病历以及抽取的关键内容表示电子病历并构建电子病历的知识图谱；通过疾病知识图谱构建模块抽取知识和实体、以及表示抽到的知识和实体，并通过知识图谱存储单元将知识图谱三元组存储在图谱数据库中，经过对本体和关系的定义及分析得到疾病知识图谱模式库框架；通过知识表示模块中的知识表示学习单元学习实体的表示、进而通过病历表示单元表示整个电子病历；最后根据相似病历推荐模块中的病历相似度计算单元计算任意两份电子病历的相似度，并使用排序的方式计算电子病历数据库以选定与电子病历最相似的电子病历并进行推荐。
附图说明
[0036]
图1为本发明第一实施例中相似病历推荐方法的流程图；
[0037]
图2为本发明第二实施例中相似病历推荐系统的系统框图；
[0038]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0039]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。
[0040]
附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0041]
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发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0042]
中文电子病历具有复杂的语言结构和丰富的语义知识，给文本挖掘处理工作带来了一定的挑战，针对中文电子病历的处理方案是热门的研究方向。其中知识图谱可有效组织数据以及数据间的关系，本技术通过使用知识表示学习技术将知识图谱映射为低维向量，向量化电子病历文本中的实体与实体间的关系，获得单个电子病历的向量表示，通过余弦相似度计算电子病历相似度，给电子病历推荐相似的病历，有利于相似患者的查询及医生的辅助诊断。
[0043]
实施例一
[0044]
请参阅图1，所示为本发明第一实施例中的相似病历推荐方法，所述方法包括步骤s101至s104：
[0045]
s101、获取历史电子病历，提取历史电子病历的关键内容并对历史电子病历进行预处理，根据预处理后的历史电子病历构建历史电子病历知识图谱。
[0046]
s102、根据历史电子病历知识图谱定义疾病相关的本体和关系，根据定义的本体和关系标注实体和关系，实体包括身体部位、症状和体征以及疾病和诊断，关系包括《症状和体征，s_locate_b(疾病位于身体部位)，身体部位》，通过历史电子病历知识图谱学习实体的表示，以用病历中的实体表示整个电子病历。
[0047]
s103、获取目标电子病历，结合标注的实体及关系抽取目标电子病历中的实体和关系以构建目标知识图谱，使用rdf三元组的方式表示抽取的知识和实体，并将表示的知识图谱三元组存储在目标知识图谱数据库中，并经过对本体和关系的定义及分析得到疾病知识图谱模式库框架，通过知识表示学习向量化知识图谱。
[0048]
s104、根据实体和关系的向量表示得到目标电子病历的篇章向量表示，根据目标电子病历的篇章向量表示计算电子病历数据库中每一份电子病历与目标电子病历的相似度，并对得到的相似度进行排序以获得最相似的电子病历并进行推荐，电子病历数据库包括医院管理信息系统。
[0049]
综上，本发明上述实施例当中的相似病历推荐方法，通过病历数据预处理模块对电子病历进行预处理以及抽取电子病历中的关键内容，根据预处理后的电子病历以及抽取
的关键内容表示电子病历并构建电子病历的知识图谱；通过疾病知识图谱构建模块抽取知识和实体、以及表示抽到的知识和实体，并通过知识图谱存储单元将知识图谱三元组存储在图谱数据库中，经过对本体和关系的定义及分析得到疾病知识图谱模式库框架；通过知识表示模块中的知识表示学习单元学习实体的表示、进而通过病历表示单元表示整个电子病历；最后根据相似病历推荐模块中的病历相似度计算单元计算任意两份电子病历的相似度，并使用排序的方式计算电子病历数据库以选定与电子病历最相似的电子病历并进行推荐。
[0050]
实施例二
[0051]
请参阅图2，所示为本发明第二实施例中的相似病历推荐系统，包括：
[0052]
病历数据预处理模块，用于获取电子病历并对电子病历进行预处理以及抽取电子病历中的关键内容，根据预处理后的电子病历以及抽取的关键内容表示电子病历并构建电子病历的知识图谱。
[0053]
电子病历的结构与通用的文本结构有比较大的区别，首先病历中会按照不同模块定义不同的内容，比如主诉、既往史、检查、诊断等，而且病历通常会按照从入院到出院的时间顺序进行填写，数据有严格的前后关系。一份完整的病历主要包含病人的基本信息、入院记录、病程记录、检查检验和药品医嘱等信息。大多以文本的形式存储。其中入院记录有病人入院时病情状况的描述，主要包含个人史、既往史、家族史、现病史和体格检查等。病程记录则记录病人在整个住院期间的各种检查结果、治疗过程和病情变化情况，主要包含首次病程记录、日常病程记录、上级医师查房记录等。检查检验则记录病人的检查检验项目和检查检验结果。数据预处理主要是消除数据的噪声、不完整、冗余、不一致。在本实施例中，对数据的预处理包括数据清洗、数据集成、数据变换、数据规四个方面的处理。
[0054]
具体的，电子病历中的某些数据是不完整、有噪声和不一致的。数据清洗主要填充缺失值，识别非法值，纠正不一致性的数据。数据集成是合并来自不同二维表的数据，存放在一个二维表中。数据变换将数据的类型或者取值范围变换成适合挖掘的形式。本技术主要将电子病历转换成适合抽取的文本数据。电子病历每个表格包含众多的属性，其中很多属性与挖掘任务不相关或冗余。规约技术是通过删除不相关的属性(或维)来减少数据量。
[0055]
疾病知识图谱构建模块包括模式层构建单元、数据预标注单元、实体关系抽取单元、知识图谱表示单元、以及知识图谱存储单元；所述模式层构建单元用于自顶向下的模式构建疾病的知识图谱，需要定义疾病相关的本体和关系；所述数据预标注单元对数据进行人工标注实体和关系，以便实体和关系抽取模型的训练；所述实体关系抽取单元，即使用模型对病历中的数据进行实体和关系的自动抽取，抽取的内容包括模式层定义的实体和关系；所述知识图谱表示单元，使用rdf三元组的方式表示抽取的知识和实体；所述知识图谱存储单元，将知识图谱三元组存储在图谱数据库中，经过对本体和关系的定义及分析得到疾病知识图谱模式库框架。
[0056]
具体的，模式层构建单元，用于构建本体关系图，所述本体关系图包括五类实体、以及十五类实体关系，所述五类实体为将电子病历中的实体定义为五类，所述十五类实体关系为将实体之间的关系定义为十五类。
[0057]
其中，实体分别为身体部位(body)、症状和体征(signs)、疾病和诊断(disease)、检查和检验(check)、治疗(treatment)；
[0058]
关系分别为《症状和体征，s_locate_b(疾病位于身体部位)，身体部位》、《症状和体征，s_indicate_d(症状表明疾病)，疾病和诊断》、《症状和体征，s_accompany_s(多种症状一起出现)，症状和体征》、《症状和体征，c_need_s(症状需要检查)，检查和检验》、《疾病和诊断，d_result_s(疾病导致症状)，症状和体征》、《疾病和诊断，d_locate_b(疾病位于身体部位)，身体部位》、《疾病和诊断，d_complication_d(多种疾病并发)，疾病和诊断》、《疾病和诊断，d_for_c(为证实疾病而检查)，检查和检验》、《检查和检验c_find_s(检查发现症状)，症状和体征》、《检查和检验，c_confirm_d(检查确认疾病)，疾病和诊断》、《检查和检验，c_locate_b(检查位于身体部位)，身体部位》、检查和检验，c_accompany_c(同时做不同的检查)，检查和检验》、《治疗，t_accompany_t(多种治疗方式)，治疗》、《治疗，t_act_s(治疗作用于症状)，症状和体征》、《治疗，t_act_d(治疗作用于疾病)，疾病和诊断》。
[0059]
数据预标注单元，用于为实体抽取任务进行数据标注，采取bio标注法，其中，b为begin，表示实体的开头；i为internal，表示实体的其余部分；o为other，表示非实体；标注格式采用x-b、x-i、o形式，其中x分别为body(身体部位)、signs(症状和体征)、disease(疾病和诊断)、check(检查和检验)、treatment(治疗)。
[0060]
实体关系抽取单元，使用bert+bilstm+crf的神经网络语言模型结构进行实体和关系的抽取，其中，bert层使用bert-base-chinese模型；中间层使用bilstm，输入向量序列，计算向量序列的得分后输出；输出层使用crf模型，crf层获取分数矩阵后计算各标签得分，输出得分最高的标签作为预测结果；bert-base-chinese模型transformer层为12层，隐藏层为768维，自注意力机制模型数量为12，总参数量为110m；bert后接bilstm层，以向量序列为输入，计算向量序列的得分并输出。序列长度最大设置为300，批大小为64，epochs为100，dropout为0.5，隐藏层维度为128；bilstm后接crf层，获取分数矩阵后计算各标签得分后输出得分最高的标签作为预测结果。
[0061]
通过前一步骤产生的人工预标注数据进行自动抽取模型的训练，使用训练好的模型对数据进行实体关系的自动抽取。
[0062]
知识图谱表示单元，抽取的知识使用《实体1，关系，实体2》的rdf三元组进行描述实体与实体之间的关系，采用图数据库neo4j存储知识图谱，neo4j利用节点和边管理数据，其中，节点代表实体，边代表关系。
[0063]
知识表示模块，包括知识表示学习单元以及病历表示单元；通过知识图谱学习实体的表示，进而用病历中的实体表示整个电子病历。基于知识图谱，通过知识表示学习技术向量化知识图谱，得到实体和关系的向量表示。
[0064]
其中，知识表示学习单元，知识图谱的表示使用trans x(trans e、trans h、trans r、trans d)系列模型进行表示；具体的，使用transe模型将实体和关系表示在同一向量空间中，给定三元组(h，r，t)，其中h表示头实体，t表示关系，r表示尾实体，关系r被定义为一个平移向量，当三元组(h，r，t)成立时，有h+r≈t，即，尾实体向量和头实体向量与关系向量的和更为接近，具体实现分为三部分：第一部分是初始化头实体、尾实体和关系，随机赋予初始变量并进行归一化；第二部分抽取部分三元组并对头实体或尾实体进行替换，形成负例；第三部分优化目标函数得到最优化的向量表示。经过知识表示学习模型，可以得到知识图谱中所有实体和关系的向量表示。当三元组不成立时，尾实体向量的头实体和关系向量相加较远，通过优化得分函数fr(h，t)进行知识表示的学习。
[0065]
病历表示单元，由知识表示学习得到知识图谱中实体和关系的向量表示，用实体和关系向量表示电子病历。具体的，设a和b两篇电子病历分别为a＝(a1，a2，
…
，an)和b＝(b1，b2，
…
，bm)，其中an和bm分别为实体或关系的向量表示，n和m分别为a和b两篇病历中各自的实体关系总数量，则两篇病历中各词语的相似度计算公式为：
[0066][0067]
其中，ai＝[x1，x2，
…
，x
128
]，bi＝[y1，y2，
…
，y
128
]，wi和wj为权重系数，从而获得电子病历的篇章向量，两份电子病历表示为词相似度的向量a＝[s
11
，s
12
，
…
，s
nm
]，b＝[s
11
，s
12
，
…
，s
nm
]，由此得到a、b两份电子病历的向量化表示；
[0068]
使用余弦相似度计算病历相似度：
[0069][0070]
生成候选集。当有新病历进入系统需要检索相似病历时，为更精确的寻找相似病历并提高检索效率，通过匹配生成包含新病历实体和关系的病历集。
[0071]
相似病历推荐模块，包括病历相似度计算单元和相似病历推荐单元，使用知识图谱的表示计算任意两份电子病历的相似度，并使用排序的方式计算电子病历数据库以选定与电子病历最相似的电子病历并进行推荐，所述电子病历数据库包括医院管理信息系统。
[0072]
具体通过堆排序算法从电子病历数据库中筛选出相似度最大的电子病历。
[0073]
进一步的，相似度计算单元，通过余弦相似度计算病历相似度，由实体和关系向量表示的电子病历篇章向量a和b分别为a＝[s
11
，s
12
，
…
，s
nm
]和b＝[s
11
，s
12
，
…
，s
nm
]，则相似度计算使用余弦相似度进行计算：
[0074][0075]
关于病历相似度计算和排序。基于电子病历的篇章向量表示，用余弦相似度计算病历相似度，并用堆排序算法对相似度计算结果进行排序，得到符合条件的相似病历。电子病历数据库中电子病历数量较大，当输入新病历查找相似病历时，不需要展示所有的病历，只需要展示相似度最大的n篇病历即可，所以对病历的排序选择堆排序算法。
[0076]
相似病历推荐单元，top k电子病历推荐，电子病历集中病历的数量较大，当输入新病历查找相似病历时，不需要展示所有的病历和相似度，只需要将最相似的，即相似度最大的前k篇电子病历进行展示即可，其中k为正整数。
[0077]
电子病历集中病历的数量较大，当输入新病历查找相似病历时，不需要展示所有的病历和相似度，只需要将最相似的，即相似度最大的前n篇病历进行展示即可。本发明选取堆排序算法找出给定电子病历的top k个电子病历。
[0078]
本实施例中的相似病历推荐系统，用于基于知识图谱表示学习的相似病历检索，知识表示学习引入篇章向量表示的过程中，由病历数据预处理模块、疾病知识图谱构建模块、知识表示模块、相似病历推荐模块共四大模块。主要实现流程是：首先抽取电子病历中
的实体和关系，构建知识图谱，再通过知识表示学习向量化知识图谱，由实体和关系的向量表示得到电子病历的篇章向量表示，由此计算病历相似度实现相似病历检索，并应用于疾病诊断和治疗方案建议等诊疗过程中。
[0079]
中文电子病历结构复杂、语义丰富且专业程度高，分词技术限制了实体与关系的识别精度，所以模型多采用单个字符作为输入，但是字符的单一向量无法表征多义性，另外由于电子病历标注成本高，导致现有高质量已标注语料数量少。针对以上问题，引入预训练模型bert进行文本向量化，作为实体和关系抽取模型的基础。bert模型基于自身特性，增强字的语义表达，有效利用文本数据中的语义信息，无监督训练过程使其在小规模标注语料上有较好的优势。
[0080]
使用知识表示学习技术将知识图谱映射为低维向量，向量化电子病历文本中的实体与实体间的关系，获得单个电子病历的向量表示，通过余弦相似度计算电子病历相似度，实验验证方法的有效性，有利于相似患者的查询，挖掘相似患者治疗方案，提供决策支持。
[0081]
综上，本发明上述实施例当中的相似病历推荐系统，通过病历数据预处理模块对电子病历进行预处理以及抽取电子病历中的关键内容，根据预处理后的电子病历以及抽取的关键内容表示电子病历并构建电子病历的知识图谱；通过疾病知识图谱构建模块抽取知识和实体、以及表示抽到的知识和实体，并通过知识图谱存储单元将知识图谱三元组存储在图谱数据库中，经过对本体和关系的定义及分析得到疾病知识图谱模式库框架；通过知识表示模块中的知识表示学习单元学习实体的表示、进而通过病历表示单元表示整个电子病历；最后根据相似病历推荐模块中的病历相似度计算单元计算任意两份电子病历的相似度，并使用排序的方式计算电子病历数据库以选定与电子病历最相似的电子病历并进行推荐。
[0082]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0083]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0084]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场
可编程门阵列(fpga)等。
[0085]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0086]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。