一种声音事件检测方法、设备、系统和可读存储介质与流程

1.本技术涉及音频处理技术领域，具体涉及一种声音事件检测方法、设备、系统和可读存储介质。


背景技术：

2.声音事件检测在日常生活中可以明显改善人们的生活质量，比如：主人在卧室睡觉时可以检测敲门声、检测洗衣机结束洗衣时发出的滴滴声或检测水烧开的声音等，为日常家庭生活带来便捷；特别是在有老人和婴儿的家庭，可以检测孩子的哭声或者老人的痛苦呻吟声等，并及时将检测结果上传至户主的手机进行预警，防止出现更恶劣的后果。但是，不同用户对于声音事件检测的需求是不同的，目前的深度学习方案对于每一种声音事件检测任务都必须定制模型，由于不知道用户需要检测的是哪种类型的声音事件，因此提供的声音事件的检测类别有限，不够个性化，如何实现由用户自定义的声音事件检测方案是亟需解决的问题。


技术实现要素：

3.本技术提供一种声音事件检测方法、设备、系统和可读存储介质，能够提升检测效果，用户能够自定义声音事件检测模型的检测类型。
4.为解决上述技术问题，本技术采用的技术方案是：提供一种声音事件检测方法，该方法应用于检测设备，该方法包括：接收正样本数据，正样本数据为与目标应用场景中发生的目标声音事件相关的音频数据；对目标应用场景中的声音进行收集，得到负样本数据；将正样本数据与负样本数据发送至云端设备，以使得云端设备基于正样本数据与负样本数据对声音事件检测模型进行训练得到第一声音事件检测模型；接收云端设备发送的第一声音事件检测模型；获取目标应用场景中的实时音频数据，并采用第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果，当前检测结果为目标应用场景是否发生目标声音事件的检测结果。
5.为解决上述技术问题，本技术采用的技术方案是：提供一种声音事件检测方法，该方法应用于检测设备，该方法包括：接收正样本数据，正样本数据为与目标应用场景中发生的目标声音事件相关的音频数据；对目标应用场景中的声音进行收集，得到负样本数据；基于正样本数据与负样本数据，对声音事件检测模型进行训练，得到第一声音事件检测模型；获取目标应用场景中的实时音频数据，并采用第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果，当前检测结果为目标应用场景是否发生目标声音事件的检测结果。
6.为解决上述技术问题，本技术采用的另一技术方案是：提供一种检测设备，该检测设备包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的声音事件检测方法。
7.为解决上述技术问题，本技术采用的另一技术方案是：提供一种检测系统，该检测
系统包括检测设备，检测设备为上述技术方案中的检测设备。
8.为解决上述技术问题，本技术采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的声音事件检测方法。
9.通过上述方案，本技术的有益效果是：检测设备获取正样本数据，且检测设备自动拾取目标应用场景中的声音得到负样本数据；在完成数据收集后，检测设备将收集的数据发送给云端设备；云端设备利用正样本数据与负样本数据训练声音事件检测模型，得到第一声音事件检测模型并将第一声音事件检测模型发送给检测设备；在后续实际使用阶段，检测设备收集实时音频数据，并采用之前训练完的第一声音事件检测模型对实时音频数据进行检测，得到当前目标应用场景是否发生目标声音事件的检测结果；由于用户可自定义声音事件的类型，并参与整个模型的训练，不仅减少了检测设备的定制成本，还增加了训练数据与真实数据的匹配度，有效提升检测效果；而且，由于正样本数据的获取、负样本数据的感知以及模型的训练均在检测设备完成，不需要将数据上传至云端处理，可以更好地保护用户隐私。
附图说明
10.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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他的附图。其中：
11.图1是本技术提供的声音事件检测方法一实施例的流程示意图；
12.图2是本技术提供的声音事件检测方法另一实施例的流程示意图；
13.图3是本技术提供的声音事件检测模型的示意图；
14.图4是本技术提供的时延神经网络的示意图；
15.图5是本技术提供的声音事件检测方法又一实施例的流程示意图；
16.图6是本技术提供的检测设备一实施例的结构示意图；
17.图7是本技术提供的移动终端一实施例的结构示意图；
18.图8是本技术提供的检测系统一实施例的结构示意图；
19.图9是本技术提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
20.下面结合附图和实施例，对本技术作进一步的详细描述。特别指出的是，以下实施例仅用于说明本技术，但不对本技术的范围进行限定。同样的，以下实施例仅为本技术的部分实施例而非全部实施例，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它实施例，都属于本技术保护的范围。
21.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
22.需要说明的是，本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
23.相关技术中为了实现对特定的声音类型进行检测，需要服务方做定制化的模型训练，再提供给客户使用；例如，如果有客户需要婴儿哭声检测服务，则服务方先收集婴儿哭声数据以及非哭声数据进行模型训练和优化，测试通过后提供给客户使用；如果有另一个客户需要对敲门声进行检测，则服务方需要再收集敲门声数据和非敲门声数据进行模型训练和优化，测试通过后提供给客户使用；这种技术方案存在以下缺点：
24.(1)定制性太强，由于不能预知用户关注的是哪种类型的声音，只能根据用户的需求做定制化训练和优化，服务方投入的成本过高，导致产品价格过高。
25.(2)某些类型的数据难以收集。比如，某一个客户需要检测楼上孩子在地板上赤脚跑步的声音，这类数据只能通过录制的方法去收集，数据产出量很低，定制的成本会非常高。
26.(3)训练和测试数据不匹配的问题，对于一些客户的共性需求可以做成标准化产品，比如可以做一个婴儿哭声检测的标准化产品，但实际上婴儿哭声也并不是完全相同的，在不同的年龄段、性别以及环境下，录音设备录制到的婴儿哭声可能存在差异；另一方面，婴儿哭声的反例(即环境音)在不同家庭中的差异也很明显，目前语音处理技术对语音的来源等非常敏感，当训练数据中没有出现过类似的正反例数据时，会造成检测效果下降。
27.本技术采用的方案可解决以上三个问题，可形成一套标准化的产品，该产品可让用户亲自参与到模型定制的训练流程中，适用于各种各样的应用场景，满足不同用户的需求，下面对本技术的方案进行详细描述。
28.请参阅图1，图1是本技术提供的声音事件检测方法一实施例的流程示意图，该方法应用于检测设备，检测设备被放置于目标应用场景中，用于拾音以及与用户进行交互，训练和检测计算均在检测设备中完成，检测设备的工作包括两个阶段：收集训练阶段与正常使用阶段，该方法包括：
29.s11：接收正样本数据。
30.在收集训练阶段，检测设备负责获取正样本数据与负样本数据，并进行模型训练；用户收集一些自身想要检测的声音数据(即正样本数据)，并将正样本数据输入检测设备；具体地，正样本数据为与目标应用场景中发生的目标声音事件相关的音频数据，目标应用场景为用户放置检测设备的场景，比如：用户家中、公司或商场等；正样本数据包括多个正样本，正样本的有效时长可以至少为2分钟；目标声音事件与目标应用场景相关，比如：目标应用场景为用户的家，则目标声音事件可以为孩子啼哭、敲门或水烧开。
31.进一步地，用户可通过移动终端或检测设备录制目标应用场景中与目标声音事件相关的音频，移动终端可以为手机、平板电脑或录音笔等具有录音功能的设备，并通过具有
发送功能的发送设备(比如：手机或电脑)将正样本数据发送至检测设备。可以理解地，移动终端与发送设备可以为同一设备，比如：二者均为手机；或者检测设备即为移动终端。
32.s12：对目标应用场景中的声音进行收集，得到负样本数据。
33.目标应用场景中的声音可以为与目标声音事件无关的声音，负样本数据包括多个负样本，检测设备内置了实时声学场景感知功能的器件，为了收集反例数据(即负样本数据)，可通过开启检测设备的检测定制功能，并将检测设备放在目标应用场景中预设时间(比如：1～2天)，来实现自动感知和收集负样本数据。通过采用这种方式，收集到的正反例训练数据(即正样本数据与负样本数据)与真实使用场景完全匹配，有助于提升检测效果。
34.可以理解地，检测设备所收集到的声音中即使包含目标声音事件相关的声音也没关系，可利用正样本与负样本的相似度，来剔除包含目标声音事件的负样本；例如，判断正样本与负样本的相似度是否大于设定值，若正样本与负样本的相似度大于设定值，则将该负样本从负样本数据中剔除。
35.s13：将正样本数据与负样本数据发送至云端设备，以使得云端设备基于正样本数据与负样本数据对声音事件检测模型进行训练得到第一声音事件检测模型。
36.在完成正样本数据与负样本数据的获取之后，可将收集到的数据发啊送给云端设备，以使得云端设备对声音事件检测模型进行训练，即云端设备采用正样本数据与负样本数据，对声音事件检测模型进行训练，以生成第一声音事件检测模型。具体地，声音事件检测模型可以为常用的实现声音事件检测的机器学习模型，在训练的过程中，可判断声音事件检测模型是否达到预设停止条件，如果声音事件检测模型达到预设停止条件，则停止对声音事件检测模型进行训练，生成第一声音事件检测模型；如果声音事件检测模型未达到预设停止条件，则继续采用正样本数据与负样本数据对声音事件检测模型进行训练，直至声音事件检测模型达到预设停止条件。
37.进一步地，预设停止条件包括：损失值收敛，即上一损失值与当前损失值的差值小于设定值；判定当前损失值是否小于预设损失值，该预设损失值为预先设置的损失阈值，若当前损失值小于预设损失值，则确定达到预设停止条件；训练时长达到设定时长(例如：5小时)；或者使用测试集进行测试时获得的准确率达到设定条件(比如：超过预设准确率)等。
38.在完成声音事件检测模型的训练后，检测设备可生成提醒信息，并将提醒信息发送至用户的手机，以提醒用户训练完成，可进入正常使用阶段。
39.s14：接收云端设备发送的第一声音事件检测模型。
40.云端设备在完成对声音事件检测模型的训练后，将训练得到的第一声音事件检测模型发送给检测设备，以便检测设备利用第一声音事件检测模型进行后续操作。
41.在其他实施例中，还可由检测设备来训练声音事件检测模型，即检测设备基于正样本数据与负样本数据，对声音事件检测模型进行训练，得到第一声音事件检测模型。
42.s15：获取目标应用场景中的实时音频数据，并采用第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果。
43.在正常使用阶段，检测设备负责收取目标应用场景中的声音得到实时音频数据；检测设备采用第一声音事件检测模型对实时音频数据进行检测，生成当前检测结果，该当前检测结果为目标应用场景是否发生目标声音事件的检测结果。进一步地，在正常使用阶段，用户需要注意检测设备的摆放位置，检测设备的位置应尽量与收集正例数据(即正样本
数据)时保持一致。
44.在一实施例中，在当前检测结果为目标应用场景中发生目标声音事件时，检测设备向移动终端发送提醒信息。具体地，实时音频数据在流入检测设备后，检测设备对其进行检测，在检测到实时音频数据中存在目标声音事件时，立即向用户的手机发送消息，以通知用户当前发生了目标声音事件，方便用户及时采取相应措施。
45.在另一实施例中，检测设备还可将检测到的与目标声音事件相关的音频发送至用户的手机，以便用户在手机上听到检测到的声音。另外，用户可在获知当前检测结果后，标记检测设备的检测是否正确，并反馈给检测设备，以便检测设备进行模型调优；例如，用户通过手机反馈检测是否正确，如果检测设备接收到手机发送的检测错误信息，则对第一声音事件检测模型进行修正训练。
46.在又一实施例中，在正常使用阶段，如果用户发现有一些正例数据很难被检测设备检测出来，则用户可以继续收集一些类似的正例数据，并通过手机发送给检测设备进行模型调优。
47.在其他实施例中，检测设备在使用过程中还具有学习功能，若检测到的目标声音事件并不是用户想要的，用户可将当前获取到的实时音频数据标记成反例数据，用这类检测错误数据对模型进行微调，让检测设备具有学习调整能力。
48.本实施例提供了一种应用于家庭场景、可由用户自定义的声音事件检测设备，用户需要花一些精力收集与目标声音事件相关的正样本数据，检测设备自动拾音收集负样本数据；在完成正反例训练数据的收集后，检测设备将收集到的数据发送给云端设备，以使得云端设备训练声音事件检测模型得到第一声音事件检测模型；在后续正常使用阶段，检测设备收集实时音频数据，并采用云端设备发送的第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果。由于用户可自定义声音事件检测任务的类型，并参与整个模型的训练，不仅减少了检测设备的定制成本，还增加了训练数据与真实数据的匹配度，有效提升检测效果；在使用过程中，用户还可持续对检测结果进行修正，从而对线上检测模型进行调优，进一步提升检测的准确率；而且，由于正例数据录入、反例数据感知以及模型的优化训练均在检测设备本地完成，不需要上传数据至云端，可以更好地保护用户隐私。
49.请参阅图2，图2是本技术提供的声音事件检测方法另一实施例的流程示意图，该方法应用于检测设备，该方法包括：
50.s21：接收正样本数据。
51.s22：对目标应用场景中的声音进行收集，得到负样本数据。
52.s21-s22与上述实施例中s11-s12相同，在此不再赘述。
53.s23：基于正样本数据与负样本数据，对提取器与分类器进行交替训练，得到第一声音事件检测模型。
54.声音事件检测模型包括提取器与分类器，可将所有正样本数据与所有负样本数据划分为多个批次(batch)的训练数据，提取器用于提取训练数据中的特征，得到特征数据，分类器用于对特征数据进行分类；在使用第n个batch的训练数据训练声音事件检测模型时，调整提取器的参数，并保持分类器的参数不变；在使用第(n+1)个batch的训练数据训练声音事件检测模型时，保持提取器的参数不变，并调整分类器的参数。
55.在一具体的实施例中，由于正样本数据与负样本数据较少，尤其是正样本数据，因
此模型的参数不宜选择过大，否则会出现过拟合现象。同时，由于正反例数据中正反例数量很不平衡，即正例数据较少，反例数据很多，在训练迭代时，多数类计算出的损失值的反向传播梯度占主导地位，导致决策偏差，模型偏向多数类，因此，本实施例采用过采样和随机采样两种方式交替训练提取器和分类器，过采样为将少数类(即正样本)复制到和多数类(即负样本)的数量相当。
56.可在第n个batch，固定分类器的参数，采用随机采样数据进行训练提取器；在第(n+1)个batch，固定提取器的参数，采用过采样数据训练分类器，循环上述步骤，直到模型收敛或达到设定迭代次数。这样既可以避免只用随机采样导致的分类决策偏差，又可以避免过采样带来的少数类过度拟合。
57.在一实施方式中，声音事件检测模型选用的深度学习模型为残差时延神经网络(residual time delay neural network，restdnn)，restdnn网络将残差神经网络和批量归一化应用到tdnn网络中，解决了多层tdnn网络存在的梯度消失和爆炸的问题。具体地，如图3所示，提取器包括依次连接的输入层、第一tdnn层～第四tdnn层、统计池层(即池化层)以及第一全连接层；分类器包括第二全连接层与分类层。
58.restdnn网络共4个tdnn层(即第一tdnn层～第四tdnn层)，在每一个tdnn层之前均设置归一化处理和线性整流函数(rectified linear unit，relu)，设置第一tdnn层的输出维度和第四tdnn层的维度一致，使其满足恒等跳跃连接映射的要求，因此在tdnn层中加入残差模块，第四tdnn层可根据第一tdnn层的输出对语音帧进行不断修正，保证信息的相对完整性；第二tdnn层和第三tdnn层是残差模块的卷积层，信息聚合在统计池层后再传递到后续网络层。
59.进一步地，tdnn层的具体结构如图4所示，x为输入数据，conv_1d为卷积层，h(x)为输出数据；在每一个激活层之前均设置批量归一化层进行归一化处理，不仅使每一层的均值和方差固定在一定范围内，还能提高神经网络对初始化的鲁棒性。可以理解地，图4选择两层残差块为例进行说明，由于卷积核的大小直接影响训练的复杂度，故卷积层所使用的卷积核的大小为3
×
3，为解决收敛速度问题，卷积核的数量分别设置为64和128。
60.s24：获取目标应用场景中的实时音频数据。
61.s24与上述实施例中s14类似，在此不再赘述。
62.s25：对实时音频数据进行预处理，得到预处理音频数据。
63.实时音频数据流入检测设备后，先对实时音频数据进行声学前端预处理，其主要作用为去静音、获取有效语音切片。
64.s26：采用第一声音事件检测模型对预处理音频数据进行检测处理，得到当前检测结果。
65.检测设备采用第一声音事件检测模型对预处理音频数据进行处理，判断实时音频数据中是否含有目标声音事件。具体地，可先采用滑窗法对预处理音频数据进行拆分，得到多个子音频数据；然后将子音频数据输入声音事件检测模型，得到子检测结果；然后对子检测结果进行处理，得到当前检测结果。或者，先提取预处理音频数据中有效语音的声学特征，再在特征上对数据进行滑窗处理，窗长取t秒，窗移为s秒；对于不足t秒的语音片段，通过复制补帧的方法补满t秒再送入后续的第一声音事件检测模型。
66.在一具体的实施例中，可判断所有子检测结果中是否存在目标应用场景中发生目
标声音事件；若所有子检测结果中存在目标应用场景中发生目标声音事件，则确定当前检测结果为目标应用场景中发生目标声音事件；若所有子检测结果中不存在目标应用场景中发生目标声音事件，则确定当前检测结果为目标应用场景中未发生目标声音事件。
67.在另一具体的实施例中，可判断所有子检测结果中是否存在连续两个子检测结果为目标应用场景中发生目标声音事件；若所有子检测结果中存在连续两个子检测结果为目标应用场景中发生目标声音事件，则确定当前检测结果为目标应用场景中发生目标声音事件；若所有子检测结果中不存在连续两个子检测结果为目标应用场景中发生目标声音事件，则确定当前检测结果为目标应用场景中未发生目标声音事件。例如，假设一共有10个子检测结果，如果第2个子检测结果与第3个子检测结果中均检测到目标声音事件，则确定当前目标应用场景中发生目标声音事件。
68.s27：在接收到标注信息后，对第一声音事件检测模型进行修正训练，得到第二声音事件检测模型。
69.当完成初始模型的训练进入正常使用阶段后，用户可在手机上对当前检测结果可进行标注，生成标注信息，即标注当前的检测结果是否正确，手机将该标注信息反馈给检测设备，与标注信息关联的正/负样本可用于微调第一声音事件检测模型。
70.本实施例提供了一种可自定义学习的声音事件的检测设备，用户将想要检测的声音样本输入检测设备或者通过检测设备录制，同时给予检测设备一定的感知学习时间；在学习阶段，检测设备能够自动感知所处环境的声学状态和声学信息，同时结合用户导入或者录入的目标声音事件，自动开展特定的声音事件检测模型的优化训练；在训练完成后，将检测设备放在目标应用场景中的固定场合(比如：如果进行婴儿哭声检测，则将检测设备放在婴儿房间)，当特定声音出现时，可确认检测到目标声音事件的发生，并在户主的手机上产生预警；本实施所采用的方案在训练模型时，针对训练数据少且不均匀问题，采用了特殊的训练方式，即交替训练提取器和分类器，解决训练数据中正负样本数量不均衡的问题，有助于提升检测的准确率；而且，由于声音事件检测可在日常生活中给人们提供方便，因此具有较好的应用前景。
71.请参阅图5，图5是本技术提供的声音事件检测方法又一实施例的流程示意图，该方法应用于移动终端，该方法包括：
72.s51：获取正样本数据并发送至检测设备。
73.正样本数据为与目标应用场景中发生的目标声音事件相关的音频数据，检测设备用于对目标应用场景中的声音进行收集，得到负样本数据；基于正样本数据与负样本数据，对声音事件检测模型进行训练，得到第一声音事件检测模型；获取目标应用场景中的实时音频数据，并采用第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果，当前检测结果为目标应用场景是否发生目标声音事件的检测结果。
74.可以理解地，还可以由云端设备执行对声音事件检测模型的训练，即检测设备将正样本数据与负样本数据发送至云端设备；云端设备基于正样本数据与负样本数据，对声音事件检测模型进行训练，得到第一声音事件检测模型。
75.s52：接收检测设备发送的当前检测结果。
76.本实施例提供了一种在家庭场景由用户自定义检测任务并参与训练调优的声音事件检测方案，能够应用在不同的场景中，适应性较广，而且检测设备的提供方无需针对不
同的用户需求设计不同的产品，降低提供方的生产成本。
77.请参阅图6，图6是本技术提供的检测设备一实施例的结构示意图，检测设备60包括互相连接的存储器61和处理器62，存储器61用于存储计算机程序，计算机程序在被处理器62执行时，用于实现上述实施例中的声音事件检测方法。
78.请参阅图7，图7是本技术提供的移动终端一实施例的结构示意图，移动终端70包括互相连接的存储器71和处理器72，存储器71用于存储计算机程序，计算机程序在被处理器72执行时，用于实现上述实施例中的声音事件检测方法。
79.请参阅图8，图8是本技术提供的检测系统一实施例的结构示意图，检测系统80包括检测设备81。
80.在一实施方式中，检测设备81为移动终端。
81.在另一实施方式中，检测系统80还包括与检测设备81连接的移动终端82，检测设备81用于对采用第一声音事件检测模型对实时音频数据进行检测，得到当前检测结果，并将当前检测结果发送至移动终端82。
82.进一步地，检测设备81包括音频采集设备811与处理器812，音频采集设备811用于采集目标应用场景中的声音得到负样本数据，并将负样本数据传输至处理器812。
83.在其他实施方式中，继续参阅图8，检测系统80还包括云端设备83，云端设备83与检测设备81以及移动终端82连接，云端设备83用于将检测设备81输出的当前检测结果转发至移动终端82，即云端设备83是检测设备81与移动终端82交互的中介；云端设备83还可将用户对当前检测结果进行标注的结果转发给检测设备81，以便检测设备81基于用户的标注对模型进行微调。
84.本实施例所提供的方案中训练和检测均在检测设备中实现，检测设备能够实现声音事件检测模型的训练和推理过程，云端设备的作用仅仅是与移动终端进行交互，绝大部分数据都只在检测设备中存储和应用，较好地保护了用户的隐私。
85.请参阅图9，图9是本技术提供的计算机可读存储介质一实施例的结构示意图，计算机可读存储介质90用于存储计算机程序91，计算机程序91在被处理器执行时，用于实现上述实施例中的声音事件检测方法。
86.计算机可读存储介质90可以是服务端、u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
87.在本技术所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，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。
88.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方式方案的目的。
89.另外，在本技术各个实施方式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。
90.以上所述仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。