运动状态识别方法、装置、智能终端和存储介质与流程

本发明涉及机器学习技术领域，具体涉及一种运动状态识别方法、装置、智能终端和存储介质。

背景技术：

随着科技的进步，人们可以通过智能终端，如手机，来对用户运动状态进行识别。随着手机的不断迭代更新，越来越多的传感器被植入其中，现有技术中，通常利用单一传感器数据对用户状态进行识别，这样在用户数量较少时算法有效，当用户数量达到千万级别时，由于个体差异不同，用户不同状态间的传感器数据会有重合，这样就会导致用户状态的误判。

此外，不同用户的不同状态间的硬件数据会存在重合的情况，例如，用户A的骑车的角速度传感器数据和B用户的走路的角速度传感器数据相同，这样，根据少量用户的数据制定规则来区分用户的状态，也会导致用户状态的误判。

技术实现要素：

有鉴于此，提供一种运动状态识别方法、装置、智能终端和存储介质，以解决现有技术中判断用户运动状态准确率低的问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种运动状态识别方法，该方法包括：

采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据；

应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据；

针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征；

根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征；

为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征；

应用所述训练样本训练预先构建的分类模型，以获取目标模型；

将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

第二方面，本申请实施例提供了一种运动状态识别装置，该装置包括：

数据采集模块，用于采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据；

数据过滤模块，用于应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据；

第一目标特征计算模块，用于针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征；

第二目标特征计算模块，用于根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征；

训练样本获取模块，用于为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征；

模型训练模块，用于应用所述训练样本训练预先构建的分类模型，以获取目标模型；

运动状态识别模块，用于将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

第三方面，本申请实施例提供了一种智能终端，该智能终端包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的运动状态识别方法；

所述处理器用于调用并执行所述存储器中的所述计算机程序。

第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的运动状态识别方法中各个步骤。

本发明采用以上技术方案，在运动状态识别过程中，考虑到了个体差异，因此，在数据采集的过程中，不仅采集了各个传感器的数据，还采集了生物特征信息；另外，由于不同用户的不同运动状态之间的硬件数据也会存在重合的情况，因此，这里采集了多个传感器的数据，以提高识别准确率；考虑到传感器本身仪器带来的误差，对各个传感器的数据进行过滤；另外，目标特征中考虑了目标传感数据的峰值、方差、平均值和频域特征，而不仅仅是传感器直接测量的数据本身，这样也提高了模型训练的准确率，进而提高了运动状态识别的准确率。

附图说明

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作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种运动状态识别方法的流程图；

图2是本发明实施例提供的一种运动状态识别装置的结构示意图；

图3是本发明实施例提供的一种智能终端的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

实施例

图1为本发明实施例提供的一种运动状态识别方法的流程图，该方法可以由本发明实施例提供的运动状态识别装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1，该方法具体可以包括如下步骤：

S101、采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据。

其中，预设时间段可以是用户实际运动过程中的某段时间，例如可以是一天或者一小时等，这里只是用来举例说明，不形成具体的限定。具体的，按照一定的时间间隔进行数据采集，该时间间隔可以由系统设定，还可以人为进行实时更改。按照该时间间隔采集预设时间段内的各个传感器的传感数据、用户生物特征信息和预设时间段内的经纬度数据，示例性的，传感器可以包括加速度传感器、陀螺仪、强磁计和特殊动作触发传感器，相应的，传感数据包括加速度、角速度、磁场和与运动状态匹配的动作传感数据。

下面对本申请实施例中的各个传感器进行说明，第一、加速度传感器是一种能够测量加速度的传感器，通常由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成，传感器在加速过程中，通过对质量块所受惯性力的测量，利用牛顿第二定律获得加速度值；根据传感器敏感元件的不同，常见的加速度传感器包括电容式、电感式、应变式、压阻式、压电式等。第二、陀螺仪，陀螺仪又叫角速度传感器，不同于加速度传感器，它可以测量偏转、倾斜时的转动角速度。例如，在手机上，仅用加速度传感器无法测量或重构出完整的3D动作，测不到转动的动作，加速度传感器只能检测轴向的线性动作。但陀螺仪则可以对转动、偏转的动作进行测量，这样就可以精确分析判断出使用者的实际动作。第三、强磁计，可以用来测量当前智能终端周围的磁场来测量当前智能终端是否被金属物包围。第四、特殊动作触发传感器，是一种能够测量与运动状态匹配的动作传感数据的传感器。需要说明的是，当智能终端中没有相应的传感器时，其对应的传感数据可以被赋值为零。

另外，采集的数据还包括用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据，用来确定用户在预设时间段运动的距离或路程。生物特征信息例如用户的年龄、身高、体重和性别等。

S102、应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据。

具体的，在实际的应用过程中，由于仪器本身的测量误差，首选需要对各个传感器测量的数据进行过滤，例如，预设过滤算法可以是应用3sigma定理的过滤算法，其中，3sigma定理又称为3sigma准则、拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除，这样就实现了数据过滤。剔除了各个传感器的传感数据中的离群值，也即异常值，就得到了目标传感数据。

S103、针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征。

具体的，这里以加速度传感器为例，来说明第一目标特征的计算过程。其中，按照一定的时间间隔，采集预设时间段内的多组加速度数据，例如每组加速度数据可以包括X、Y、Z轴的加速度数据，将多组加速度数据进行运算，求取峰值、方差、平均值和频域特征，可选的，频域特征为对时域特征进行傅里叶变换得到。其他传感器的第一目标特征的计算过程类似，可参照加速度传感器中第一目标特征的计算过程，这里不再赘述。

在一个具体的例子中，时间间隔以一个采集时间间隔为例，传感器以加速度传感器、陀螺仪、磁力计和特殊动作触发传感器为例，这样，每组传感器数据中分别包括X、Y、Z的三个数据，这样每一次的采集过程中的数据就会包括12个数据。

S104、根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征。

具体的，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据，这样就可以根据经纬度数据计算起始时刻到终止时刻运动的距离，然后可以根据运动的距离、预设时间段等数据计算出运动步幅和运动速度，将运动步幅和运动速度作为第二目标特征。

S105、为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征。

具体的，由于训练样本中用的各个目标特征为已知，也即，人为模拟的跑步、骑车或者走路过程，采集各个过程的传感数据。这样，为每个目标特征添加对应的标签，将目标特征和标签一起作为训练样本。在一个具体的例子中，标签1代表走路，标签2代表坐公交，标签3代表跑步，也就是说，在数据采集的过程中，人为模拟了走路、坐公交和跑步三种过程，然后去采集这三种过程中的传感数据。这里的目标特征包括了用户生物特征、第一目标特征和第二目标特征，这样，添加标签的过程中，例如，A用户走路，则A用户的生物特征信息也添加了标签1，比如A的身高信息中添加了标签1。

S106、应用所述训练样本训练预先构建的分类模型，以获取目标模型。

其中，预先构建的分类模型包括随机森林模型，还可以是其他分类模型，这里用随机森林模型来进行举例说明，随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。在本申请实施例中，应用训练样本训练预先构建的随机森林模型，当满足预设收敛条件或者预设误差条件时，训练停止，这样就得到了目标模型，其中，目标模型即为训练后的随机森林模型。

在一个具体的例子中，预设收敛条件和预设误差条件可以是根据实际的应用场景预先设定的，还可以根据实际的应用情况进行修改，当满足预设收敛条件或预设误差条件时，表明此时得到的目标模型可以用。

需要说明的是，还可以应用其他算法来代替本申请实施例中的机器学习算法，例如XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法、GBDT(Gradient Boosting Decision Tree，梯度提升决策树)算法和SVM(Support Vector Machine，支持向量机)算法，但是随机森林算法的准确率比这几个算法高。

S107、将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

具体的，在实际的应用过程中，将需要识别过程中的时间段称为待识别时间段，将该时间段内的数据称为待识别传感数据，也即，此时为用户的真实运动过程中的运动状态未知，需要将待识别传感数据进行如上训练样本获取过程中的运算，如取峰值、方差、平均值和频域特征等，获取待识别传感数据对应的目标特征，此外，待传感数据对应的目标特征中还包括生物特征信息和运动步幅以及运动速度。此时，将待识别目标特征输入至目标模型进行识别，以确定待识别目标模型对应的标签，进而确定待识别时间段内的运动状态。例如，跑步、坐公交或者走路等。

本发明采用以上技术方案，在运动状态识别过程中，考虑到了个体差异，因此，在数据采集的过程中，不仅采集了各个传感器的数据，还采集了生物特征信息；另外，由于不同用户的不同运动状态之间的硬件数据也会存在重合的情况，因此，这里采集了多个传感器的数据，以提高识别准确率；考虑到传感器本身仪器带来的误差，对各个传感器的数据进行过滤；另外，目标特征中考虑了目标传感数据的峰值、方差、平均值和频域特征，而不仅仅是传感器直接测量的数据本身，这样也提高了模型训练的准确率，进而提高了运动状态识别的准确率。

在上述技术方案的基础上，所述将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态，具体可以通过如下方式实现：根据所述待识别传感数据计算待识别目标特征；按照预设时间划分规则，将所述待识别时间段分为第一预设数量的子时间段，将每个子时间段内待识别目标特征输入至所述目标模型，以获取各个子时间段的运动状态；确定所述子时间段内数量最多的运动状态为待识别时间段的运动状态。

具体的，在实际的应用过程中，首先需要根据待识别传感数据计算待识别目标特征，计算方法这里不再赘述，可参考上述实施例中获取训练样本的过程中计算目标特征的方法。然后按照预设时间划分规则，例如，每10秒钟划分为一个子时间段，这样，待识别时间段若是1分钟，则被划分为6个子时间段，这个例子中第一预设数量为6。最后，计算每个子时间段内的待识别目标特征，将每个待识别目标特征输入至目标模型，获取到各个子时间段的运动状态；确定子时间段内数量最多的运动状态为待识别时间段的运动状态。这样处理增加了算法的稳定性。

例如，连续10个子时间段中，总长度为1分钟，也即待识别时间段为1分钟，8个子时间段的运动状态被识别为骑车，1子时间段内的运动状态被识别为坐公交，1个子时间段内的运动状态被识别为跑步，则确定待识别时间段内的运动状态为骑车。

在本申请的一个实施例中，在获取各个子时间段的运动状态之后，本申请的技术方案还包括：若所述子时间段内数量最多的运动状态为两个或两个以上，则按照新的预设时间划分规则，将所述待识别时间段划分为第二预设数量的子时间段；将每个子时间段内待识别目标特征输入至所述目标模型，以获取各个子时间段的运动状态，直到确定所述子时间段内数量最多的运动状态为一个为止，将所述子时间段内数量最多的运动状态确定为待识别时间段的运动状态；其中，所述第二预设数量大于第一预设数量。

在实际的应用过程中，如果子时间段内数量最多的运动状态为两个或两个以上，例如上述例子，5个子时间段的运动状态被识别为骑车，5子时间段内的运动状态被识别为坐公交，则此时不采用这组识别结果作为运动状态的最终识别结果。此时，将待识别时间段按照新的预设时间划分规则进行划分，例如，将1分钟划分为15个子时间段，每4秒钟作为一个时间间隔。这里的第二预设数量为15。此时，重新进行运动状态的识别，例如，将15个子时间段内的待识别目标特征输入至目标模型，以获取各个子时间段的运动状态，直到确定了子时间段内数量最多的运动状态是一个为止，并将该运动状态确定为待识别时间段的运动状态。可选的，为了提高运动状态识别的准确度，第二预设数量大于第一预设数量。

在一个具体的例子中，根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征，具体可以通过如下方式实现：根据所述经纬度数据计算所述预设时间段内的路程；将所述路程除以所述预设时间段内的步数得到运动步幅；将所述路程除以所述预设时间段的时间得到运动速度；将所述运动步幅和所述运动速度作为第二目标特征。

具体的，根据预设时间段内起始时刻的经纬度数据和终止时刻的经纬度数据计算预设时间段内的距离或路程，这里可采用现有技术中的根据经纬度数据计算距离的方法进行计算，不再赘述。然后将计算得到的路程除以预设时间段内的步数得到运动步幅，其中，预设时间段内的步数可以通过智能终端的计步软件和硬件共同获取。将路程除以预设时间段的时间得到运动速度，最后确定运动步幅和运动速度作为第二目标特征。

综上，与现有技术相比，本申请实施例不仅考虑了传感器数据，还对传感器数据进行了处理，例如峰值、平均值、方差和频域特征等计算，比现有技术中只用一个传感器的数据进行运动状态的确定的准确率更高。例如，现有技术中，加速度传感器可以知道手机当前的加速度信息，位置传感器可以判手机与用户头部的距离，在用户处于不同状态时，一段时间内传感器中的一个或多个取值会存在一定的差异性。例如，在跑步时用户一段时间的加速度传感器的均方根会普遍大于0.4，而走路时普遍小于0.4，乘坐公交时取值则小于0.07。因此在初期用户相对较少的情况下，采用制定rule-based的方法就可以很轻易区分用户当前所处的状态。但当在用户数量变得较大的情况下，不同用户的不同状态间的硬件数据就会存在重合的情况，如一个用户的骑车的角速度传感器数据和另一个用户的走路角速度传感器数据相同，这样情况下根据少量用户数据制定规则不足以准确分用户所在状态。本申请实施例克服了这个问题，提高了运动状态识别的准确率。

图2是本发明是实施例提供的一种运动状态识别装置的结构示意图，该装置适用于执行本发明实施例提供给的一种运动状态识别方法。如图2所示，该装置具体可以包括：数据采集模块201、数据过滤模块202、第一目标特征计算模块203、第二目标特征计算模块204、训练样本获取模块205、模型训练模块206和运动状态识别模块207。

其中，数据采集模块201，用于采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据；数据过滤模块202，用于应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据；第一目标特征计算模块203，用于针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征；第二目标特征计算模块204，用于根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征；训练样本获取模块205，用于为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征；模型训练模块206，用于应用所述训练样本训练预先构建的分类模型，以获取目标模型；运动状态识别模块207，用于将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

本发明采用以上技术方案，在运动状态识别过程中，考虑到了个体差异，因此，在数据采集的过程中，不仅采集了各个传感器的数据，还采集了生物特征信息；另外，由于不同用户的不同运动状态之间的硬件数据也会存在重合的情况，因此，这里采集了多个传感器的数据，以提高识别准确率；考虑到传感器本身仪器带来的误差，对各个传感器的数据进行过滤；另外，目标特征中考虑了目标传感数据的峰值、方差、平均值和频域特征，而不仅仅是传感器直接测量的数据本身，这样也提高了模型训练的准确率，进而提高了运动状态识别的准确率。

进一步的，运动状态识别模块207具体用于：

根据所述待识别传感数据计算待识别目标特征；

按照预设时间划分规则，将所述待识别时间段分为第一预设数量的子时间段，将每个子时间段内待识别目标特征输入至所述目标模型，以获取各个子时间段的运动状态；

确定所述子时间段内数量最多的运动状态为待识别时间段的运动状态。

进一步的，还包括重新识别模块，用于在获取各个子时间段的运动状态之后，当所述子时间段内数量最多的运动状态为两个或两个以上时，按照新的预设时间划分规则，将所述待识别时间段划分为第二预设数量的子时间段；将每个子时间段内待识别目标特征输入至所述目标模型，以获取各个子时间段的运动状态，直到确定所述子时间段内数量最多的运动状态为一个为止，将所述子时间段内数量最多的运动状态确定为待识别时间段的运动状态；其中，所述第二预设数量大于第一预设数量。

进一步的，第二目标特征计算模块204具体用于：

根据所述经纬度数据计算所述预设时间段内的路程；

将所述路程除以所述预设时间段内的步数得到运动步幅；

将所述路程除以所述预设时间段的时间得到运动速度；

将所述运动步幅和所述运动速度作为第二目标特征。

进一步的，所述传感器包括加速度传感器、陀螺仪、强磁计和特殊动作触发传感器，相应的，传感数据包括加速度、角速度、磁场和与运动状态匹配的动作传感数据。

进一步的，预先构建的分类模型包括随机森林模型。

进一步的，所述频域特征为对时域特征进行傅里叶变换得到。

本发明实施例提供的运动状态识别装置可执行本发明任意实施例提供的运动状态识别方法，具备执行方法相应的功能模块和有益效果。

本发明实施例还提供一种智能终端，请参阅图3，图3为一种智能终端的结构示意图，如图3所示，该智能终端包括：处理器310，以及与处理器310相连接的存储器320；存储器320用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的运动状态识别方法；处理器310用于调用并执行所述存储器中的所述计算机程序，上述运动状态识别方法至少包括：采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据；应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据；针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征；根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征；为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征；应用所述训练样本训练预先构建的分类模型，以获取目标模型；将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的运动状态识别方法中各个步骤，上述运动状态识别方法至少包括：采集预设时间段内的各个传感器的传感数据、用户生物特征信息和所述预设时间段内的经纬度数据，其中，所述经纬度数据包括所述预设时间段内的起始时刻的经纬度数据和终止时刻的经纬度数据；应用预设过滤算法对各个传感器的传感数据进行过滤，以获取各个传感器的目标传感数据；针对每个传感器的目标传感数据，计算第一目标特征，其中，所述第一目标特征包括所述目标传感数据的峰值、方差、平均值和频域特征；根据所述经纬度数据计算所述预设时间段内的运动步幅和运动速度作为第二目标特征；为各个目标特征添加对应的标签作为训练样本，其中，所述目标特征包括用户生物特征、第一目标特征和第二目标特征；应用所述训练样本训练预先构建的分类模型，以获取目标模型；将待识别时间段内的待识别传感数据对应的待识别目标特征输入至所述目标模型，以识别所述待识别时间段内的运动状态。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

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。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

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。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。