具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

请参看图1，图1为本申请实施例提供了一种脑电检测模型的训练方法的流程示意图。其中，该脑电检测模型的训练方法包括：

S101、根据预设频率和预设时间，获取脑电信号集合。

本申请实施例中，首先采集诱发状态下的脑电信号，采样频率为预设频率，具体可以为1000Hz，采集预设时间(例如T秒)的数据，具体地，T可以取60，也就是60秒的数据，重复预设次数得到脑电信号集合。

本申请实施例中，预设次数可以设置为5000次等，对此本申请实施例不作限定。

S102、对脑电信号集合进行预处理，得到预处理信号集合。

本申请实施例中，对脑电信号进行预处理时，先进行去噪预处理，然后再进行标准化处理。其中，去噪预处理包括带通滤波(去噪)、去除基线漂移等，对此本申请实施例不作限定。

本申请实施例中，使用5阶的butterworth滤波器对于去噪预处理之后的脑电信号，进行不同频段(θ、α、β、γ)的信号分离提取，其中θ波的频率范围在4—8Hz，α波的频率范围在8—13Hz，β波的频率范围在13—30Hz，γ波的频率范围在30—50Hz，为了消除数据指标之间的量纲的影响，需要对数据进行标准化处理，具体可以使用0均值标准化，公式为其中，μ为原始数据(即脑电信号集合)的均值，σ为脑电信号集合的数据标准差，通过归一化操作能够对脑电信号集合中的数据进行约束，以便于对信号更好地进行分析。

S103、根据预处理信号集合，构建脑电数据矩阵。

本申请实施例中，预处理信号集合包括了4个波段(θ、α、β、γ)的信号数据，可以看作是4个通道的数据，之后将采集到的T秒的数据进行标注，具体地，针对不同类型脑电信号对应的时段进行标注，在这一阶段完成之后可以得到一个C*1*M的矩阵，其中C表示通道数，对应脑电来说指的是不同频段的脑电信号，也就是说C为4，1表示的是数据的维度，由于采集的是脑电信号，因此维度为1维，M表示的是数据的长度，这里是60000(1kHz*60s)，因此当数据处理完成之后可以构建一个4*1*60000维度的数据矩阵进行之后的分析处理工作。

本申请实施例中，上述针对不同类型脑电信号对应的时段进行标注，即对不同时段信号进行标记，主要是对不同时段下信号的种类进行相应的打标签工作，也就是对这一小段时间测试人员处于什么状态进行标记。

本申请实施例中，在这一步之后进行独立主成分分析去除伪迹，同时进行基线校正之后就构建好了数据集。

S104、根据脑电数据矩阵和预设网络模型进行训练，得到脑电检测模型。

本申请实施例中，在得到脑电检测模型之后，可以使用预设网络模型进行信号的检测处理。

本申请实施例中，预设网络模型具体可以为单阶段网络结构的卷积神经网络，具体包括普通的卷积层、深度可分离卷积模块(depthwise模块)、逐点卷积模块(pointwise模块)以及分组卷积模块(group convolution模块)等，对此本申请实施例不作限定。

本申请实施例中，在检测阶段利用grid选择框以及anchor锚框等策略来对不同状态下的脑电信号进行检测，能够实现在一整段信号中对不同状态不同类别下的脑电信号进行检测的目的。

本申请实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。

在本申请实施例中，该方法的执行主体还可以为智能手机、平板电脑等智能设备，对此本实施例中不作任何限定。

可见，实施本实施例所描述的脑电检测模型的训练方法，能够更好地适应于不同人员以及不同活跃程度下的脑电信号的检测过程，从而降低脑电信号的分析难度，同时提高脑电信号检测的普遍适用性。

实施例2

请参看图2，图2为本申请实施例提供的一种脑电检测模型的训练方法的流程示意图。如图2所示，其中，该脑电检测模型的训练方法包括：

S201、根据1KHz的采样频率和60秒的采样时长，采集诱发状态下的单个脑电信号。

本申请实施例中，首先采集诱发状态下的脑电信号，采集1000Hz、60秒的数据，得到单个脑电信号。

S202、根据预设次数对单个脑电信号进行多次采集，得到脑电信号集合。

本申请实施例中，预设次数可以设置为5000次等，对此本申请实施例不作限定。

本申请实施例中，实施上述步骤S201～步骤S202，能够根据预设频率和预设时间，获取脑电信号集合。

S203、对脑电信号集合进行预处理，得到预处理信号集合。

作为一种可选的实施方式，对脑电信号集合进行预处理，得到预处理信号集合的步骤包括：

对脑电信号集合进行去噪处理和基线漂移去除处理，得到初步处理信号集合；

根据预设多个频段对初步处理信号集合进行分离提取，得到多频段信号集合；

对多频段信号集合进行归一化处理，得到预处理信号集合。

在上述实施方式中，对脑电信号进行预处理时，先进行去噪预处理，然后再进行标准化处理。其中，去噪预处理包括带通滤波(去噪)、去除基线漂移等，对此本申请实施例不作限定。

在上述实施方式中，使用5阶的butterworth滤波器对于去噪预处理之后的脑电信号，进行不同频段(θ、α、β、γ)的信号分离提取，其中θ波的频率范围在4—8Hz，α波的频率范围在8—13Hz，β波的频率范围在13—30Hz，γ波的频率范围在30—50Hz，为了消除数据指标之间的量纲的影响，需要对数据进行标准化处理，具体可以使用0均值标准化，公式为其中，μ为原始数据(即脑电信号集合)的均值，σ为脑电信号集合的数据标准差，通过归一化操作能够对脑电信号集合中的数据进行约束，以便于对信号更好地进行分析。

在步骤S203之后，还包括以下步骤：

S204、根据预设波段通道数量和预设信号数据长度对预处理信号集合进行矩阵构建，得到预处理信号矩阵。

本申请实施例中，预处理信号集合包括了4个波段(θ、α、β、γ)的信号数据，可以看作是4个通道的数据，之后将采集到的T秒的数据进行标注，具体地，针对不同类型脑电信号对应的时段进行标注，在这一阶段完成之后可以得到一个C*1*M的矩阵，其中C表示通道数，对应脑电来说指的是不同频段的脑电信号，也就是说C为4，1表示的是数据的维度，由于采集的是脑电信号，因此维度为1维，M表示的是数据的长度，这里是60000(1kHz*60s)，因此当数据处理完成之后可以构建一个4*1*60000维度的数据矩阵进行之后的分析处理工作。

本申请实施例中，上述针对不同类型脑电信号对应的时段进行标注，即对不同时段信号进行标记，主要是对不同时段下信号的种类进行相应的打标签工作，也就是对这一小段时间测试人员处于什么状态进行标记。

S205、对预处理信号矩阵进行伪迹去除处理以及基线校正处理，得到脑电数据矩阵。

本申请实施例中，在对预处理信号矩阵进行独立主成分分析去除伪迹，同时进行基线校正之后就构建好了数据集，得到脑电数据矩阵。

本申请实施例中，实施上述步骤S204～步骤S205，能够根据预处理信号集合，构建脑电数据矩阵。

S206、根据脑电数据矩阵和预设网络模型进行训练，得到脑电检测模型。

本申请实施例中，预设网络模型具体可以为单阶段网络结构的卷积神经网络，具体包括普通的卷积层、深度可分离卷积模块(depthwise模块)、逐点卷积模块(pointwise模块)以及分组卷积模块(group convolution模块)等，对此本申请实施例不作限定。

本申请实施例中，在检测阶段利用grid选择框以及anchor锚框等策略来对不同状态下的脑电信号进行检测，能够实现在一整段信号中对不同状态不同类别下的脑电信号进行检测的目的。

本申请实施例中，预设网络模型的输出层，由于每个通道的数据都是随着时间的一维信号，因此本质上还是属于二维卷积，则沿用二维卷积的做法，首先在特征提取阶段使用depthwise convolution、pointwise convolution以及group convolution这样三种不同形式的卷积来作为特征提取模块，同时在卷积过程中加入shuffle(随机排序算法)打乱通道的操作来进行补充，一方面可以减少参数量和计算量，另一方面可以尽量好地维持模型整体的准确率，特征提取模块基本的模型结构如图5所示。

本申请实施例中，当待处理的脑电信号输入至脑电检测模型之后，首先在脑电检测模型初始使用64个1*3卷积核对数据进行特征提取，步长设置为1，padding设置为1，以此来使得输入输出的数据维度保持一致。

本申请实施例中，待处理的脑电信号首先经过64个1*3卷积核的卷积层进行特征提取处理之后，得到特征提取数据，然后再将该特征提取数据输入至如图5所示的基本模块中，从图5中可以看出，通过分离模块将输入的通道进行split(分离)，即对输入通道进行平均分组，若输入通道数为n，则每组的通道数为n/2,其中一组进行DW卷积分支，DW卷积是depthwise卷积和pointwise卷积相结合的形式，结合之后的卷积名称称之为深度可分离卷积，之后经过1*1的group卷积来进一步融合特征，group卷积的特点是卷积操作不在是对全部的通道进行，而是将输入通道划分为G组，之后分别使用1*1的卷积对G组内输入通道进行卷积操作来得到相应的输出。另外一个分支是首先经过1*1的group卷积进行低级别的特征提取，之后加入1*3的DW卷积和1*1的group卷积，最后将两个分支的输出进行concat连接之后加入shuffle操作，也就是打乱通道顺序，利用这样的方式一方面可以减少参数量和计算量，另外一方面能够较好的提取数据特征，因此这样的一个结构构成了特征提取基础结构，即脑电检测模型整体的基础模块(basicmodule)。

本申请实施例中，预设网络模型的损失函数公式为：

E＝E^N+E^P；

其中，E^N表示用于计算信号类别的损失函数，E^P表示用于计算信号发生的时段的损失函数；

其中，N是全部的样本个数，c为类别总数，n表示当前的样本，k表示当前样本的类别，表示网络模型输出的目标类别，表示真实标注的目标类别；B表示第n个样本中信号区域的总数量，j表示第n个样本中信号区域的位置，表示目标框中存在含有真实信号的中心，C_n表示第n个样本实际预测的区域位置，表示第n个样本标注好的区域位置，x_n表示第n个样本实际预测的坐标位置，表示第n个样本标注的坐标位置。

本申请实施例中，n＝1，2，...，N，k＝1，2，...，c。

本申请实施例中，具体表示第k类第n个样本经由网络模型处理后输出的目标类别，具体表示第k类第n个样本真实标注的目标类别。

本申请实施例中，B表示第n个样本中信号区域的总数量。实际上，对于N个样本中的其中一个样本n，该样本包括一条脑电信号，该信号中有多个信号区域，每个信号区域对应不同种类的信号，该条信号中所有信号区域的总数量即为B。同样地，对于样本n，j表示第n个样本中信号区域的位置，其中，j＝1，2，…，B，举例来说，样本n包括一条脑电信号，一共有3个信号区域，则j＝1，2，3，其中，当j＝1时，则表示该条脑电信号中的第一个信号区域，同理当j＝2时，则表示该条脑电信号中的第二个信号区域，当j＝3时，则表示该条脑电信号中的第三个信号区域。

本申请实施例中，脑电数据矩阵具体可以为C*1*M的矩阵，其中，C表示通道数，1表示脑电信号的维度，M表示的是脑电信号的长度。脑电数据矩阵实际上就是标注好的脑电信号样本集合。N实际上就是脑电数据矩阵中的脑电信号样本总数。

本申请实施例中，在一整段脑电信号中，存在没有信号的区域以及由信号的信号区域，在实际检测中，实际上有信号的信号区域被识别检测为有信号的信号区域，则可以称该信号区域对应的信号为真实信号。

本申请实施例中，C_n表示第n个样本实际预测的区域位置，具体为第n个样本实际预测的区域范围，其它类似表述同理。

本申请实施例中，用于计算第n个样本对应的位置重合度误差，用于计算第n个样本对应的坐标误差。

本申请实施例中，用于计算信号类别的损失函数E^N具体可以为平方误差代价函数。

本申请实施例中，由于需要对信号发生的时间和信号的类别进行检测，因此损失函数需要对信号类别和信号发生的时段进行损失函数设计，具体地，预设网络模型使用两个损失函数，包括针对信号类别的损失函数E^N以及针对信号发生的时段的损失函数E^P。

本申请实施例中，关于信号发生的时段就需要考虑两方面，一方面是时间误差(即坐标误差)，也就是识别出的时间和真实事件发生的时间之间的误差；另外一方面就是位置重合度(即时段误差)，即识别出的信号时间段和真实信号的时间段之间的误差，由于误差包含了两个方面的因素，因此使用两种损失函数进行计算。

本申请实施例中，通过将上述损失函数进行组合就可以完成损失函数的设计，利用相应算法进行回归训练即可。

本申请实施例中，脑电检测模型通过利用准确率、精确率以及召回率来对脑电检测模型效果进行判断，计算公式为：

其中，TP实际是正样本，预测也是正样本；

TN实际是负样本，预测也是负样本；

FP实际是负样本，预测是正样本；

FN实际是正样本，预测是负样本。

在上述实施方式中，通过上述公式可以实现使用检测的准确率，精确率以及召回率等指标对脑电检测模型效果进行判断。其中，正样本是指属于某一类别的样本，负样本是指不属于某一类别的样本。在本申请实施例中，正样本是包括脑电信号的样本，负样本则是不包括脑电信号的样本。

在上述实施方式中，对脑电检测模型进行评估时，可以使用测试集中的数据进行，目的是模型可以在测试集上表现的比较好，也就是泛化误差比较小，要求上面所提及到的三个评价指标(即准确率，精确率以及召回率)都尽可能大比较好。在模型评估阶段使用这几个指标能够较为准确的评估出模型的好坏，以此来对模型进行调整。

在步骤S206之后，还包括以下步骤：

S207、获取待检测信号，并对待检测信号进行平均分组，得到第一分组信号和第二分组信号。

S208、在脑电检测模型中，根据1*3的卷积核对第一分组信号进行深度可分离卷积，得到第一卷积结果；以及在脑电检测模型中，根据1*1的卷积核对第一卷积结果进行分组卷积，得到第一特征。

S209、在脑电检测模型中，根据1*1的卷积核对第二分组信号进行分组卷积，得到第二特征；以及在脑电检测模型中，根据1*3的卷积核对第二特征进行深度可分离卷积，得到第二卷积结果；以及在脑电检测模型中，根据1*1的卷积核对第二卷积结果进行分组卷积，得到第三特征。

S210、对第一特征和第三特征进行concat连接和shuffle操作，得到数据特征。

S211、根据kmeans算法对数据特征进行聚类运算，得到聚类结果。

S212、根据聚类结果进行7个锚框的比例计算，得到锚框设置比例。

在步骤S212之后，还包括以下步骤：

S213、根据锚框设置比例和数据特征中的特征点对数据特征进行特征检测，得到安静状态检测结果或活跃状态检测结果。

本申请实施例中，与现有的单纯对不同时期采集的脑电信号做分类相比，实施上述步骤S207～步骤S213，首先对不同通道的脑电信号做预处理，之后通过网络输出可以判断出采集到信号的该时间段的不同信号状态，以此来判断出测试人的状态，从而可以自动判别出生理信号的状态，是一种较为可靠的判断方法和准则。

请一并参阅图6，图6是本申请实施例提供的一种脑电检测模型的基本结构示意图。如图6所示，利用预设网络模型的基础模块对数据进行若干次的特征提取，此时数据的特征已经比较明显。由于在训练之前已经将数据做好了标记，因此首先将特征图上的每个点作为一个特征点，称之为grid，同时以每个特征点为中心设定不同大小的锚框(anchor)用来检测，利用这样的方式主要是考虑到由于不同时段采集的信号状态会有所不同，不同信号的持续时间也不一样，因此需要对信号使用不同大小的锚框进行标记框的提取，只有这样才能够使得检测范围尽可能覆盖到更多的待检信号，利用kmeans算法对标记的输入信号进行聚类运算，将聚类的结果作为锚框的设置比例进行计算，通过设计不同大小的锚框可以更好的对信号进行处理，覆盖掉尽可能多的信号范围，以此来提高检测准确度。同时为了使得模型占用资源不会太大，在使用kmeans算法以及锚框数量的设置上选择了聚类3类，锚框数量设置为7，通过这样的锚框设置可以使得模型一方面能够覆盖到不同大小的标记数据，保证覆盖范围，另外一方面可以使得模型参数不至于太大的同时保证检测的精度。

如图6所示，其中输入信号(信号长度为1*60000)经过卷积层(64个1*3的卷积核)进行特征提取，后续的结构为上述的基础模块(basic module)，经过基础模块3，基础模块4，基础模块5处理之后的数据图，利用检测模块，也就是之前所介绍的grid以及anchor来进行相应信号的检测工作，需要注意的是，这里检测进行的具体方式是利用卷积操作来完成，操作时需要注意的是每一个锚框不仅需要完成信号发生时段的检测，同时还需要完成信号类别的检测，因此信号检测任务可以分为信号检测和信号定位两部分进行。

如图6所示，分类器使用级联分类器(Detector&classifier)，包括级联分类器1、级联分类器2以及级联分类器3。

如图6所示，NMS为非极大值抑制(Non-Maximum Suppression)，即抑制不是极大值的元素，可以理解为局部最大搜索。是一种去除非极大值的算法，常用于计算机视觉中的边缘检测、物体识别等。同样的，Fast NMS也是一种目标检测算法。

本申请实施例中，信号识别中需要识别的信号分为2类，分别是人处于安静休息的状态以及清醒活跃时的状态，这部分可以简单理解为正向情绪和反向情绪。信号定位就是关于不同类别的信号出现的时间长短以及所处的时间段。通过对这两部分进行回归训练就可以得到最终模型，完成对于脑电信号的检测，在最后对识别出来的检测框进行非极大值抑制算法过滤掉非检测时段就可以完成最终的检测。

可见，实施本实施例所描述的脑电检测模型的训练方法，能够更好地适应于不同人员以及不同活跃程度下的脑电信号的检测过程，从而降低脑电信号的分析难度，同时提高脑电信号检测的普遍适用性。

实施例3

请参看图3，图3为本申请实施例提供的一种脑电检测模型的训练装置的结构示意图。如图3所示，该脑电检测模型的训练装置包括：

获取单元310，用于根据预设频率和预设时间，获取脑电信号集合；

预处理单元320，用于对脑电信号集合进行预处理，得到预处理信号集合；

构建单元330，用于根据预处理信号集合，构建脑电数据矩阵；

训练单元340，用于根据脑电数据矩阵和预设网络模型进行训练，得到脑电检测模型。

本申请实施例中，对于脑电检测模型的训练装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

可见，实施本实施例所描述的脑电检测模型的训练装置，能够更好地适应于不同人员以及不同活跃程度下的脑电信号的检测过程，从而降低脑电信号的分析难度，同时提高脑电信号检测的普遍适用性。

实施例4

请一并参阅图4，图4是本申请实施例提供的一种脑电检测模型的训练装置的结构示意图。其中，图4所示的脑电检测模型的训练装置是由图3所示的脑电检测模型的训练装置进行优化得到的。如图4所示，获取单元310包括：

第一采集子单元311，用于根据1KHz的采样频率和60秒的采样时长，采集诱发状态下的单个脑电信号；

第二采集子单元312，用于根据预设次数对单个脑电信号进行多次采集，得到脑电信号集合。

作为一种可选的实施方式，预处理单元320包括：

处理子单元321，用于对脑电信号集合进行去噪处理和基线漂移去除处理，得到初步处理信号集合；

分离提取子单元322，用于根据预设多个频段对初步处理信号集合进行分离提取，得到多频段信号集合；

归一化子单元323，用于对多频段信号集合进行归一化处理，得到预处理信号集合。

作为一种可选的实施方式，构建单元330包括：

构建子单元331，用于根据预设波段通道数量和预设信号数据长度对预处理信号集合进行矩阵构建，得到预处理信号矩阵；

去除子单元332，用于对预处理信号矩阵进行伪迹去除处理以及基线校正处理，得到脑电数据矩阵。

作为一种可选的实施方式，预设网络模型为单阶段网络结构的卷积神经网络，预设网络模型至少包括深度可分离卷积模块、逐点卷积模块以及分组卷积模块。

作为一种可选的实施方式，脑电检测模型的训练装置还包括：

信号获取单元350，用于在根据脑电数据矩阵和预设网络模型进行训练，得到脑电检测模型之后，获取待检测信号，并对待检测信号进行平均分组，得到第一分组信号和第二分组信号；

模型处理单元360，用于在脑电检测模型中，根据1*3的卷积核对第一分组信号进行深度可分离卷积，得到第一卷积结果；以及在脑电检测模型中，根据1*1的卷积核对第一卷积结果进行分组卷积，得到第一特征；以及在脑电检测模型中，根据1*1的卷积核对第二分组信号进行分组卷积，得到第二特征；以及在脑电检测模型中，根据1*3的卷积核对第二特征进行深度可分离卷积，得到第二卷积结果；以及在脑电检测模型中，根据1*1的卷积核对第二卷积结果进行分组卷积，得到第三特征；

处理单元370，同于对第一特征和第三特征进行concat连接和shuffle操作，得到数据特征。

作为一种可选的实施方式，聚类单元380，用于在对第一特征和第三特征进行concat连接和shuffle操作，得到数据特征之后，根据kmeans算法对数据特征进行聚类运算，得到聚类结果；

检测单元390，用于根据聚类结果进行7个锚框的比例计算，得到锚框设置比例；以及根据锚框设置比例和数据特征中的特征点对数据特征进行特征检测，得到安静状态检测结果或活跃状态检测结果。

本申请实施例中，由于需要对信号发生的时间和信号的类别进行检测，因此损失函数需要对信号类别和信号发生的时段进行损失函数设计，具体地，预设网络模型使用两个损失函数，包括针对信号类别的损失函数以及针对信号发生的时段的损失函数。

作为一种可选的实施方式，所述预设网络模型的损失函数公式为：

E＝E^N+E^P；

其中，E^N表示用于计算信号类别的损失函数，E^P表示用于计算信号发生的时段的损失函数；

其中，N是全部的样本个数，c为类别总数，n表示当前的样本，k表示当前样本的类别，表示网络模型输出的目标类别，表示真实标注的目标类别；B表示第n个样本中信号区域的总数量，j表示第n个样本中信号区域的位置，表示目标框中存在含有真实信号的中心，C_n表示第n个样本实际预测的区域位置，表示第n个样本标注好的区域位置，x_n表示第n个样本实际预测的坐标位置，表示第n个样本标注的坐标位置。

本申请实施例中，关于信号发生的时段就需要考虑两方面，一方面是时间误差(即坐标误差)，也就是识别出的时间和真实事件发生的时间之间的误差；另外一方面就是位置重合度(即时段误差)，即识别出的信号时间段和真实信号的时间段之间的误差，由于误差包含了两个方面的因素，因此使用两种损失函数进行计算。

本申请实施例中，通过将上述损失函数进行组合就可以完成损失函数的设计，利用相应算法进行回归训练即可。

作为一种可选的实施方式，脑电检测模型通过利用准确率、精确率以及召回率来对脑电检测模型效果进行判断，计算公式为：

其中，TP实际是正样本，预测也是正样本；TN实际是负样本，预测也是负样本；FP实际是负样本，预测是正样本；FN实际是正样本，预测是负样本。

本申请实施例中，对于脑电检测模型的训练装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。

可见，实施本实施例所描述的脑电检测模型的训练装置，能够更好地适应于不同人员以及不同活跃程度下的脑电信号的检测过程，从而降低脑电信号的分析难度，同时提高脑电信号检测的普遍适用性。

本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项脑电检测模型的训练方法。

本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项脑电检测模型的训练方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能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，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、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。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。