具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，图1是本发明实施例提供的基于声音刺激序列的稳态认知响应分析方法的流程示意图；该基于声音刺激序列的稳态认知响应分析方法应用于用户终端或管理服务器中，该基于声音刺激序列的稳态认知响应分析方法通过安装于用户终端或管理服务器中的应用软件进行执行，用户终端即是可接收用户输入的声音序列生成信息并播放相应声音序列，并可对与该用户终端相连接的脑电帽所采集的大脑信号进行稳态认知成分响应的分析的终端设备，例如台式电脑、笔记本电脑、平板电脑或手机等，管理服务器即是可接收用户通过用终端发送的声音序列生成信息并播放相应声音序列，并可对与该管理服务器相连接的脑电帽所采集的大脑信号的服务器端，如企业、医疗机构或政府部门所构建的服务器。如图1所示，该方法包括步骤S110～S160。

S110、若接收到用户输入的声音序列生成信息，根据预置的声音模型生成与所述声音序列生成信息对应的测试声音序列。

若接收到用户输入的声音序列生成信息，根据预置的声音模型生成与所述声音序列生成信息对应的测试声音序列。用户可输入声音序列生成信息，可基于声音模型及用户输入的声音序列生成信息对应生成测试声音序列，测试声音序列即为由多个声音片段组合而成的一段声音信息。其中，声音序列生成信息包括发声时间、间隔时间、音调频率范围及序列时长。

在一实施例中，如图2所示，步骤S110包括子步骤S111、S112和S113。

S111、从所述音调频率范围中重复随机获取多个频率值作为对应的多个目标频率值。

可从音调频率范围内随机获取频率值作为目标频率值，则一次随机获取过程可对应得到一个目标频率值，由于在生成测试声音序列时需要使用多个目标频率值，因此可采用多次随机获取的方式从音调频率范围中获取多个对应的目标频率值。

例如，音调频率范围为300Hz-1200Hz，则每次可从300Hz-1200Hz中随机获取一个频率值作为目标频率值。

具体的，声音序列生成信息中还包括频率值获取规则，则可根据所述频率值获取规则从所述音调频率范围中重复随机获取多个频率值作为对应的多个目标频率值。例如，频率值获取规则可以是随机从音调频率范围中获取100整数倍的频率值作为目标频率值，则根据频率值获取规则可从音调频率范围为300Hz-1200Hz中随机获取300Hz、400Hz……1200Hz中任意一个100整数倍的频率值作为目标频率值。

S112、从所述声音模型中获取与每一所述目标频率值相匹配的目标声音并根据所述发声时间生成对应时长的声音片段。

声音模型中存储有与每一频率值唯一对应的声音，则可从声音模型中获取与每一目标频率值相匹配的目标声音，每一目标频率值与一个目标声音相对应，并根据发生时间对每一目标声音进行延时采集，得到与每一目标声音对应的声音片段，每一声音片段的时长均与发声时间相对应，多个声音片段对应的频率值各不相同。具体的，可利用单片机的tone函数获取与每一目标频率值相匹配的振荡信号，基于振荡信号以产生相应目标声音，利用延时函数使得单片机所发出的单个目标声音刺激持续，得到与发声时间对应时长的声音片段。

例如，发生时间可以是0.03s，则每一声音片段对应的时长即为0.03s。

S113、根据所述间隔时间对多个所述声音片段进行间隔组合以得到与所述序列时长相匹配的测试声音序列。

根据声音片段的生成顺序以及间隔时间对多个声音片段进行间隔组合，得到与序列时长相匹配的测试声音序列，测试声音序列也即与声音序列生成信息相匹配，序列时长即为测试声音序列的总时长，间隔时间即为两个相邻声音片段在测试声音序列中间隔的具体时间。

例如，序列时长为15s，间隔时间为0.2s，则根据该间隔时间对所得到的多个声音片段进行间隔组合，生成15s的测试声音序列。

S120、根据预置的声音模型生成与所述声音序列生成信息对应的对比声音序列。

根据预置的声音模型生成与所述声音序列生成信息对应的对比声音序列。还可根据声音模型及声音序列生成信息对应生成对比声音序列，对比声音序列用于作为测试声音序列的对比序列。

在一实施例中，如图3所示，步骤S120包括子步骤S121、S122和S123。

S121、从所述音调频率范围中随机获取一个频率值作为基准频率值。

可从音调频率范围中随机获取一个频率值作为基准频率值，在生成对比声音序列的过程中仅从音调频率范围中获取一次频率值。该基准频率值可以为音调频率范围中的任意频率值，也可以是音调频率范围中100整数倍的频率值。

S122、从所述声音模型中获取与所述基准频率值相匹配的基准声音并根据发声时间重复生成对应时长的基准声音片段。

可从声音模型中获取与基准频率值唯一匹配的基准声音，并基于该基准声音重复生成对应时长的基准声音片段，则可重复生成多个基准声音片段，多个基准声音片段对应的频率值均相同。

S123、根据所述间隔时间对多个所述基准声音片段进行间隔组合以得到与所述序列时长相匹配的对比声音序列。

根据间隔时间将多个基准声音片段进行间隔组合，组合后即可得到与序列时长相匹配的对比声音序列。

S130、向测试者分别播放所述测试声音序列及所述对比声音序列，采集所述测试者收听所述测试声音序列的第一大脑信号及所述测试者收听所述对比声音序列的第二大脑信号。

向测试者分别播放所述测试声音序列及所述对比声音序列，采集所述测试者收听所述测试声音序列的第一大脑信号及所述测试者收听所述对比声音序列的第二大脑信号。向测试者播放测试声音序列，并采集测试者收听测试声音序列的第一大脑信号，之后再向该测试者播放对比声音序列，并采集测试者收听对比声音序列的第二大脑信号，测试声音序列与对比声音序列的播放次序也可进行对调。具体的，可基于64通道的脑电帽从测试者的脑部采集对应的64通道的信号，则第一大脑信号及第二大脑信号均为64通道的信号。

S140、根据预置的信号分析规则对所述第一大脑信号进行分析处理得到对应的第一分析信息。

根据预置的信号分析规则对所述第一大脑信号进行分析处理得到对应的第一分析信息。获取到第一大脑信号后，可根据信号分析规则对第一大脑信号进行分析处理得到对应的第一分析信息，由于测试者需要收听一定时长的测试声音序列，因此采集得到的第一大脑信号中包含多个通道的时域及频域信息，因此第一大脑信号无法直观体现测试者的认知响应情况，则可对第一大脑信号进行分析处理得到第一分析信息，第一分析信息采用波形图方式进行展示，因此可通过第一分析信息对测试者的认知响应进行直观体现。信号分析规则即为对第一大脑信号进行分析处理的具体规则，其中，所述信号分析规则包括滤波频段、参考通道信息及伪迹过滤公式。

在一实施例中，如图4所示，步骤S140包括子步骤S141、S142、S143和S144。

S141、对所述第一大脑信号进行时域采样以得到每一时域对应的采样时域信息。

可对第一大脑信号进行时域采样，通过时域采样即可得到每一时域对应的时域信息。时域即为进行时域采样中所应用的一个单位时间，可根据时域对第一大脑信号中每一通道的信号进行分段，得到每一通道的信号分段信息，并根据预置的采样率从每一通道的信号分段信息中采样得到时域信息，同一时域所包含的所有通道的时域信息即组合为该时域的采样时域信息。

例如，测试声音序列的时长为15s，对第一大脑信号进行采集的时长为20s，时域为1秒，采样率为1/1000s，则可将第一大脑信号中每一通道的信号分段为时长1s的信号分段信息，通过采样率从每一通道的信号分段信息中采样得到时域信息，则1s的信号在时域信息中包含对应信号分段信息中的1000个时间点的信息。最终1s时域对应的采样时域信息可采用矩阵形式N×M进行表示，其中，N为通道数，M为每一信号分段信息对应的多个时间点值，例如，N可以是64，M可以是1000。

S142、根据所述滤波频段获取每一所述采样时域信息中与所述滤波频段相对应的采样滤波信息。

采样时域信息中每一通道对应的多个采样值在二维坐标系中可表示为一段曲线段，在具体处理过程中，可首先对采样时域信息中每一通道对应的多个采样值组合成的曲线段进行快速傅里叶变换(fast Fourier transform，FFT)，进行快速傅里叶变换后即可得到对应的一段连续曲线段，根据滤波频段获取所得到的每一连续曲线段中与滤波频段相对应的目标曲线，例如，滤波频段为0.05-50Hz，则从所得到的每一连续曲线段中获取与0.05-50Hz对应的曲线作为目标曲线。对每一目标曲线进行傅里叶逆变换(inverse Fouriertransform，IFT)得到逆变换频率信息，逆变换频率信息由与每一通道分别对应的多个通道频率值组成，获取每一采样时域信息中每一通道对应的多个频率值所对应的逆变换频率信息作为每一采样时域信息的采样滤波信息。

S143、获取每一所述采样滤波信息中与所述参考通道信息相匹配的通道样本信息对每一所述采样滤波信息进行重参考变换，得到与每一所述采样滤波信息对应的重参考变换信息。

可根据参考通道信息获取每一采样滤波信息中对应的通道样本信息，则每一采样滤波信息均能获取到对应的通道样本信息，基于通道样本信息对与该通道样本信息对应的采样滤波信息进行重参考变换，得到每一采样滤波信息对应的重参考变换信息。

在一实施例中，如图5所示，步骤S143包括子步骤S1431、S1432和S1433。

S1431、获取每一所述采样滤波信息中与所述参考通道信息相匹配的通道样本信息。

参考通道信息可包含一个通道或多个通道，例如，一个采样频率的滤波信息中包含64通道的样本信息，参考通道信息为TP9和TP10，则分别获取64通道的样本信息中与第9个通道及第10个通道对应的样本信息作为该采样滤波信息的通道样本信息。依据上述方法可分别获取到与每一采样滤波信息对应的通道样本信息。

S1432、计算每一所述通道样本信息的样本平均值。

计算通道样本信息的样本平均值，获取每一通道样本信息中所包含的多个采样频率的信息值进行平均计算，即可得到每一通道信息重参考后对应的样本平均值。

S1433、计算每一所述采样滤波信息中每一通道的通道值与相应样本平均值之间的差值，得到与每一所述采样滤波信息对应的重参考变换信息。

每一采样滤波信息中每一通道的样本信息均包含多个采样频率的信息值，计算每一采样滤波信息中每一通道的通道值与相应样本平均值之间的差值，将每一采样滤波信息对应计算得到的多个差值进行组合即可得到每一采样滤波信息对应的重参考变换信息。

例如，样本平均值为4，与该样本平均值对应的某一采样滤波信息中的一个通道值为2，与该通道值对应的差值为-2；则另一通道值为9，与该通道值对应的差值为5。

S144、根据所述伪迹过滤公式对所述重参考变换信息进行伪迹过滤得到对应的第一分析信息。

伪迹过滤公式即是基于独立分量分析(Independent Component Analysis，ICA)所构建的一种盲信号分离(blind signal separation，BSS)方法计算公式。独立分量分析的基本原理可通过公式(1)进行表示：

X＝A×S (1)；

其中，X是记录得到的脑电波信号(Electroencephalogram，EEG)，该信号可采用“维度通道×时间”的矩阵数据进行表示，S是源信号，可采用“维度分量×时间”的矩阵数据进行表示，A表示混合矩阵，可采用“维度通道×分量”的矩阵数据进行表示。独立分量分析的目的是找到混合矩阵A，使每个分量(每一行)相互独立。

根据上述基本原理结合线性模型，可基于独立分量分析构建伪迹过滤公式，具体计算过程包括：运行基于独立分量分析算法对所有重参考变换信息进行计算得到混合矩阵A；根据伪迹过滤公式中的第一公式计算得到源信号S，第一公式可采用公式(2)进行表示：

S＝pinv(A)×X (2)；

其中，S即为计算得到的源信号，pinv(A)是对混合矩阵A进行求伪逆矩阵运算，X及表示所有重参考变换信息组合形成的矩阵。

根据预置的数值修改模板将源信号S中与数值修改模板相匹配的行包含的数值修改为0得到S_bar；根据伪迹过滤公式中的第二公式计算得到第一分析信息，第二公式可采用公式(3)进行表示：

X_bar＝A×S_bar (3)；

其中，X_bar即为进行伪迹过滤得到的第一分析信息，所得到的第一分析信息可采用二维波形图进行表示，波形图中横坐标为频率值(单位为Hz)，纵坐标为功率(单位为V²/Hz)。

S150、根据所述信号分析规则对所述第二大脑信息进行分析处理得到对应的第二分析信息。

根据所述信号分析规则对所述第二大脑信息进行分析处理得到对应的第二分析信息。可根据上述信号分析规则对第二大脑信号进行分析处理，得到与第二大脑信号对应的第二分析信息，对第二大脑信号进行分析处理的过程与对第一大脑信号进行分析处理的过程相同，在此不作赘述。所得到的第二分析信息同样可采用二维波形图进行表示，波形图中横坐标为频率值(单位为Hz)，纵坐标为功率(单位为V²/Hz)。

S160、根据预置的差异比较规则对所述第一分析信息及所述第二分析信息进行差异性比较得到对应的稳态比较分析结果。

根据预置的差异比较规则对所述第一分析信息及所述第二分析信息进行差异性比较得到对应的稳态比较分析结果。可通过差异比较规则对第一分析信息及第二分析信息进行差异性比较，差异比较规则即为对第一分析信息及第二分析信息中的差异性进行比较的具体规则，通过差异性比较即可得到稳态比较分析结果，稳态比较分析结果可对第一分析信息与第二分析信息之间的差异性进行量化表示。

在一实施例中，如图6所示，步骤S160包括子步骤S161、S162和S163。

S161、根据所述差异比较规则中的频率采集点从所述第一分析信息中采集得到对应的第一采集点功率。

具体的，差异比较规则包含至少一个频率采集点，第一分析信息可具体表示为二维波形图，则可从第一分析信息对应的二维波形图中获取与每一频率采集点对应的功率值，功率值均为大于0的数值，一个功率值即为二维波形图中横坐标与一个频率采集点对应一个数据点的纵坐标数值，每一频率采集点所对应的功率值即组成该第一分析信息对应的第一采集点功率。

S162、根据所述差异比较规则中的频率采集点从所述第二分析信息中采集得到对应的第二采集点功率。

可采用同样方式从第二分析信息中采集得到与频率采集点相对应的第二采集点功率，则第二采集点功率所包含的功率值的数量与第一采集点功率所包含的功率值的数量相等。

S163、根据所述差异比较规则中的差异度计算公式计算所述第一采集点功率与所述第二采集点功率之间的差异系数，将所述差异系数作为所述稳态比较分析结果。

具体的，可根据差异度计算公式计算得到第一采集点功率与第二采集点功率之间的差异系数，差异度计算公式可采用公式(4)进行表示：

其中，T为第一采集点功率中所包含功率值的总数，f_ia为第一采集点功率中的第i个功率值，f_ib为第二采集点功率中的第i个功率值，C即为计算得到的差异系数。差异系数越大则表明第一采集点功率与第二采集点功率之间的差异性越大，也即是第一分析信息及第二分析信息之间的差异性越大。

在本发明实施例所提供的基于声音刺激序列的认知响应分析方法中，根据声音模型分别生成与用户输入的声音序列生成信息对应的测试声音序列及对比声音序列，向测试者分别播放测试声音序列及对比声音序列，分别采集得到第一大脑信号及第二大脑信号，对第一大脑信号进行分析处理得到第一分析信息，对第二大脑信号进行分析处理得到第二分析信息，并根据差异比较规则对第一分析信息与第二分析信息进行差异性比较得到稳态比较分析结果。通过上述方法，通过生成特定的测试声音序列及对比声音序列，并对分别得到的第一大脑信号及第二大脑信号进行分析处理得到直观表示的第一分析信息与第二分析信息，通过对直观表示的第一分析信息及第二分析信息进行差异性比较，大幅提高了由声音刺激所引起的大脑信号之间的差异性进行分析的准确性。

本发明实施例还提供一种基于声音刺激序列的认知响应分析装置，该基于声音刺激序列的认知响应分析装置可配置于用户终端或管理服务器中，该基于声音刺激序列的认知响应分析装置用于执行前述的基于声音刺激序列的认知响应分析方法的任一实施例。具体地，请参阅图7，图7为本发明实施例提供的基于声音刺激序列的认知响应分析装置的示意性框图。

如图7所示，基于声音刺激序列的认知响应分析装置100包括测试声音序列获取单元110、对比声音序列获取单元120、大脑信号获取单元130、第一分析信息获取单元140、第二分析信息获取单元150和分析结果获取单元160。

测试声音序列获取单元110，用于测试声音序列获取单元，用于若接收到用户输入的声音序列生成信息，根据预置的声音模型生成与所述声音序列生成信息对应的测试声音序列。

在一实施例中，所述测试声音序列获取单元110包括子单元：目标频率值获取单元，用于从所述音调频率范围中重复随机获取多个频率值作为对应的多个目标频率值；声音片段生成单元，用于从所述声音模型中获取与每一所述目标频率值相匹配的目标声音并根据所述发声时间生成对应时长的声音片段；第一声音序列获取单元，用于根据所述间隔时间对多个所述声音片段进行间隔组合以得到与所述序列时长相匹配的测试声音序列。

对比声音序列获取单元120，用于根据预置的声音模型生成与所述声音序列生成信息对应的对比声音序列。

在一实施例中，所述对比声音序列获取单元120包括子单元：基准频率值获取单元，用于从所述音调频率范围中随机获取一个频率值作为基准频率值；基准声音片段生成单元，用于从所述声音模型中获取与所述基准频率值相匹配的基准声音并根据发声时间重复生成对应时长的基准声音片段；第二声音序列获取单元，用于根据所述间隔时间对多个所述基准声音片段进行间隔组合以得到与所述序列时长相匹配的对比声音序列。

大脑信号获取单元130，用于向测试者分别播放所述测试声音序列及所述对比声音序列，采集所述测试者收听所述测试声音序列的第一大脑信号及所述测试者收听所述对比声音序列的第二大脑信号。

第一分析信息获取单元140，用于根据预置的信号分析规则对所述第一大脑信号进行分析处理得到对应的第一分析信息。

在一实施例中，所述第一分析信息获取单元140包括子单元：采样时域信息获取单元，用于对所述第一大脑信号进行时域采样以得到每一时域对应的采样时域信息；采样滤波信息获取单元，用于根据所述滤波频段获取每一所述采样时域信息中与所述滤波频段相对应的采样滤波信息；重参考变换处理单元，用于获取每一所述采样滤波信息中与所述参考通道信息相匹配的通道样本信息对每一所述采样滤波信息进行重参考变换，得到与每一所述采样滤波信息对应的重参考变换信息；伪迹过滤单元，用于根据所述伪迹过滤公式对所述重参考变换信息进行伪迹过滤得到对应的第一分析信息。

在一实施例中，重参考变换处理单元包括子单元：通道样本信息获取单元，用于获取每一所述采样滤波信息中与所述参考通道信息相匹配的通道样本信息；频率平均值获取单元，用于计算每一所述通道样本信息的频率平均值；频率差值获取单元，用于计算每一所述采样滤波信息中每一通道的通道频率值与相应频率平均值之间的频率差值，得到与每一所述采样滤波信息对应的重参考变换信息。

第二分析信息获取单元150，用于根据所述信号分析规则对所述第二大脑信息进行分析处理得到对应的第二分析信息。

分析结果获取单元160，用于根据预置的差异比较规则对所述第一分析信息及所述第二分析信息进行差异性比较得到对应的稳态比较分析结果。

在一实施例中，所述分析结果获取单元160包括子单元：第一采集点功率获取单元，用于根据所述差异比较规则中的频率采集点从所述第一分析信息中采集得到对应的第一采集点功率；第二采集点功率获取单元，用于根据所述差异比较规则中的频率采集点从所述第二分析信息中采集得到对应的第二采集点功率；差异系数计算单元，用于根据所述差异比较规则中的差异度计算公式计算所述第一采集点功率与所述第二采集点功率之间的差异系数，将所述差异系数作为所述稳态比较分析结果。

在本发明实施例所提供的基于声音刺激序列的认知响应分析装置应用上述基于声音刺激序列的稳态认知响应分析方法，根据声音模型分别生成与用户输入的声音序列生成信息对应的测试声音序列及对比声音序列，向测试者分别播放测试声音序列及对比声音序列，分别采集得到第一大脑信号及第二大脑信号，对第一大脑信号进行分析处理得到第一分析信息，对第二大脑信号进行分析处理得到第二分析信息，并根据差异比较规则对第一分析信息与第二分析信息进行差异性比较得到大脑稳态认知成分的稳态比较分析结果。通过上述方法，可对分别得到的第一大脑信号及第二大脑信号分别进行分析处理，之后对直观表示的第一分析信息与第二分析信息进行差异性比较，大幅提高了对大脑稳态认知成分进行分析的准确性。

上述基于声音刺激序列的认知响应分析装置可以实现为计算机程序的形式，该计算机程序可以在如图8所示的计算机设备上运行。

请参阅图8，图8是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于播放相应声音序列并可对与该计算机设备相连接的脑电帽所采集的大脑信号进行分析，以实现基于声音刺激序列进行认知响应分析的用户终端或管理服务器。

参阅图8，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。

该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于声音刺激序列的认知响应分析方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于声音刺激序列的认知响应分析的分析方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的基于声音刺激序列的认知响应分析方法中对应的功能。

本领域技术人员可以理解，图8中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图8所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的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程序，其中计算机程序被处理器执行时实现上述的基于声音刺激序列的认知响应分析方法中所包含的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、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，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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，也可以是电的，机械的或其它的形式连接。

所述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发明实施例方案的目的。

另外，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单元中，也可以是各个单元单独物理存在，也可以是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。

所述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存储介质中。基于这样的理解，本发明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计算机可读存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only 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，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。