阅读说明：本技术 一种缄默通讯方法、装置、设备及存储介质 (Method, device, equipment and storage medium for silencing communication ) 是由 闫野 赵涛 印二威 邓宝松 霍晓凯 徐梦菲 范晓丽 谢良 于 2020-07-20 设计创作，主要内容包括：本发明公开了一种缄默通讯方法、装置、设备及存储介质,包括：同步采集面部肌电信号、唇部光学图像和口腔超声图像；对所述面部肌电信号、唇部光学图像和口腔超声图像进行预处理以及特征提取,得到处理后的特征数据；将所述处理后的特征数据输入预先训练的无声语音识别模型,得到以缄默方式说话时的无声语音；将所述无声语音发送到语音接收设备。本发明的缄默通讯方法,融合了面部肌电信号、唇部图像以及口腔超声图像三种常用于无声语音识别技术中的特征信号,能够获得准确率更高,识别速度更快的识别结果。(The invention discloses a method, a device, equipment and a storage medium for silencing communication, wherein the method comprises the following steps: synchronously acquiring facial electromyographic signals, lip optical images and oral cavity ultrasonic images; preprocessing and feature extracting are carried out on the facial electromyographic signals, the lip optical images and the oral cavity ultrasonic images to obtain processed feature data; inputting the processed characteristic data into a pre-trained silent speech recognition model to obtain silent speech when speaking in a silence mode; and transmitting the silent voice to a voice receiving device. The invention integrates three characteristic signals commonly used in silent voice recognition technology, namely facial myoelectric signals, lip images and oral ultrasonic images, and can obtain a recognition result with higher accuracy and higher recognition speed.)

一种缄默通讯方法、装置、设备及存储介质

技术领域

本发明涉及通讯技术领域，特别涉及一种缄默通讯方法、装置、设备及存储介质。

背景技术

不依靠声学信号的缄默通讯方法具有多种用途，例如，可以在医疗领域中帮助发音障碍患者进行交流，可以用于火灾、化学物质灾害等救灾现场的通讯，用于在军事指挥作战中的保密通讯等。

缄默通讯中的无声语音识别技术发展至今，使用的非声学信号和方法主要有以下几类：利用口腔的超声图像和唇部的光学图像数据进行语音信号的转换，使用表面肌电信号传感器采集发音时面部及喉部肌肉运动的电信号重建发音过程，使用电磁发音记录仪，用来记录发声时各个发音器官的运动信息，从脑电图解析信号，通过记录说话者脑电图情况，模拟语音产生的过程。近年来，基于唇部光学图像、基于口腔的超声成像系统和基于表面肌电信号的无声语音技术越来越广泛的用于缄默通讯方法中，且都是一种非侵入式、临床安全的方式。

但是现有技术中都是对上述的各种单一的非声学数据采集及无声语音识别技术进行研究，由于其较低的鲁棒性和泛化能力，使得其语音识别的精度较低，难以满足高效缄默通讯的要求。

发明内容

本公开实施例提供了一种缄默通讯方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种缄默通讯方法，包括：

同步采集面部肌电信号、唇部光学图像和口腔超声图像；

对面部肌电信号、唇部光学图像和口腔超声图像进行预处理以及特征提取，得到处理后的特征数据；

将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话时的无声语音；

将无声语音发送到语音接收设备。

进一步地，对面部肌电信号、唇部光学图像和口腔超声图像进行预处理，包括：

对面部肌电信号进行滤波、降噪、活动段提取、数据归一化以及去基线处理，得到预处理后的面部肌电信号；

对唇部光学图像进行转换灰度图、裁剪目标区域以及压缩图像的处理，得到预处理后的唇部光学图像；

对口腔超声图像进行数据平滑降噪以及裁剪目标区域的处理，得到预处理后的口腔超声图像。

进一步地，对预处理后的面部肌电信号、预处理后的唇部光学图像以及预处理后的口腔超声图像进行特征提取，得到处理后的特征数据，包括：

对预处理后的面部肌电信号提取梅尔频率倒谱系数，得到面部肌肉运动的动态特征数据；

对预处理后的唇部光学图像采用主成分分析方法，提取唇部的运动特征数据；

对预处理后的口腔超声图像采用离散余弦变换方法，提取口腔及舌头的运动特征数据。

进一步地，将处理后的特征数据输入预先训练的无声语音识别模型之前，还包括：

根据处理后的特征数据，采用深度学习的方法训练无声语音识别模型。

进一步地，采用深度学习的方法训练无声语音识别模型，包括：

采用深度学习中的卷积神经网络算法训练无声语音识别模型，或，

采用深度学习中的长短时记忆神经网络算法训练无声语音识别模型。

进一步地，将无声语音发送到语音接收设备，包括：

通过无线通信技术将无声语音发送到语音接收设备。

第二方面，本公开实施例提供了一种缄默通讯装置，包括：

数据采集模块，用于同步采集面部肌电信号、唇部光学图像和口腔超声图像；

数据处理模块，用于对面部肌电信号、唇部光学图像和口腔超声图像进行预处理以及特征提取，得到处理后的特征数据；

识别模块，用于将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话时的无声语音；

通讯模块，用于将无声语音发送到语音接收设备。

进一步地，还包括：

模型训练模块，用于根据处理后的特征数据，采用深度学习的方法训练无声语音识别模型。

第三方面，本公开实施例提供了一种缄默通讯设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的缄默通讯方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种缄默通讯方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例的缄默通讯方法，融合了三种常用于无声语音识别技术中的特征信号，包括面部肌电信号、唇部光学图像和口腔超声图像，通过对这三种信号进行预处理和特征提取，基于这三种信号训练识别模型，能够获得准确率更高，识别速度更快的无声语音识别结果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种缄默通讯方法的流程示意图；

图2是根据一示例性实施例示出的一种缄默通讯方法的流程示意图；

图3是根据一示例性实施例示出的一种缄默通讯方法的示意图；

图4是根据一示例性实施例示出的一种面部肌电信号采集的示意图；

图5是根据一示例性实施例示出的一种唇部光学图像和口腔超声图像采集的示意图；

图6是根据一示例性实施例示出的一种缄默通讯装置的结构示意图；

图7是根据一示例性实施例示出的一种缄默通讯装置的结构示意图；

图8是根据一示例性实施例示出的一种缄默通讯设备的结构示意图；

图9是根据一示例性实施例示出的一种计算机存储介质的示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例中的缄默通讯方法，通过同步采集面部肌电信号、唇部光学图像和口腔超声图像，对这三种信号进行预处理以及特征提取，得到处理后的特征数据，根据处理后的特征数据训练无声语音识别模型，进而识别以缄默方式说话时的无声语音，该方法融合了三种常用于无声语音识别技术中的特征信号，能够获得准确率更高，识别速度更快的无声语音识别结果。

下面将结合附图1-附图9，对本申请实施例提供的缄默通讯方法、装置、设备及存储介质进行详细介绍。

参见图1，该方法具体包括以下步骤。

步骤S101、同步采集面部肌电信号、唇部光学图像和口腔超声图像。

具体地，人在说话时面部肌肉的运动对应着不同的神经电活动，因此，可以通过采集面部肌电信号分析以缄默方式说话时的无声语音，图4是根据一示例性实施例示出的一种面部肌电信号采集的示意图，如图4所示，以表面电极为引导电极，放置在口腔周围的面部和喉部的皮肤上，通过与活动肌肉所在区域的皮肤表面紧密接触的方式，测量肌肉电活动在检测电极处的综合电位而得到面部肌电信号，在一种可能的实现方式中，采样率为1000Hz,采集到的原始肌电信号为6通道的一维信号。

在采集面部肌电信号的同时，还包括同步采集唇部光学图像和口腔超声波图像，图5是根据一示例性实施例示出的一种唇部图像和口腔超声图采集的示意图，如图5所示，可以通过头戴式设备采集唇部光学图像和口腔超声波图像，通过头戴式设备贴于下颚面下的超声波探头可以提供舌中矢面的视图，能够清晰地展现说话时舌表面的运动情况，采样率设定为60Hz,采集到的原始口腔超声图像是分辨率为320*240像素的灰度图像。超声成像是一种非侵入性的、临床安全的方式，它可以对人体最重要的声学器官——舌，实现实时可视化。

为了获得更多非声学特征信息，该头戴式设备同时在说话者唇部正前方配置了小型摄像头，拍摄说话时唇部的实时光学图像，采样率设定为60Hz,采集到的原始唇部图像数据是分辨率为480*320像素的RGB彩色图像。

通过该步骤，可以同步采集面部肌电信号、唇部光学图像和口腔超声图像。

步骤S102对面部肌电信号、唇部光学图像和口腔超声图像进行预处理以及特征提取，得到处理后的特征数据。

首先对采集到的面部肌电信号、唇部光学图像和口腔超声图像进行预处理。

具体地，对采集到的面部肌电信号进行预处理，对面部肌电信号进行滤波、降噪、活动段提取、数据归一化以及去基线处理，得到预处理后的面部肌电信号，在一种可能的实现方式中，使用50Hz的ChebyshevⅠ型IIR陷波器去除工频干扰，然后使用10-400Hz的ButterworthⅠ型IIR带通滤波器进行滤波降噪，最后提取有效活动段的数据进行归一化处理，得到高信噪比的面部肌电信号数据。

具体地，对采集到的唇部光学图像进行预处理，对唇部光学图像进行转换灰度图、裁剪目标区域以及压缩图像的处理，得到预处理后的唇部光学图像，在一种可能的实现方式中，对采集到的唇部光学图像首先转换成灰度图，然后基于连续点对数据进行均值处理，获得平滑数据，降低突变噪声干扰，由于直接训练整张图像时的数据量比较大，影响处理效率，因此常常只对图像中需要的部分进行处理，也就是目标区域，目标区域是从原始图像中选择的一个图像区域，作为图像分析所关注的重点，目的是去除杂于干扰信息，这里用固定大小360*240的矩形框截取出唇部运动图像的目标区域，再用线性插值法将图像的分辨率压缩到200*150像素。

具体地，对采集到的口腔超声图像进行预处理，对口腔超声图像进行数据平滑降噪以及裁剪目标区域的处理，得到预处理后的口腔超声图像。在一种可能的实现方式中，基于连续点对数据进行均值处理，获得平滑数据，降低突变噪声干扰，由于直接训练整张图像时的数据量比较大，影响处理效率，因此用固定大小360*240的矩形框截取出口腔超声图像的目标区域。

进一步地，对预处理后的面部肌电信号、预处理后的唇部光学图像以及预处理后的口腔超声图像进行特征提取，得到处理后的特征数据，包括：

对预处理后的面部肌电信号提取梅尔频率倒谱系数，及其包含了动态特征信息的一阶差分和二阶差分系数，得到面部肌肉运动的动态特征数据，该动态特征数据可以直接进行神经网络训练和识别。

对预处理后的唇部光学图像采用主成分分析方法，提取唇部的运动特征数据；

对预处理后的唇部光学图像做主成分分析，主要是为了获取唇部运动图像的特征空间，在保留唇部基本的运动信息的情况下，尽量降低数据的维度，提取图像的特征，并能去除舌部超声图像的冗余信息，具体步骤如下：

首先对图像进行向量化，即将大小为m×n的唇部图像按行展开为mn×1的向量χ；

求N幅训练图像的平均向量

则N幅图像的协方差矩阵为

接下来求C的特征向量和特征值，其中特征值的大小表示唇部图像投影到新的空间的方差的大小，选取投影到新的空间后方差大的方向作为原向量需要投影到的方向。按照特征值的大小对特征向量由大到小进行排序，此时特征向量对应的图像即为特征子图像，特征包含的子图像越多，携带数据特征信息越多，从而重构的效果也越好。

对预处理后的口腔超声图像采用离散余弦变换方法，提取口腔及舌头的运动特征数据。

对预处理后的口腔超声图像进行离散余弦变换，离散余弦变换是一种图像变换技术，它使用傅里叶变换中的实数部分，将空间信号转换到频域上。使用离散余弦变换能够将原图像的灰度值转换为频域的离散余弦变换系数，并且转换后原图像的大部分信息分布在左上角，通过选取左上角的部分系数获取原超声图像的特征，可以忽略高频噪声。而且可以将每幅舌部的超声图像单独进行处理，将得到的代表原图像的特征向量存储下来，用于后期的识别，当有新的舌部的超声图像需要进行特征处理时，无需考虑其他的图像，计算量小，计算速度快。具体步骤如下：

对于大小为M×N的超声图像A_mn，其二维离散余弦变换系数可通过下式计算

0≤i≤N-1, 0≤j≤N-1

其中

计算后离散余弦变换系数较大的值会集中在矩阵左上角低频部分，意味这该部分所含信息量最大，而高频系数分布在离散余弦变换后的矩阵的右下方，表示了舌部超声图像的噪声信息。因此在选取离散余弦变换特征时，从系数矩阵左上角开始之字形取值。

通过该步骤，可以得到对面部肌电信号、唇部光学图像和口腔超声图像处理后的特征数据。

步骤S103将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话时的无声语音。

在将处理后的特征数据输入预先训练的无声语音识别模型之前，还包括，根据处理后的特征数据，采用深度学习的方法训练无声语音识别模型。可以采用深度学习中的卷积神经网络算法训练无声语音识别模型，或，采用深度学习中的LSTM(长短时记忆神经网络，Long Short-Term Memory)算法训练无声语音识别模型。

在一种可能的实现方式中，通过LSTM算法训练无声语音识别模型，LSTM是一种时间递归网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，LSTM是解决循环神经网络中存在的“梯度消失”问题而提出的，是一种特殊的循环神经网络，同时，LSTM在设计上明确的避免了长期依赖的问题，LSTM精心设计的“门”结构，包括输入门、遗忘门和输出门，是一种让信息选择式通过的方法，包括一个sigmoid神经网络层和一个pointwise乘法操作，它具有消除或者增加信息到细胞状态的能力，使得LSTM能够记住长期的信息。具体过程如下：

在LSTM中，第一阶段是遗忘门，遗忘层决定哪些信息需要从细胞状态中被遗忘，下一阶段是输入门，输入门确定哪些新信息能够被存放到细胞状态中，最后一个阶段是输出门，输出门确定输出什么值。

(1)遗忘门：遗忘门是以上一层的输出h_t-1和本层要输入的序列数据x_t作为输入，通过一个激活函数sigmoid，得到输出为f_t。f_t的输出取值在[0,1]区间，表示上一层细胞状态被遗忘的概率，1是“完全保留”，0是“完全舍弃”。

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

(2)输入门：输入门包含两个部分，第一部分使用sigmoid激活函数，输出为i_t，第二部分使用tanh激活函数，输出为

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

到目前为止，f_t是遗忘门的输出，控制着上一层细胞状态中C_t-1被遗忘的程度，

为输入门的两个输出乘法运算，表示有多少新信息被保留，基于此，我们就可以把新信息更新为这一层的细胞状态中C_t值。

(3)输出门：输出门用来控制该层的细胞状态有多少被过滤，首先使用sigmoid激活函数得到一个[0,1]区间取值的o_t，接着将C_t通过tanh激活函数处理后与o_t相乘，即是本层的输出h_t。

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t*tanh(C_t)

LSTM中前向传播就是依次按照时间的顺序计算一次，反向传播就是从最后一个时间将累积的残差传递回来。公式中，w_ij表示从神经元i到j的连接权重；神经元的输入用a表示，输出用b表示；下标l，和ω分别表示输入门，遗忘门和输出门；c下标表示细胞状态，从细胞状态到输入门，遗忘门和输出门的peephole权重分别记做w_cl，

和w_cω；s_c表示细胞状态中c的状态；控制门的激活函数用f表示，g、h分别表示细胞状态的输入、输出激活函数；I表示输入层的神经元个数，K是输出层的神经元个数，H是隐层细胞状态的个数。

前向传播的计算：

输入门：

遗忘门：

细胞：

输出门：

单元输出：

误差反向传播更新：

单元输出：

输出门：

状态：

细胞：

遗忘门：

输入门：

通过LSTM算法训练无声语音识别模型，得到训练好的无声语音识别模型，将处理后的特征数据输入训练好的无声语音识别模型，可以得到以缄默方式说话时的无声语音。

步骤S104将无声语音发送到语音接收设备。

具体地，识别出无声语音后，可以通过无线通信装置将无声语音发送到语音接收设备，实现缄默通讯。在一种可能的实现方式中，通过WIFI将识别出的无声语音发送到语音接收设备，通过蓝牙将识别出的无声语音发送到语音接收设备。

可选地，还可以与语音接收设备有线连接，将识别出的无声语音发送到语音接收设备。

通过上述步骤S101-S104，融合了三种常用于无声语音识别技术中的特征信号，包括面部肌电信号、唇部光学图像和口腔超声图像，通过对这三种信号进行预处理和特征提取，基于这三种信号训练识别模型，能够获得准确率更高，识别速度更快的无声语音识别结果。

为了便于理解本申请实施例提供的缄默通讯方法，下面结合附图2进行说明。如图2所示，该缄默通讯方法，包括：

步骤S201，检测各模块是否正常开启，当各模块正常开启时，执行步骤S203，检测通信设备是否正常，当各模块没有正常开启时，执行步骤S202，提示用户开启相应模块。

步骤S202，提示用户开启相应模块，然后返回步骤S201，检测各模块是否正常开启，直到设备正常开启。

步骤S203，检测通信设备是否正常，当通信设备正常时，执行步骤S205,检测用户是否开始说话，当不正常时，执行步骤S204，提示用户通信环境异常。

步骤S204，提示用户通信环境异常，然后返回步骤S203，检测通信设备是否正常，直到设备通信正常。

步骤S205,检测用户是否开始说话，当用户开始说话时，执行步骤S206，同步采集面部肌电信号、唇部光学图像以及口腔超声波图像；当用户没有开始说话时，执行步骤S212，待机状态。

步骤S206，同步采集面部肌电信号、唇部光学图像以及口腔超声波图像。

步骤S207，对面部肌电信号、唇部光学图像以及口腔超声波图像进行预处理和特征提取，得到处理后的特征数据。

步骤S208，根据处理后的数据，采用深度学习的方法训练无声语音识别模型。

步骤S209，将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话的无声语音。

步骤S210，将无声语音发送到语音接收设备。

步骤S211,检测各模块是否关闭，当各模块关闭时，通讯结束，当各模块没有关闭时，执行步骤S212，待机状态。

步骤S212，待机状态，然后返回步骤S205,检测用户是否开始说话。

通过上述步骤S201-S212，融合了三种常用于无声语音识别技术中的特征信号，包括面部肌电信号、唇部光学图像和口腔超声图像，通过对这三种信号进行预处理和特征提取，基于这三种信号训练识别模型，能够获得准确率更高，识别速度更快的无声语音识别结果。

为了便于理解本申请实施例提供的缄默通讯方法，下面结合附图3进行说明。如图3所示，该缄默通讯方法，包括训练模式和应用模式，在训练模式下，首先同步采集面部肌电信号、唇部光学图像和口腔超声图像，然后对面部肌电信号、唇部光学图像和口腔超声图像进行预处理，对预处理后的面部肌电信号提取MFCCs(梅尔频率倒谱系数，Mel-FrequencyCepstral Coefficients)，对预处理后的唇部光学图像进行PCA(主成分分析，PrincipalComponent Analysis)，对预处理后的口腔超声图像进行DCT(离散余弦变换，DiscreteCosine Transform)，得到面部肌电信号、唇部光学图像和口腔超声图像的运动特征数据，根据得到的面部肌电信号、唇部光学图像和口腔超声图像的运动特征数据训练无声语音识别模型，得到训练好的无声语音识别模型，将训练好的无声语音识别模型放入应用模式中的识别网络。

在应用模式下，首先同步采集面部肌电信号、唇部光学图像和口腔超声图像，然后对面部肌电信号、唇部光学图像和口腔超声图像进行预处理，对预处理后的面部肌电信号提取MFCCs，对预处理后的唇部光学图像进行PCA，对预处理后的口腔超声图像进行DCT，得到面部肌电信号、唇部光学图像和口腔超声图像的运动特征数据，将面部肌电信号、唇部光学图像和口腔超声图像的运动特征数据输入识别网络模型，即训练模式训练的无声语音识别模型，进行语音识别，输出识别结果，并将识别结果发送到交互通讯模块。

第二方面，本公开实施例提供了一种缄默通讯装置，包括：

S601数据采集模块，用于同步采集面部肌电信号、唇部光学图像和口腔超声图像；

S602数据处理模块，用于对面部肌电信号、唇部光学图像和口腔超声图像进行预处理以及特征提取，得到处理后的特征数据；

S603识别模块，用于将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话时的无声语音；

S604通讯模块，用于将无声语音发送到语音接收设备。

进一步地，还包括：

模型训练模块，用于根据处理后的特征数据，采用深度学习的方法训练无声语音识别模型。

为了便于理解本申请实施例提供的缄默通讯装置，下面结合附图7进行说明。如图7所示，该缄默通讯装置，包括：

数据采集模块，数据采集模块包括肌电信号采集单元，用于采集说话者的面部肌电信号，包括唇部光学图像采集单元，用于采集说话者的唇部光学图像，包括口腔超声图像采集单元，用于采集口腔超声图像。

信号处理模块，包括预处理单元，用于对面部肌电信号、唇部光学图像和口腔超声图像进行预处理，包括对面部肌电信号进行滤波、降噪、活动段提取、数据归一化以及去基线处理，得到预处理后的面部肌电信号，对唇部光学图像进行转换灰度图、裁剪目标区域以及压缩图像的处理，得到预处理后的唇部光学图像，对口腔超声图像进行数据平滑降噪以及裁剪目标区域的处理，得到预处理后的口腔超声图像。包括特征提取和融合单元，用于对预处理后的面部肌电信号提取梅尔频率倒谱系数，得到面部肌肉运动的动态特征数据，对预处理后的唇部光学图像采用主成分分析方法，提取唇部的运动特征数据，对预处理后的口腔超声图像采用离散余弦变换方法，提取口腔及舌头的运动特征数据。包括训练单元，用于根据处理后的特征数据，采用深度学习的方法训练无声语音识别模型。包括识别单元，用于将处理后的特征数据输入预先训练的无声语音识别模型，得到以缄默方式说话时的无声语音。

通讯交互模块，用于将无声语音发送到语音接收设备。

需要说明的是，上述实施例提供的缄默通讯装置在执行缄默通讯方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的缄默通讯装置与缄默通讯方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

第三方面，本公开实施例还提供一种与前述实施例所提供的缄默通讯方法对应的电子设备，以执行上述缄默通讯方法。

请参考图8，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图8所示，电子设备包括：处理器800，存储器801，总线802和通信接口803，处理器800、通信接口803和存储器801通过总线802连接；存储器801中存储有可在处理器800上运行的计算机程序，处理器800运行计算机程序时执行本申请前述任一实施例所提供的缄默通讯方法。

其中，存储器801可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口803(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器801用于存储程序，处理器800在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的缄默通讯方法可以应用于处理器800中，或者由处理器800实现。

处理器800可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器800中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801，处理器800读取存储器801中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的缄默通讯方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

第四方面，本申请实施例还提供一种与前述实施例所提供的缄默通讯方法对应的计算机可读存储介质，请参考图9，其示出的计算机可读存储介质为光盘900，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的缄默通讯方法。

需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的缄默通讯方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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所述权利要求的保护范围为准。