多模态监测信息的术后END风险预警及相关设备

本发明涉及生物信息技术领域，更具体地，涉及多模态监测信息的急性缺血性卒中血管内治疗术后早期神经功能恶化自动化预警、电子设备和计算机可读存储介质。

背景技术：

尽管目前血管内治疗已获得全球多项国际组织及国际指南的最高级治疗推荐。但并非使所有患者均能从中获益，约40％接受血管内治疗患者术后最终仍发展为不良预后。很多患者在术后出现非预期病情恶化，最终表现为不良预后。早期神经功能恶化(earlyneurologicaldeterioration，end)是血管内治疗术后最常见，最有代表性的不良事件。目前最广泛使用的end定义为血管再通后24h小时内出现的神经功能恶化，且nihss评分较基线增加大于等于4分。end症状性脑出血、再闭塞、无效再通、脑疝等是end发生的常见原因，但具体发生机制仍不清楚。及时预测end的发生，提前采取积极的对应干预措施，能够逆转患者结局。早期神经功能恶化是指患者接受血管再通治疗(包括静脉溶栓与血管内治疗)后短期内发生的神经功能好转后恶化，最终表现为预后不良，甚至死亡。

临床发现一些血管内治疗术后end患者不仅神经功能监测可出现明显异常，也可出现特征性的基础体征信号变化，和snd(神经功能的突发恶化)发生密切相关。这些复合生理信号的改变有时提示end的出现时间。但需要注意的是这些异常生理监测信号的敏感性虽然显著，但预测end的特异性不高，很多重症患者会因其它系统疾病问题出现类似改变。基于现有技术目前end预测方面研究结果显示单纯基于术前术中情况、临床影像信息，或单纯依靠电生理监测信息都不能很好的综合预判。基于静态的临床信息、影像信息、同时整合术后连续多模监护信息可以更好指导对于血管内治疗术后end进行实时预测。然而在实际临床这些复杂的信息、多模式监护数据等多形式数据虽被实时监测并有限记录，但其中仅很小部分被筛选用来临床分析。同时这些多维、复杂的数据往往需高年资医师凭借多年临床经验才可部分分析，且时常会出现误判的情况。此外重症患者个体化趋势很明显，基于普通病患的评价标准有时不适用，我们很难使用统一标准来判断这些海量数据，更加剧了分析的难度。

技术实现要素：

鉴于上述问题，本发明利用深基于卷积理论的深度自编码器提取复杂多维信息与电生理信号的时空表征，并利用统计过程控制方法(statisticalprocesscontrol，spc)对提取的电生理特征进行监测，以达到实时更新end预警。

一种基于多模态监测信息的术后end风险预警设备，所述设备包括：存储器和处理器；

所述存储器用于存储程序指令；

所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：

获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；

利用统计过程控制方法获取所述临床数据的统计值；

将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警；

所述基于卷积理论的深度自编码器的训练方式和各个时间周期的预警阈值的确定方式包括：

获取术后无end患者在各个时间周期的临床数据作为训练样本，获取术后有end患者在各个时间周期的临床数据作为验证样本；

利用训练样本训练基于卷积理论的深度自编码器；利用验证样本验证所述采用基于卷积理论的深度自编码器，并对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理，得到每个时间周期对应的预警阈值。

所述基线数据包括基线信息、既往史信息、基线实验室指标、基线影像信息、术中情况等方面的特征变量；

进一步，基线信息(b)包括年龄，性别、基线nihss评分，基线血压、发病时间；既往史信息(h)包括高血压、冠心病、房颤、既往卒中，既往用药史(抗血小板治疗，抗凝治疗)；基线实验室指标(l)包括入院血糖、白细胞计数、中性粒计数、plt计数、ldl)；基线影像信息(i)包括梗死体积、mismatch体积、aspect评分，梗死部位、责任血管、闭塞程度、早期征象、侧枝循环、脑白质病变程度、微出血情况等；术中情况(e)包括是否静脉溶栓治疗，麻醉方式、血管内治疗方式(支架取栓、抽吸取栓、支架成形等)，取栓次数，术中抗凝、抗血小板应用，术后tici分级、残余狭窄，术后nihss评分、手术时间等。

进一步，动态监测数据包括ecg(e)、resp(r)、nibp(nb)、abp(ab)、spo2(s)、pulse(p)、eeg(eeg)、tcd(tcd)等。

进一步，对临床数据进行特征提取前先进行数据清洗，数据清洗包括对缺失数据处理和对离散及噪音数据的处理。

所述数据清洗包括对缺失数据处理和对离散及噪音数据的处理。所述对缺失数据处理可基于临床分析及模型参数优化完成；所述对离散及噪音数据的处理可采用binning方法处理；

优选的，对临床数据进行数据清洗后，对所有数据进行归一化处理。

优选的，基于卷积理论的深度自编码器对术后无end患者组和术后有end患者组高维度的基线数据、高数据量的动态监测数据进行特征提取；

优选的，通过基于卷积理论的深度自编码器对高维度的基线数据、高数据量的动态监测数据进行特征提取，进而获得可整合的修正信息编码。

优选的，通过基于卷积理论的深度自编码器对临床数据进行特征提取，进而获得可整合的修正信息编码。

深度自动编码器(deepauto-encoder，dae)主要用于完成转换学习任务,可完成无监督学习及非线性特征提取。其基本思想就是直接使用一层或者多层的神经网络对输入数据进行映射，得到输出向量，作为从输入数据提取出的特征(见图)。dae是一种利用无监督预训练和系统性参数优化的多层非线性网络从无类标数据中提取高维复杂输入数据的分层特征，并得到原始数据的分布式特征表示的深度学习神经网络结构。dae由编码器、解码器和隐含层组成。

常见dae不能有效解决繁杂数据中的池化与白化问题，并且大量冗余参数被强迫参与计算使得运算效率较低，而基于卷积理论的dae是可用于处理本申请中多模态数据的，该结构利用重要的局部特征重构原始数据，且输入数据的所有局部特征共享权值矩阵，因而该类dae的隐含层能完整保存受局部空间限制的边缘特征。基于卷积理论的dae用基本模块的线性组合来拟合多模态数据信号，显著提升了信号综合识别的速度和准确率。

优选的，采用启发式搜索算法优化自动编码器结构。

优选的，采用启发式搜索算法，选取自动预警模型的结构和超参数，对自动预警模型进行优化。

优选的，使用统计过程控制中的指数加权移动平均控制图(exponentiallyweightedmoving-average，ewma)进行处理，得到每个时间周期对应的预警阈值，侦测多模态监测信号的微小偏移，监测指标变异时自动预警；

进一步，深度自编码器模型输出的值越大，提示具有更大的概率发生end。

优选的，对术后有end患者组临床数据进行特征提取，改进所述深度自编码器模型，获取监测异常参数，提示术后end的发生；

优选的，定义参数re为监测异常参数，通过训练后的深度编码器模型计算res值(i＝1～n)，该值越大时提示此时具有更大概率发生end。

优选的，计算统计过程控制的指数加权移动平均控制图(ewma)统计量，得到样本均值的加权平均值。

优选的，根据验证样本数据，计算统计过程控制的指数加权移动平均控制图统计量，得到预警阈值。

优选的，获取术后有end患者和术后无end患者在各个时间周期的临床数据作为验证样本改进预警阈值。通过正常和异常样本数据进一步优化预警阈值。

优选的，每个时间周期对应的预警阈值是不尽相同的。

emwa通过给与观察值不同的权数，按照不同权数求得移动平均值，确定预测值的方法。采用emwa更符合人体生物学信号的改变特点，该方法既可以结合患者基线情况及基础监测指标，又可以满足观察监测指标的近期观察值对于预测值有更大影响，更能反映近期变化的趋势。运用该技术解决了危重症患者多模监测中突变信号的智能理解问题。

一种基于多模态监测信息的术后end风险预警方法，包括：

获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；

利用统计过程控制方法获取所述临床数据的统计值；

将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警。

一种基于多模态监测信息的术后end风险预警装置，包括：

获取单元，用于获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

处理单元，用于将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据，利用统计过程控制方法获取所述临床数据的统计值；

预测单元，用于将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的术后end风险预警方法。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。

图1是本发明实施例提供的一种基于多模态监测信息的术后end风险预警方法的示意流程图；

图2是本发明实施例提供的一种基于多模态监测信息的术后end风险预警装置的示意框图；

图3是本发明实施例提供的深度自编码器内部结构图；

图4是本发明实施例提供的模型训练与改进原理图；

图5是本发明实施例提供的预警模型构建及与预警示意图；

图6是床旁多模监测示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

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，本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

图1是本发明实施例提供的一种基于多模态监测信息的术后end风险预警方法的示意流程图，具体地，所述方法包括如下步骤：

101：获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

本发明实施例中，所述基线数据包括基线信息、既往史信息、基线实验室指标、基线影像信息、术中情况等方面的数据。

在一个实施例中，患者入选标准：年龄≥18岁；急性缺血性卒中患者；发病至到院时间≤24小时；mra或cta或dsa提示大动脉急性闭塞；接受血管内治疗。

在一个实施例中，基线信息、既往史信息、基线实验室指标、基线影像信息、术中情况等临床信息包括基本信息、人口学特征、院前急救(静脉溶栓、血管内治疗)、既往史、家族史、既往用药、入院查体、入院诊断、基线nihss评分、住院期间辅助检查、住院期间治疗、最终诊断、出院带药、出院nihss评分等、发生end患者的发生时间、程度、原因以及随访信息；影像学信息包括发病24h内完成影像数据。

在一个实施例中，影像学信息包括1)术前影像：基线ct、多模ct/mri等；2)术中影像：dsa；3)术后24小时复查影像：术后即刻ct、术后24小时复查mri或ct。

在一个实施例中，所述基线信息(b)包括年龄，性别、基线nihss评分，基线血压、发病时间；既往史信息(h)包括高血压、冠心病、房颤、既往卒中，既往用药史(抗血小板治疗，抗凝治疗)；基线实验室指标(l)包括入院血糖、白细胞计数、中性粒计数、plt计数、ldl)；基线影像信息(i)包括梗死体积、mismatch体积、aspect评分，梗死部位、责任血管、闭塞程度、早期征象、侧枝循环、脑白质病变程度、微出血情况等；术中情况(e)包括是否静脉溶栓治疗，麻醉方式、血管内治疗方式(支架取栓、抽吸取栓、支架成形等)，取栓次数，术中抗凝、抗血小板应用，术后tici分级、残余狭窄，术后nihss评分、手术时间等。

在一个实施例中，基本监护参数及神经电生理监测信号包括入组患者术后24小时的连续心电、呼吸、血压、脉氧等基本生命体征监护信息；术后24h脑电图、脑血流监测信息。某些实施例中，采用图6所示床旁多模监测基本监护参数及神经电生理监测信号。

在一个实施例中，基本监护参数及神经电生理监测信号包括ecg(e)、resp(r)、nibp(nb)、abp(ab)、spo2(s)、pulse(p)、eeg(eeg)、tcd(tcd)等。

在一个实施例中，临床信息通过基于标准化设计的电子数据捕获系统(edc)实现在线或离线录入数据库。影像学资料统一保存成dicom格式，影像学结果判读采取中心化盲法判读的方法。重症监护记录单、操作记录、出院小结、病历首页或门急诊及其他临床信息：上传照片形式。其他检查：脑血流、脑电图需保存为edf格式或ascii格式，所有纳入训练集中的信息及数据格式须经后台指控合格。

在一个实施例中，基本监护参数包括：ecg(心电)、resp(呼吸)、nibp(无创血压)或abp(动脉血压)、spo2(血氧)、pulse(脉搏)。上述监测指标的参数要求(包括波形、增益、滤波等)按照标准icu监护模式要求进行，信号不准确情况可进行床边矫正，所有参数的原始数据用于深度学习。

在一个实施例中，采用可移动式视频脑电图对于患者进行床旁持续eeg监测，监测时间要求24h以上。按照国际10-20系统安装16导电极(颅骨减压患者例外)。最终脑电图结果分析由两位以上专职判读人员进行并标定异常事件(如癫痫样放电、ncs等)，具体脑电图判读应采用美国临床神经生理学会重症监护脑电图标准术语进行。

在一个实施例中，床旁经颅多普勒超声(transcranialdopplersonography，tcd)检查采用经颅多普勒超声仪配备2.0mhz脉冲波多普勒超声探头。根据tcd技术规范，制定适宜的输出功率，选取取样容积10-15mm。根据实际情况调整增益、标尺、基线等。tcd检查需至少包括mca、ica、va、ba探测。除非窗位不佳，应进行各窗位探查。所有技术操作应由专职tcd技术员进行，需按预先设计的crf表单内容进行检测，最终由具有判读资质技术人员进行结果解释。

在一个实施例中，对所述临床数据进行数据清洗；

在一个实施例中，数据清洗主要从两个方面进行，一方面对于缺失数据处理，可基于临床分析及模型参数优化完成；另一方面对于离散及“噪音”采用binning方法处理。

在一个实施例中，数据清洗步骤，第一步对于缺失数据处理，可基于临床分析及模型参数优化完成，第二步对于离散及“噪音”采用binning方法处理，第三步对于所有数据进行归一化处理。

102：将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；

利用统计过程控制方法获取所述临床数据的统计值；

在一个实施例中，临床数据中含有高维度的临床及影像信息和高数据量的监测信号，通过基于卷积理论的深度自动编码器对术后无end患者和术后有end患者临床进行特征提取。

在一个实施例中，为了优化基于卷积理论的深度自动编码器结构，利用启发式搜索算法，使获取的编码最优。

解码和编码具体流程见如下公式(2-5)。

x＝[b1,b2,b3..,h,h2,h3…,l1,l2,l3…,i,i2,i3…,e1,e2,e3…，e1，e2，e3…，r1,r2,r3…,nb,ab1,ab2,ab3…,s1,s2,s3…,p1,p2,p3…,eeg1,eeg2,eeg3…,tcd1,tcd2,tcd3…]^t(1)

y＝f(x)(2)

x为模型所需特征集，其中f(.)表示x的编码过程，代码y映射重建并产生

g(.)代表y的解码过程，采用(4)sigmoid函数作为神经网络激活函数。

公式(5)描述了深度自编码器(dae)训练过程中获取最优参数的方法。其中wl和bl为l层的权值和偏差，l是dae的层数，n为数据集的样本量。上述深度编码器的内部结构图见图3。

深度自动编码器(deepauto-encoder，dae)是一种利用无监督预训练和系统性参数优化的多层非线性网络从无类标数据中提取高维复杂输入数据的分层特征，并得到原始数据的分布式特征表示的深度学习神经网络结构。dae由编码器、解码器和隐含层组成。编码器是输入y到隐含表示h的映射，表示为:

h＝f(x)＝st(w+bb)(6)

其中，st是非线性激活函数，一般为逻辑函数，其表达式为:

解码器函数g(h)将隐含层数据映射回重构y，表示为:

y＝g(h)＝sg(w′h+by)(8)

其中，sg是解码器的激活函数，一般为线性函数或sigmoid函数。训练dae的过程是在训练样本集d上寻找参数θ＝{w,by,bh}的最小化重构误差，重构误差的表达式为:

jae＝∑x∈dl(x，g(f(x)))(9)

其中，l为重构误差函数，一般可用平方误差函数或交叉熵损失函数，二者分别表示为:

l(x，y)＝||x-y||²(10)

其中，平方误差用于线性sg，交叉熵损失函数用于sigmoid。

基于卷积理论的dae是可用于处理多模态数据的神经网络，该结构利用重要的局部特征重构原始数据，且输入数据的所有局部特征共享权值矩阵，因而该类dae的隐含层能完整保存受局部空间限制的边缘特征。

对于单通道的输入x其k阶特征映射的隐含表示是:

hk＝σ(x^*w^k+b^k)(12)

其中，σ是激活函数，一般采用sigmoid函数，“*”表示2d卷积运算，w^k表示权值矩阵，b^k表示偏置向量，卷积运算表达式为:

该类dae的重构函数为:

其中，c为每个数据通道的偏置，h是隐含特征映射集，是权值矩阵的批处理，权值更新的规则为随机梯度下降。值得注意的是，在该类dae中，一个隐含映射对应一个偏置值，偏置向量b对整个映射均有效，并且每个映射负责捕捉数据的一个特征，便于对神经网络进行预训练和精雕，有效缩短了特征提取的时间，简化了特征提取的过程，实现了数据特征的分层提取。基于卷积理论的dae用基本模块的线性组合来拟合多模态数据信号，显著提升了信号综合识别的速度和准确率。目前，该类dae可完成目标辨识、动态跟随和模拟等任务，有效解决了原有dae处理多模态监测数据时出现的识别速度慢，准确率低，需要大量类标数据等问题。

在一个实施例中，选取其中正常组患者(术后未发生end)临床数据为模型训练集，将训练集临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；利用统计过程控制方法获取每个时间周期的样本的输入数据和输出数据进行处理，构建初步预警模型。

在一个实施例中，使用统计过程控制的指数加权移动平均控制图，利用验证集患者(术后有end患者和术后无end患者)临床数据对构建的初步预警模型进行验证及改进，获得预警模型。我们使用术后有end患者相关临床数据并定义参数re为监测异常的参数，用其提示end发生。通过训练后的深度编码器模型计算res值(i＝1～n)，该值越大时提示此时具有更大概率发生end，同时我们使用统计过程控制的指数加权移动平均控制图(exponentiallyweightedmoving-average,ewma)估计发生end的控制极限，并得到预警阈值，当模型达到极限时进行报警(end预警)，提示未来某时间end将会发生。本节段特征提取与模型训练具体流程见图4。

emwa通过给与观察值不同的权数，按照不同权数求得移动平均值，确定预测值的方法。采用emwa更符合人体生物学信号的改变特点，该方法既可以结合患者基线数据及动态监测数据，又可以满足观察监测数据的近期观察值对于预测值有更大影响，更能反映近期变化的趋势。指数加权移动平均控制图定义公式为：

zi＝λxi+(1-λ)zi-1(15)

其中常数λ的取值范围为0<λ≤1，zi是ewma统计量，即所有之前样本均值的加权平均值。

该公式的初始值z0(当i＝1时)取流程的目标值(即在z0＝μ0)，有时也用初始数据的均值作为初始值，即z0＝xbar。由于ewma是所有之前和当前样本的加权平均，因此对数据的正态性假设很不敏感，因此用于单个观测值是十分理想的。

如果观测值xi是独立的随机变量，方差为σ²，那么zi的方差为

因此，ewma控制图的纵轴是zi，横轴是样本序号或时间，中心线和控制限的计算公式为：

centerline＝μ0

注意到上述公式中的(1-λ)²ⁱ部分，当i逐渐增大时，(1-λ)²ⁱ将很快收敛到0，因此当i增大时，ucl和lcl将稳定到下面两个值,此为ewma的控制限收敛：

在一个实施例中，每个时间周期可以是1分钟-3小时内任意时间段，示例性的，每个时间周期可以是1分钟、2分钟、5分钟、10分钟、15分钟、20分钟、25分钟、30分钟、1小时、1.5小时、2小时、2.5小时、3小时等。

图5是本发明实施例提供的预警模型构建及与预警示意图。

在一个实施例中，基于卷积理论的深度自编码器的训练方式和各个时间周期的预警阈值的确定方式包括：

获取术后无end患者在各个时间周期的临床数据作为训练样本，获取术后有end患者在各个时间周期的临床数据作为验证样本；

利用训练样本训练基于卷积理论的深度自编码器；利用验证样本验证所述采用基于卷积理论的深度自编码器，并对每个时间周期的验证样本的输入数据和输出数据均利用统计过程控制方法进行处理，得到每个时间周期对应的预警阈值，构建预警模型。

取待测用户在当前时间周期的临床数据，将所述临床数据输入构建预警模型，所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警。

103：将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警。

在一个实施例中，术后24小时通过内网服务器连续自动获取动态监测信号，输入预警模型，实现连续实时end预警。

图2是本发明实施例提供的一种基于多模态监测信息的术后end风险预警装置的示意框图。

一种基于多模态监测信息的术后end风险预警装置，包括：

获取单元，用于获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

处理单元，用于将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据，利用统计过程控制方法获取所述临床数据的统计值；

预测单元，用于将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警。

一种基于多模态监测信息的术后end风险预警方法，包括：

获取待测用户在当前时间周期的临床数据，所述临床数据包括基线数据、所述当前时间周期内得到的动态监测数据，和历史时间周期内得到的动态监测数据；

将所述临床数据输入基于卷积理论的深度自编码器，得到所述临床数据对应的特征数据；

利用统计过程控制方法获取所述临床数据的统计值；

将所述临床数据的统计值与当前时间周期对应的预警阈值进行比较，根据比较结果确定下一时间周期的术后end风险预警

一种计算机可读存储介质，所述计算机可读取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实现上述基于多模态监测信息的术后end风险预警方法。

本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，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。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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。另一点，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，可以是电性，机械或其它的形式。

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。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

本领域普通技术人员可以理解实现上述实施例方法中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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。