基于人工智能的电子档案大数据挖掘健康评估方法及系统与流程

1.本发明涉及计算机技术领域，具体而言，涉及一种基于人工智能的电子档案大数据挖掘健康评估方法及系统。


背景技术：

2.目前，可以针对病人的病情进行简单的类别分类，从而将病人推荐给负责的不同病症方向的意思。但是目前一般医院采用门诊的人工方式，对病人进行病症类别的判断。但是由于互联网的不断发展，越来越多的病人会希望通过互联网进行诊断，大大节省了病人和医生的时间和精力。但是一般互联网也是通过人工和病人进行交流，来判断病人的病症信息。而少许让病人填写信息进行自动判断模型的准确度不够，无法满足精确判断病人病症类别的情况。


技术实现要素：

3.本发明的目的在于提供了一种基于人工智能的电子档案大数据挖掘健康评估方法及系统，用以解决现有技术中存在的上述问题。
4.第一方面，本发明实施例提供了一种基于人工智能的电子档案大数据挖掘健康评估方法，包括：
5.获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案；
6.基于所述电子健康档案，得到档案向量；
7.将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量；所述健康评估向量中的元素包括用户健康情况和病症类别；
8.基于所述健康评估向量，得到用户健康评估信息；将所述用户健康评估信息发送给医生；
9.所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络：
10.所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。
11.可选的，健康评估模型的训练方法：
12.获得训练集；训练集包括训练健康信息和健康标注值；所述健康标注值包括标注健康评估信息和标注病症类别；所述训练健康信息表示用于训练的健康信息；所述标注健康评估信息表示医生通过训练健康信息判别是否健康；所述标注健康评估信息为1表示健康，所述标注健康评估信息为0表示不健康；所述标注病症类别表示训练健康信息对应的病症类别；
13.将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括训练健康情况信息和训练病症类别；
14.基于所述训练健康评估信息和标注健康评估信息，得到第一损失值；
15.获得健康评估模型当前的训练迭代次数以及预先设定的所述健康评估模型训练的最大迭代次数；
16.当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的信息提取模型。
17.可选的，所述将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括健康情况信息和病症类别，包括：
18.所述生成网络包括神经网络输入层、第一神经网络隐藏层和第二神经网络隐藏层；
19.所述神经网络输入层的输入为所述训练健康信息，所述第一神经网络隐藏层的输入为所述神经网络输入层的输出；所述第一神经网络隐藏层中第一个神经元的输出为健康情况信息；所述第二神经网络隐藏层的输入为所述第一神经网络隐藏层的输出；所述第二神经网络隐藏层中的输出为病症类别。
20.可选的，所述基于所述训练健康评估信息和标注健康评估信息，得到第一损失值，包括：
21.基于所述训练健康评估信息中的训练健康情况信息与所述标注健康评估信息，得到第一生成健康损失值；
22.基于所述训练健康评估信息和所述健康标注值，得到判别损失值；
23.获得第一损失值；所述第一损失值为所述第一生成健康损失值与所述判别损失值相加之和。
24.可选的，所述基于所述训练健康评估信息和所述健康标注值，得到判别损失值，包括：
25.获得标注真假信息；所述标注真假信息为0表示为生成网络预测得到的值；所述标注真假信息为1表示训练健康信息对应的用户所得病症；
26.基于所述训练健康评估信息中的训练病症类别、所述标注病症类别和所述标注真假信息，通过第一判别网络，得到第一判别损失值；
27.基于所述训练健康评估信息，通过信息融合结构，得到训练健康评估向量；
28.基于所述训练健康评估向量和所述标注真假信息，通过第二判别网络，得到第二判别损失值；
29.获得判别损失值，所述判别损失值为所述第一判别损失值和所述第二判别损失值相加之和。
30.可选的，所述基于所述训练健康评估信息中的训练病症类别、所述健康标注值和所述标注真假信息，通过第一判别网络，得到第一判别损失值，包括：
31.将所述训练健康评估信息中的训练病症类别输入第一判别网络，得到第一训练判别误差；所述第一训练判别误差表示输入的训练病症类别真假的概率；所述第一训练判别误差若是真就越靠近1，若是假就越靠近0；
32.基于所述第一训练判别误差和所述标注真假信息，得到第一训练判别损失值；
33.将所述健康标注值中的标注病症类别输入第一判别网络，得到第一标注判别误差；所述第一标注判别误差表示输入的训练病症类别真假的概率；所述第一标注判别误差
若是真就越靠近1，若是假就越靠近0；
34.基于所述第一标注判别误差和所述标注真假信息，得到第一标注判别损失值；
35.获得第一判别损失值；所述第一判别损失值为所述第一训练判别损失值与所述第一标注判别损失值相加之和。
36.可选的，所述将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量，包括：
37.将所述档案向量输入健康评估模型中的生成网络，得到健康评估向量；所述健康评估向量包括健康情况和健康类别。
38.第二方面，本发明实施例提供了一种基于人工智能的电子档案大数据挖掘健康评估系统，包括：
39.信息获取模块：获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案；基于所述电子健康档案，得到档案向量；
40.健康评估模块：将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量；
41.信息发送模块：基于所述健康评估向量，得到用户健康评估信息，将用户健康评估信息发送给用户并给予健康建议；
42.所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络和第三判别网络：
43.所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。
44.可选的，健康评估模型的训练方法：
45.获得训练集；训练集包括训练健康信息和健康标注值；所述健康标注值包括标注健康评估信息和标注病症类别；所述训练健康信息表示用于训练的健康信息；所述标注健康评估信息表示医生通过训练健康信息判别是否健康；所述标注健康评估信息为1表示健康，所述标注健康评估信息为0表示不健康；所述标注病症类别表示病症类别；
46.将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括训练健康情况信息和训练病症类别；
47.基于所述训练健康评估信息和标注健康评估信息，得到第一损失值；
48.获得健康评估模型当前的训练迭代次数以及预先设定的所述健康评估模型训练的最大迭代次数；
49.当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的信息提取模型。
50.可选的，所述将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括健康情况信息和病症类别，包括：
51.所述生成网络包括神经网络输入层、第一神经网络隐藏层和第二神经网络隐藏层；
52.所述神经网络输入层的输入为所述训练健康信息，所述第一神经网络隐藏层的输入为所述神经网络输入层的输出；所述第一神经网络隐藏层中第一个神经元的输出为健康
情况信息；所述第二神经网络隐藏层的输入为所述第一神经网络隐藏层的输出；所述第二神经网络隐藏层中的输出为病症类别。
53.相较于现有技术，本发明实施例达到了以下有益效果：
54.本发明实施例还提供了一种基于人工智能的电子档案大数据挖掘健康评估方法和系统，所述方法包括：获得电子健康档案。所述电子健康档案为记录了用户身体信息的档案。基于所述电子健康档案，得到档案向量。将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量。所述健康评估向量中的元素包括用户健康情况和病症类别。基于所述健康评估向量，得到用户健康评估信息；将所述用户健康评估信息发送给医生。所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络：所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别。第一判别网络的输入为病症类别和标注病症类别。信息融合结构的输入为健康情况信息和病症类别。第二判别网络的输入为信息融合结构的输出。
55.因为医生负责的方向不同，所以本发明采取了一种基于人工智能的电子档案大数据挖掘健康评估方法及系统。健康评估模型中的生成网络由神经网络构成，将电子健康档案中的健康信息通过生成网络，经过生成网络中神经网络对电子健康档案中的用户信息进行判断，得到预测的用户健康情况和病症类别。所述用户健康情况是在生成网络中某个神经元输出得到，所述病症类别在输出用户健康情况的神经层后继续获取信息进行判断，最终得到的病症信息。这样设计生成网络的原因是为了减少神经元的个数，在准确获得用户健康情况的条件下减轻计算量。对用户健康情况直接与标注数据计算损失，病症类别通过判别网络与用户真实的病症通过真假判断进行训练判别网络，进而训练生成网络，使得生成网络能够更加准确的基于用户的电子健康档案对用户进行病症判断。同时预测可能为心、脑、肺、肾和骨科等方面的疾病，再通过不同类型医生进行复查。
56.总而言之，本发明通过生成网络结构不同的三种方法进行损失计算，增加了生成网络的准确性，同时通过对生成网络的设计使得生成网络能够更加简便快速的得到用户健康信息。
附图说明
57.图1是本发明实施例提供的一种基于人工智能的电子档案大数据挖掘健康评估系统流程图。
58.图2是本发明实施例提供的一种基于人工智能的电子档案大数据挖掘健康评估系统中健康评估模型结构示意图。
59.图3是本发明实施例提供的健康评估模型中生成网络结构示意图。
60.图4是本发明实施例提供的一种电子设备的方框结构示意图。
61.图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。
具体实施方式
62.下面结合附图，对本发明作详细的说明。
63.实施例1
64.如图1所示，本发明实施例提供了一种基于人工智能的电子档案大数据挖掘健康
评估方法，所述方法包括：
65.s101：获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案。
66.其中，电子健康档案中的个人健康信息包括基本信息、主要疾病、健康问题摘要和主要卫生服务记录等内容。基本信息包括用户的身高、体重和心率之类身体信息，主要疾病表示用户所得疾病，健康问题摘要表示曾经患过的病症，主要卫生服务记录表示曾经的诊断结果和所购买的药物等。健康档案信息主要来源于医疗卫生服务记录、健康体检记录和疾病调查记录，并将其进行数字化存储和管理。
67.s102：基于所述电子健康档案，得到档案向量。
68.其中，从存在数据库中得电子健康档案中获取健康信息。健康信息包括电子健康档案中的个人健康信息包括基本信息、主要疾病、健康问题摘要和主要卫生服务记录等内容。将这些信息建立向量。如本实施例中，档案向量可以包括性别、是否是成年人、胖瘦等指标，例如部分档案向量[0,0,0,1,0,1,0,0,0]表示信息为女生、成年人和偏瘦，部分档案向量对应信息如表1所示。
[0069]
表1
[0070][0071]
s103：将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量。所述健康评估向量中的元素包括用户健康情况和病症类别。
[0072]
其中，健康评估模型结构如图2所示。
[0073]
其中，运用海量数据训练健康评估模型，使得健康评估模型能够有效为个体数据及用户做出疾病风险评估。利用健康评估模型，预测用户硬化心血管病、高血压、糖尿病、肺癌、阿尔茨海默症等多类疾病发病风险预测。
[0074]
s104：基于所述健康评估向量，得到用户健康评估信息；将所述用户健康评估信息发送给医生。
[0075]
其中，通过用户健康评估信息评估用户健康情况。系统根据用户健康评估信息提供有针对性的出住院检查、生活干预、药物保健等方面的健康建议。
[0076]
所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络和第三判别网络：
[0077]
所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病
症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。
[0078]
通过上述方法，采用建立向量值全是0，1的档案向量，来判断档案信息，采用固向量中元素个数的方法，更加方便的进行计算。
[0079]
可选的，健康评估模型的训练方法：
[0080]
获得训练集；训练集包括训练健康信息和健康标注值；所述健康标注值包括标注健康评估信息和标注病症类别；所述训练健康信息表示用于训练的健康信息；所述标注健康评估信息表示医生通过训练健康信息判别是否健康。所述标注健康评估信息为1表示健康，所述标注健康评估信息为0表示不健康。
[0081]
其中，电子健康档案由基础信息、现有健康问题、健康指标跟踪、检查异常项目、用药记录组成，涵盖了门诊、住院、用药、检查、体检、生活方式、慢病监测等各方面健康信息。本实施例中的所述训练健康信息包括：心脏信息、肝脏信息、脾脏信息、肾脏信息、肺部信息、最近用药信息、睡眠时间和三餐时间进行训练和检测。
[0082]
将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括训练健康情况信息和训练病症类别。
[0083]
其中，健康评估模型中的生成网络如图3所示。
[0084]
基于所述训练健康评估信息和标注健康评估信息，得到第一损失值。
[0085]
获得健康评估模型当前的训练迭代次数以及预先设定的所述健康评估模型训练的最大迭代次数。
[0086]
当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的信息提取模型。
[0087]
其中，所述最大迭代次数为80000次；
[0088]
通过上述方法，因为健康情况比较容易判别，所以只用部分神经网络就可得到分类信息，同时健康类别由于病症的类别较多，所以需要更多更深的神经元提取信息，两者采用不同的神经元，加快了网络计算的速度，更加快速，准确的训练出能够判别病症情况和病症类别。第一损失值表示得到的是生成网络中生成的健康情况信息和病症类别与标注的真实的健康信息应该得到的健康情况信息和病症类别之间的误差。第二损失值表示的是判断网络能否检测出生成网络中生成的健康情况信息和病症类别与标注的真实的健康信息应该得到的健康情况信息和病症类别之间误差的误差。第三损失值表示在判断网络的影响下通过第二损失值和第一损失值的结合，得到判别网络和生成网络之间的关系，并且通过求得损失，得到在判别网络对生成网络中生成的信息真假判断的影响下训练生成网络。还在生成网络的每次迭代中对判别网络执行多次训练迭代。这是为了确保判别网络被充分训练并且比生成网络更早地学习。我们需要一个好的判别网络来欺骗生成网络。生成网络的目标是学习数据的分布，判别网络的目标是区别真实数据和生成网络生成的数据。
[0089]
可选的，所述将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括健康情况信息和病症类别，包括：
[0090]
所述生成网络包括神经网络输入层、第一神经网络隐藏层和第二神经网络隐藏层；
[0091]
所述神经网络输入层的输入为所述训练健康信息，所述第一神经网络隐藏层的输
入为所述神经网络输入层的输出；所述第一神经网络隐藏层中第一个神经元的输出为健康情况信息；所述第二神经网络隐藏层的输入为所述第一神经网络隐藏层的输出；所述第二神经网络隐藏层中的输出为病症类别。
[0092]
其中，本实施例中，所述第一神经网络隐藏层和所述第二神经网络隐藏层输出时使用softmax层进行分类输出。
[0093]
通过上述方法，使用训练的健康信息作为生成网络输入，是的生成网络随机生成假样本，在于判别网络的不断交互训练中达到能够进行准确分类的目的。
[0094]
可选的，所述基于所述训练健康评估信息和标注健康评估信息，得到第一损失值，包括：
[0095]
基于所述训练健康评估信息中的训练健康情况信息与所述标注健康评估信息，得到第一生成健康损失值；
[0096]
其中，所述第一生成健康损失值具体通过下述公式计算方式获得：
[0097][0098]
其中，loss1为所述第一生成健康损失值；n是一次训练过程中输入训练数据的数量；xi表示第i训练健康信息的标注健康评估信息；pi表示第i训练健康信息通过生成网络预测的训练健康情况信息。
[0099]
基于所述训练健康评估信息和所述健康标注值，得到判别损失值。
[0100]
获得第一损失值；所述第一损失值为所述第一生成健康损失值与所述判别损失值相加之和。
[0101]
通过上述方法，分别得到生成网络输出的健康情况信息与标注健康情况信息的第一生成健康损失值。生成网络输出的病症类别和标注真假信息通过第一判别网络得到的第一判别损失值。将生成网络输出的健康情况信息和病症类别融合为训练健康评估向量。训练健康评估向量和标注真假信息通过第二判断网络得到第二判别损失值。依据第一判别损失值和第二判别损失值在第一判别网络和第二判别网络的反向传播的过程中，调整生成网络的参数，使得健康信息能够通过生成网络得到准确的健康情况和健康类别。当健康情况为1表示不健康，健康情况为0表示健康。由于用户的健康情况只有两种，健康或者不健康，容易判别，所以可以直接与标注的健康情况求损失。但是由于健康类别不容易判别，所以通过生成对抗网络的方法计算损失。
[0102]
可选的，所述基于所述训练健康评估信息和所述健康标注值，得到判别损失值，包括：
[0103]
获得标注真假信息；所述标注真假信息为0表示为生成网络预测得到的值；所述标注真假信息为1表示训练健康信息对应的用户所得病症；
[0104]
基于所述训练健康评估信息中的训练病症类别、所述标注病症类别和所述标注真假信息，通过第一判别网络，得到第一判别损失值；
[0105]
基于所述训练健康评估信息，通过信息融合结构，得到训练健康评估向量；
[0106]
基于所述训练健康评估向量、所述健康标注值和所述标注真假信息，通过第二判别网络，得到第二判别损失值。
[0107]
其中第一判别网络和第二判别网络结构不同。
[0108]
获得判别损失值，所述判别损失值为所述第一判别损失值和所述第二判别损失值相加之和。
[0109]
通过上述方法，分别多次将生成网络得到的健康评估信息输入多个判别网络，目的在于使用多个不同的判别网络多次判断生成网络生成的健康评估信息的真假，使得训练的生成网络更加准确。第一判别网络用于对健康类别进行分类，第二判别网络用于区分训练健康评估向量与训练健康评估标签，使得生成网络能够得到更符合训练健康评估标签的训练健康评估向量。
[0110]
可选的，所述基于所述训练健康评估信息中的训练病症类别、所述标注病症类别和所述标注真假信息，通过第一判别网络，得到第一判别损失值，包括：
[0111]
将所述训练健康评估信息中的训练病症类别输入第一判别网络，得到第一训练判别误差；所述第一训练判别误差表示输入的训练病症类别真假的概率；所述第一训练判别误差若是真就越靠近1，若是假就越靠近0。
[0112]
其中，第一判别网络为以训练病症类别中元素个数作为输入层中神经元个数的神经网络，每一层的神经元个数和神经元连接方式为通过调整达到的最优结构。
[0113]
基于所述第一训练判别误差和所述标注真假信息，得到第一训练判别损失值；
[0114]
将所述健康标注值中的标注病症类别输入第一判别网络，得到第一标注判别误差；所述第一标注判别误差表示输入的训练病症类别真假的概率；所述第一标注判别误差若是真就越靠近1，若是假就越靠近0；
[0115]
基于所述第一标注判别误差和所述标注真假信息，得到第一标注判别损失值；
[0116]
获得第一判别损失值；所述第一判别损失值为所述第一训练判别损失值与所述第一标注判别损失值相加之和。
[0117]
通过上述方法，第一判别网络能够通过不断的训练，通过输入训练病症类别，得到输出真假信息，并和标注真假信息求得损失，训练得到能够判断出病症类别和健康情况。
[0118]
可选的，所述将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量，包括：
[0119]
将所述档案向量输入健康评估模型中的生成网络，得到健康评估向量；所述健康评估向量包括健康情况和健康类别。
[0120]
通过上述方法，仅使用训练好的生成网络对输入的档案向量进行分类，判别网络只是在训练时对生成网络进行调整作用。
[0121]
通过上述方法，采用生成对抗方法和普通求损失的训练方法，三种方法共同训练生成网络，使得生成网络更加准确，同时在构建生成网络时，由于健康信息较好判别，所以将健康信息先输出，减少之后神经元个数，同时减轻计算量，使得更加快速准确的训练好网络。
[0122]
实施例2
[0123]
基于上述的一种基于人工智能的电子档案大数据挖掘健康评估方法，本发明实施例还提供了一种基于人工智能的电子档案大数据挖掘健康评估系统，所述系统包括信息获取模块、健康评估模块和信息发送模块。
[0124]
其中，所述信息获取模块用于获得电子健康档案。所述电子健康档案为记录了用
户身体信息的档案。基于所述电子健康档案，得到档案向量。
[0125]
其中，将所述信息获取模块获得的档案向量输入健康评估模块。所述健康评估模块用于将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量。
[0126]
其中，将所述健康评估模块获得的健康评估向量输入信息发送模块。所述信息发送模块用于基于所述健康评估向量，得到用户健康评估信息，将用户健康评估信息发送给用户并给予健康建议。
[0127]
所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络和第三判别网络：
[0128]
所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。
[0129]
在此关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0130]
本发明实施例还提供了一种电子设备，如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种基于人工智能的电子档案大数据挖掘健康评估方法的任一方法的步骤。
[0131]
其中，在图4中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
[0132]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于人工智能的电子档案大数据挖掘健康评估方法的任一方法的步骤以及上述的所涉及的数据。
[0133]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0134]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0135]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保
护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0136]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0137]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0138]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0139]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。