筛查模型的训练方法、装置及存储介质与流程

本发明涉及信息技术领域，尤其涉及一种筛查模型的训练方法、装置及计算机可读存储介质。

背景技术：

目前常用的人工智能筛查系统，在部署到新的应用环境中时，由于新的应用环境使用的筛查机型不一样，数据来源也不一样，例如图像的亮度、对比度可能都不同，直接使用源领域数据会影响性能。因此需要在新的应用环境中收集大规模的标注数据用于训练筛查模型，从而得到预测性能较高的筛查模型。这一迁移过程的数据收集和标注的成本较高。

在现有技术的迁移过程中，通常利用预测错误率评估算法性能。而预测错误率的方法对于样本不平衡问题不适用，难以用来判断算法的性能。例如，对于二元分类问题，存在类别分布不平衡的问题，即某一类别的样本数量远远多于另一类。分类错误率作为传统分类学习的评估指标，在进行模型优化时没有考虑到样本不平衡的问题，因而不能准确和全面地反应算法的性能。

技术实现要素：

本发明实施例提供一种筛查模型的训练方法、装置及计算机可读存储介质，以解决现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种筛查模型的训练方法，包括：

利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练；

对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距；

使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化。

在一种实施方式中，使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化之后，还包括：

通过所述auc优化，更新所述筛查模型的参数。

在一种实施方式中，通过所述auc优化，更新所述筛查模型的参数，包括：

利用随机梯度下降算法更新所述筛查模型的参数。

在一种实施方式中，对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距，包括：

对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距。

在一种实施方式中，对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距，包括：

将二分类模型中解决auc优化问题采用的最小二乘损失函数修改为以下公式，

其中，l(f)表示所述修改后的最小二乘损失函数；函数f表示所述筛查模型的映射函数；用y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合；表示标签为j的第i个训练样本；n0，n1，n2，n3，n4，…，nk分别表示每个标签对应的样本数量。

第二方面，本发明实施例提供了一种筛查模型的训练装置，包括：

训练单元，用于利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练；

修改单元，用于对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距；

优化单元，用于：使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化。

在一种实施方式中，所述装置还包括更新单元，用于：

通过所述auc优化，更新所述筛查模型的参数。

在一种实施方式中，所述更新单元用于：

利用随机梯度下降算法更新所述筛查模型的参数。

在一种实施方式中，所述修改单元用于：

对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距。

在一种实施方式中，所述修改单元用于：

将二分类模型中解决auc优化问题采用的最小二乘损失函数修改为以下公式，

其中，l(f)表示所述修改后的最小二乘损失函数；函数f表示所述筛查模型的映射函数；用y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合；表示标签为j的第i个训练样本；n0，n1，n2，n3，n4，…，nk分别表示每个标签对应的样本数量。

第三方面，本发明实施例提供了一种筛查模型的训练装置，所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，所述装置的结构中包括处理器和存储器，所述存储器用于存储支持所述装置执行上述筛查模型的训练方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口，用于与其他设备或通信网络通信。

第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储筛查模型的训练装置所用的计算机软件指令，其包括用于执行上述筛查模型的训练方法所涉及的程序。

上述技术方案具有如下优点或有益效果：利用源领域中的分级训练数据进行知识迁移，能够在目标领域中得到更好的预测性能。此外，通过对筛查模型进行auc优化，能够更为准确和全面地衡量算法的性能，更好地应对样本不平衡的问题。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1示出根据本发明实施例的筛查模型的训练方法的流程图。

图2示出了正常眼球的眼底示意图。

图3示出了患有糖尿病视网膜病变的眼底示意图。

图4示出根据本发明另一实施例的筛查模型的训练方法的流程图。

图5示出根据本发明实施例的筛查模型的训练装置的结构框图。

图6示出根据本发明另一实施例的筛查模型的训练装置的结构框图。

图7示出根据本发明又一实施例的筛查模型的训练装置的结构框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

图1示出根据本发明实施例的筛查模型的训练方法的流程图。如图1所示，该筛查模型的训练方法包括：

步骤s110，利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练；

步骤s120，对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距；

步骤s130，使用修改后的最小二乘损失函数，对所述筛查模型进行auc(areaundercurve)优化。

其中，auc被定义为roc曲线(receiveroperatingcharacteristiccurve，受试者工作特征曲线)下与坐标轴围成的面积。作为一个数值，对应auc值更大的分类器效果更好，因此可使用auc值作为分类器性能的评价标准。而且，auc的优点在于：它不受类别不平衡问题的影响，不同的样本比例不会影响auc的评测结果。在训练模型时，可以直接使用auc作为损失函数。

roc曲线是以假阳性概率(falsepositiverate)为横轴，真阳性(truepositiverate)为纵轴所组成的坐标图，以及受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。传统的诊断试验评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。roc曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态。roc曲线的评价方法可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。因此，roc曲线评价方法适用的范围更为广泛。

在实际应用中，由于筛查机型变化、数据来源变化等原因，人工智能筛查系统的应用环境可能会发生改变。通常可将原有的应用环境称为源领域，将新的应用环境称为目标领域。本发明实施例利用迁移学习把源领域的知识，迁移到目标领域，使得目标领域能够取得更好的学习效果。通常，源领域数据量充足，而目标领域数据量较小，迁移学习需要将在数据量充足的情况下学习到的知识，迁移到数据量小的新的应用环境中。

一方面，与分类问题相比，分级训练数据包含了更为细粒度的丰富知识。以糖尿病视网膜病变的筛查为例，图2示出了正常眼球的眼底示意图。图3示出了患有糖尿病视网膜病变的眼底示意图，其中带有由于糖尿病造成的出血点。通常情况下筛查模型的分类问题属于二分类问题，即判定样本是正常样本还是患病样本。而在分级训练数据中可根据患病可能性的大小程度将训练数据分为多个级别。在迁移学习的过程中，可针对更为细粒度的分级数据的特征对筛查模型进行优化。另一方面，对于二元分类问题，存在类别分布不平衡的问题，即某一类别的样本数量远远多于另一类。在筛查模型的分类问题中，通常正常样本数量远远多于患病样本。

本发明实施例基于迁移学习的roc曲线下面积(auc)最大化的方法，将该方法用于筛查模型的训练。步骤s110中，利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练，借助源领域中的训练数据，能够降低对目标领域训练数据数量的要求。同时，利用源领域中细粒度的疾病分级模型辅助目标领域中疾病分类模型的训练，能够提高目标领域中分类器的性能。

如前述，auc的优点在于：它不受类别不平衡问题的影响，不同的样本比例不会影响auc的评测结果。利用auc可更好地实现敏感度与特异度的平衡。在筛查模型的分类问题中，通常正常样本的数量远远多于患病样本，也就是存在类别不平衡问题。因此在训练筛查模型时，可以直接使用auc作为损失函数，对筛查模型进行auc优化。在一个示例中，人工智能筛查系统在部署到新的应用环境中时，除了在新的应用环境中(目标领域)收集的数据以外，还借助已有的分级训练数据(源领域数据)，利用迁移学习技术，辅助解决目标领域中分类问题的auc最大化问题。

通常情况下，源领域的分级训练数据可根据患病可能性的大小程度将训练数据分为多个级别。例如：临床医生根据0-4的等级评估每个图像中糖尿病性视网膜病变(dr，diabeticretinopathy)存在的可能性。其中，0表示健康，1表示轻度dr，2表示中度dr，3表示严重dr，4表示增殖性dr。而筛查模型在目标领域中的分类任务属于二分类问题，即判定样本是正常样本还是患病样本。因此在迁移过程中，需要将源领域的5类数据迁移到二分类问题的筛查模型中，使用源领域的5类数据作为筛查模型的训练样本。为了有效地利用源领域的分级训练数据，在步骤s120和步骤s130中，对筛查模型采用的最小二乘损失函数进行修改，拉开所述分级训练数据中相邻级别的差距，最大化相邻类别之间的auc。使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化，能够达到更好的优化效果。

在一个示例中，可定义x为源领域分级数据集的特征空间。y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合。例如，在糖网病视网膜病变分级任务中，临床医生根据0-4的等级评估每个图像中糖尿病性视网膜病变(dr)存在的可能性，属于在上述示例中k＝4的情形。其中，0表示健康，1表示轻度dr，2表示中度dr，3表示严重dr，4表示增殖性dr。则可用y＝{0，1，2，3，4}表示分级任务的标签集合，也就是所述分级训练数据的标签集合。假设训练数据集s中，表示标签为j的第i个训练样本，n0，n1，n2，n3，n4分别表示每个标签对应的样本数量。并且每个训练样本是独立同分布采样所得。在概率统计理论中，独立同分布指随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。上述示例中在k＝4的情况下，源领域数据集表示如下：

在一种实施方式中，对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距，包括：

对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距。

在二分类模型中，为了解决优化auc问题，会采用最小二乘损失函数，具体的损失函数如公式(1)：

其中，函数f表示筛查模型的映射函数，例如采用深度神经网络作为筛查模型，则f为深度神经网络对应的映射函数；l(f)表示最小二乘损失函数；n+和n-分别表示正、负例对应的样本数量；xi⁺和xj^-分别表示第i个正例样本和第j个负例样本。

在一种实施方式中，对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距，包括：

将二分类模型中解决auc优化问题采用的最小二乘损失函数修改为如下公式(2)，

其中，l(f)表示所述修改后的最小二乘损失函数；函数f表示所述筛查模型的映射函数；用y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合；表示标签为j的第i个训练样本；n0，n1，n2，n3，n4，…，nk分别表示每个标签对应的样本数量。

综上，对于分级问题，针对更为细粒度的疾病分级数据的特征进行模型优化,需要将公式(1)修改为公式(2)。对比以上两个公式可知，上述公式(2)拉开了相邻级别的差距，最大化相邻类别之间的auc。在分类问题中，如果样本对应的支持向量接近于两个类别之间边界值，则这类样本最容易被分错类别。尤其是分级数据的级别较多的情况下，相邻级别之间的差距会比较小。针对这种情况，拉开了相邻级别的差距，最大化相邻类别之间的auc，从而使得分类效果更好。

图4示出根据本发明另一实施例的筛查模型的训练方法的流程图。如图4所示，在一种实施方式中，在步骤s130，使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化之后，还包括：

步骤s140，通过所述auc优化，更新所述筛查模型的参数。

在一种实施方式中，通过所述auc优化，更新所述筛查模型的参数，包括：

利用随机梯度下降算法更新所述筛查模型的参数。

梯度下降算法是迭代法的一种，可以用于求解最小二乘问题。在求解机器学习算法的模型参数，即无约束优化问题时，梯度下降算法是最常采用的方法之一。在求解损失函数的最小值时，可以通过梯度下降算法来一步步地迭代求解，得到最小化的损失函数和模型参数值。在机器学习中，基于基本的梯度下降法发展了两种梯度下降算法，分别为随机梯度下降算法和批量梯度下降算法。

在实际应用中，由于样本数据较多，直接利用批量梯度下降算法最小化上述问题的计算复杂度较高。因此，本发明实施例采用随机梯度下降算法，每次迭代随机采样得到m个样本，利用随机梯度下降算法更新函数f对应的模型参数。

在目标领域分类问题上进行测试时，利用在源领域分级数据上训练好的分级模型，对目标领域数据的标签进行预测。根据医生分级的依据，可以将标签0和1作为正常样本，将标签2、3、4作为患病样本，从而实现目标领域中的分类任务。

本发明实施例中，源领域的分级训练数据不仅可以用于训练分类器，还能对患病的严重程度进行预测，具有更为丰富的信息，可以辅助目标领域中疾病分类模型的训练。一个示例性的筛查模型的训练流程如下：

首先输入以下数据：训练数据集s，模型f。其中，训练数据集s共有m个子集。

然后执行以下训练步骤：

1)从训练数据集s中采样得到图片：

其中n0+n1+n2+n3+n4＝m

2)将数据集s划分为五个子集：和

3)利用上述公式(2)计算损失函数的值。

4)利用梯度下降法更新模型f。

5)重复执行以上步骤1)至4)，直到模型收敛。

上述技术方案具有如下优点或有益效果：利用源领域中的分级训练数据进行知识迁移，能够在目标领域中得到更好的预测性能。此外，通过对筛查模型进行auc优化，能够更为准确和全面地衡量算法的性能，更好地应对样本不平衡的问题。

图5示出根据本发明实施例的筛查模型的训练装置的结构框图。如图5所示，本发明实施例的筛查模型的训练装置包括：

训练单元100，用于利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练；

修改单元200，用于对所述筛查模型采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距；

优化单元300，用于：使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化。

其中，auc的优点在于：它不受类别不平衡问题的影响，不同的样本比例不会影响auc的评测结果。在训练模型时，可以直接使用auc作为损失函数。

在实际应用中，由于筛查机型变化、数据来源变化等原因，人工智能筛查系统的应用环境可能会发生改变。通常可将原有的应用环境称为源领域，将新的应用环境称为目标领域。本发明实施例利用迁移学习把源领域的知识，迁移到目标领域，使得目标领域能够取得更好的学习效果。通常，源领域数据量充足，而目标领域数据量较小，迁移学习需要将在数据量充足的情况下学习到的知识，迁移到数据量小的新的应用环境中。

一方面，与分类问题相比，分级训练数据包含了更为细粒度的丰富知识。通常情况下筛查模型的分类问题属于二分类问题，即判定样本是正常样本还是患病样本。而在分级训练数据中可根据患病可能性的大小程度将训练数据分为多个级别。在迁移学习的过程中，可针对更为细粒度的分级数据的特征对筛查模型进行优化。另一方面，对于二元分类问题，存在类别分布不平衡的问题，即某一类别的样本数量远远多于另一类。在筛查模型的分类问题中，通常正常样本数量远远多于患病样本。

本发明实施例基于迁移学习的roc曲线下面积(auc)最大化的方法，将该方法用于筛查模型的训练。训练单元100利用源领域的分级训练数据作为训练样本对目标领域中的筛查模型进行训练，借助源领域中的训练数据，能够降低对目标领域训练数据数量的要求。同时，利用源领域中细粒度的疾病分级模型辅助目标领域中疾病分类模型的训练，能够提高目标领域中分类器的性能。

如前述，auc的优点在于：它不受类别不平衡问题的影响，不同的样本比例不会影响auc的评测结果。利用auc可更好地实现敏感度与特异度的平衡。在筛查模型的分类问题中，通常正常样本的数量远远多于患病样本，也就是存在类别不平衡问题。因此在训练筛查模型时，可以直接使用auc作为损失函数，对筛查模型进行auc优化。在一个示例中，人工智能筛查系统在部署到新的应用环境中时，除了在新的应用环境中(目标领域)收集的数据以外，还借助已有的分级训练数据(源领域数据)，利用迁移学习技术，辅助解决目标领域中分类问题的auc最大化问题。

通常情况下，源领域的分级训练数据可根据患病可能性的大小程度将训练数据分为多个级别。例如：临床医生根据0-4的等级评估每个图像中糖尿病性视网膜病变(dr，diabeticretinopathy)存在的可能性。其中，0表示健康，1表示轻度dr，2表示中度dr，3表示严重dr，4表示增殖性dr。而筛查模型在目标领域中的分类任务属于二分类问题，即判定样本是正常样本还是患病样本。因此在迁移过程中，需要将源领域的5类数据迁移到二分类问题的筛查模型中，使用源领域的5类数据作为筛查模型的训练样本。为了有效地利用源领域的分级训练数据，在修改单元200和优化单元300中，对筛查模型采用的最小二乘损失函数进行修改，拉开所述分级训练数据中相邻级别的差距，最大化相邻类别之间的auc。使用修改后的最小二乘损失函数，对所述筛查模型进行auc优化，能够达到更好的优化效果。

在一个示例中，可定义x为源领域分级数据集的特征空间。y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合。例如，在糖网病视网膜病变分级任务中，临床医生根据0-4的等级评估每个图像中糖尿病性视网膜病变(dr)存在的可能性，属于在上述示例中k＝4的情形。其中，0表示健康，1表示轻度dr，2表示中度dr，3表示严重dr，4表示增殖性dr。则可用y＝{0，1，2，3，4}表示分级任务的标签集合，也就是所述分级训练数据的标签集合。假设训练数据集s中，表示标签为j的第i个训练样本，n0，n1，n2，n3，n4分别表示每个标签对应的样本数量。并且每个训练样本是独立同分布采样所得。在概率统计理论中，独立同分布指随机过程中，任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。上述示例中在k＝4的情况下，源领域数据集表示如下：

在一种实施方式中，所述修改单元200用于：

对二分类模型中解决auc优化问题采用的最小二乘损失函数进行修改，以拉开所述分级训练数据中相邻级别的差距。

在二分类模型中，为了解决优化auc问题，会采用最小二乘损失函数，具体的损失函数如公式(1)：

其中，函数f表示筛查模型的映射函数，例如采用深度神经网络作为筛查模型，则f为深度神经网络对应的映射函数；l(f)表示最小二乘损失函数；n+和n-分别表示正、负例对应的样本数量；xi⁺和xj^-分别表示第i个正例样本和第j个负例样本。

在一种实施方式中，所述修改单元200用于：

将二分类模型中解决auc优化问题采用的最小二乘损失函数修改为以下公式，

其中，l(f)表示所述修改后的最小二乘损失函数；函数f表示所述筛查模型的映射函数；用y＝{0，1，2，3，4，…，k}表示所述分级训练数据的标签集合；表示标签为j的第i个训练样本；n0，n1，n2，n3，n4，…，nk分别表示每个标签对应的样本数量。

综上，对于分级问题，针对更为细粒度的疾病分级数据的特征进行模型优化,需要将公式(1)修改为公式(2)。对比以上两个公式可知，上述公式(2)拉开了相邻级别的差距，最大化相邻类别之间的auc。在分类问题中，如果样本对应的支持向量接近于两个类别之间边界值，则这类样本最容易被分错类别。尤其是分级数据的级别较多的情况下，相邻级别之间的差距会比较小。针对这种情况，拉开了相邻级别的差距，最大化相邻类别之间的auc，从而使得分类效果更好。

图6示出根据本发明另一实施例的筛查模型的训练装置的结构框图。如图6所示，在一种实施方式中，所述装置还包括更新单元400，用于：

通过所述auc优化，更新所述筛查模型的参数。

在一种实施方式中，所述更新单元400用于：

利用随机梯度下降算法更新所述筛查模型的参数。

在机器学习中，基于基本的梯度下降法发展了两种梯度下降算法，分别为随机梯度下降算法和批量梯度下降算法。

在实际应用中，由于样本数据较多，直接利用批量梯度下降算法最小化上述问题的计算复杂度较高。因此，本发明实施例采用随机梯度下降算法，每次迭代随机采样得到m个样本，利用随机梯度下降算法更新函数f对应的模型参数。

在目标领域分类问题上进行测试时，利用在源领域分级数据上训练好的分级模型，对目标领域数据的标签进行预测。根据医生分级的依据，可以将标签0和1作为正常样本，将标签2、3、4作为患病样本，从而实现目标领域中的分类任务。

本发明实施例中，源领域的分级训练数据不仅可以用于训练分类器，还能对患病的严重程度进行预测，具有更为丰富的信息，可以辅助目标领域中疾病分类模型的训练。一个示例性的筛查模型的训练流程如下：

首先输入以下数据：训练数据集s，模型f。其中，训练数据集s共有m个子集。

然后执行以下训练步骤：

1)从训练数据集s中采样得到图片：

其中n0+n1+n2+n3+n4＝m

2)将数据集s划分为五个子集：和

3)利用上述公式(2)计算损失函数的值。

4)利用梯度下降法更新模型f。

5)重复执行以上步骤1)至4)，直到模型收敛。

上述技术方案具有如下优点或有益效果：利用源领域中的分级训练数据进行知识迁移，能够在目标领域中得到更好的预测性能。此外，通过对筛查模型进行auc优化，能够更为准确和全面地衡量算法的性能，更好地应对样本不平衡的问题。

图7示出根据本发明又一实施例的筛查模型的训练装置的结构框图。如图7所示，该装置包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的筛查模型的训练方法。所述存储器910和处理器920的数量可以为一个或多个。

该装置还包括：

通信接口930，用于与外界设备进行通信，进行数据交互传输。

存储器910可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。

如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(isa，industrystandardarchitecture)总线、外部设备互连(pci，peripheralcomponentinterconnect)总线或扩展工业标准体系结构(eisa，extendedindustrystandardarchitecture)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。

本发明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，该程序被处理器执行时实现上述实施例中任一所述的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带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，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块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，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

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，可轻易想到其各种变化或替换，这些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。