1.本技术涉及人工智能
技术领域：
：，尤其涉及一种异常患者识别方法、装置、终端设备及存储介质。
背景技术：
：：2.随着人工智能技术和医疗领域的融合不断加深，越来越多的医疗相关的任务依托于先进的人工智能技术(包括深度学习技术、机器学习技术、自然语言处理技术、大数据分析技术等)来实现。医疗质量控制是指在医疗活动中，对于现有和潜在的风险进行识别、分析、评估和处理，有计划和有组织地减少和消除风险的发生，降低风险事件造成的不利影响和经济损失。在医疗质量控制领域中，对异常患者的识别是重要的任务之一。3.现有的异常患者识别方法主要是对患者的基本信息(例如年龄、性别、身高、体重等)进行分析，从统计值出发对患者进行异常识别。然而，这种方法较为基础，进行异常患者识别的能力有限。技术实现要素：4.有鉴于此，本技术实施例提供了一种异常患者识别方法、装置、终端设备及存储介质，以解决现有的异常患者识别方法主要是对患者的基本信息进行分析，从统计值出发对患者进行异常识别，异常患者识别的能力有限的问题。5.本技术实施例的第一方面提供了一种异常患者识别方法，包括：6.对患者每次就诊的数据进行向量表示，获得所述患者每次就诊的数据的表示向量，所述患者每次就诊的数据包括每个收费项目的名称、类型及花费；7.按照时间顺序，将所述患者每次就诊的数据的表示向量输入长短期记忆网络，获得所述患者多次就诊的数据的表示向量；8.基于所述患者的多次就诊数据的表示向量，识别所述患者是否异常。9.本技术实施例的第二方面提供了一种异常患者识别装置，包括：10.第一向量表示单元，用于对患者每次就诊的数据进行向量表示，获得所述患者每次就诊的数据的表示向量，所述患者每次就诊的数据包括每个收费项目的名称、类型及花费；11.第二向量表示单元，用于按照时间顺序，将所述患者每次就诊的数据的表示向量输入长短期记忆网络，获得所述患者多次就诊的数据的表示向量；12.识别单元，用于基于所述患者的多次就诊数据的表示向量，识别所述患者是否异常。13.本技术实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在终端设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的异常患者识别方法的步骤。14.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读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时实现第一方面提供的异常患者识别方法的步骤。15.本技术实施例的第一方面提供的异常患者识别方法，通过对患者每次就诊的每个收费项目的名称、类型及花费进行向量表示，获得患者每次就诊的数据的表示向量；按照时间顺序，将所述患者每次就诊的数据的表示向量输入长短期记忆网络，获得所述患者多次就诊的数据的表示向量；基于患者的多次就诊数据的表示向量，识别患者是否异常，通过对患者的多次就诊行为进行挖掘，来进行异常患者识别，提高了识别准确度，丰富了异常患者识别方法库。16.可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明17.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。18.图1是本技术实施例提供的异常患者识别方法的第一种流程示意图；19.图2是本技术实施例提供的异常患者识别方法的第二种流程示意图；20.图3是本技术实施例提供的患者的单次就诊行为的表示学习模型的结构示意图；21.图4是本技术实施例提供的长短期记忆网络的结构示意图；22.图5是本技术实施例提供的异常患者识别装置的结构示意图；23.图6是本技术实施例提供的终端设备的结构示意图。具体实施方式24.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。25.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”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。26.还应当理解，在本技术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。27.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。[0028]另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。[0029]在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。[0030]本技术实施例提供一种异常患者识别方法，可以由终端设备的处理器在运行相应的计算机程序时执行，通过对患者的多次就诊行为进行挖掘，来进行异常患者识别，提高了识别准确度，丰富了异常患者识别方法库。[0031]本技术实施例提供的异常患者识别方法，可以应用于智慧就诊场景中，从而推动智慧城市的建设，例如，临床医疗质量控制场景、医疗保险费用控制场景、医疗保险风险控制场景等。[0032]在应用中，终端设备可以是(云)服务器、个人计算机、笔记本电脑等能够实现数据处理功能的计算设备，例如，医疗机构的服务器，该服务器用于运行医疗信息管理系统(hospitalinformationsystem)，异常患者识别方法是该医疗信息管理系统所能实现的功能之一。[0033]在一个实施例中，本技术实施例提供的异常患者识别方法包括如下步骤s101至s103：[0034]步骤s101、对患者每次就诊的数据进行向量表示，获得所述患者每次就诊的数据的表示向量。[0035]在应用中，用户可以通过终端设备的人机交互器件输入用于获取指定患者每次就诊的数据的指令，以使得终端设备响应该指令时获取指定患者每次就诊的数据，例如，用户可以输入携带有患者的唯一身份标识(identitydocument，id)的指令，以获取对应患者每次就诊的数据；或者，用户也可以通过终端设备的人机交互器件输入用于执行异常患者识别方法的指令，以使得终端设备响应该指令时即默认自动获取每个患者每次就诊的数据。[0036]在应用中，人机交互设备可以包括但不限于键盘、实体按键、触控传感器、手势识别传感器和语音识别单元中的至少一种，使得用户可以通过对应的触控方式、手势操控方式或语音控制方式操控终端设备。对实体按键的触控方式具体可以是按压或拨动，对触控传感器的触控方式具体可以为按压或触摸等，用于控制终端设备的手势可以由用户根据实际需要自定义设置或者采用出厂时的默认设置。语音识别单元可以包括麦克风和语音识别芯片，用于控制终端设备的语音可以由用户事先通过终端设备的人机交互器件自定义设置或者采用出厂时的默认设置。人机交互设备可以集成设置于终端设备，例如，触控传感器可以与终端设备的显示器集成设置为触控显示器。人机交互设备也可以作为终端设备的外部设备，与终端设备通信连接，例如，键盘和麦克风等可以通过终端设备的通信接口与终端设备通信连接。[0037]在应用中，一个患者的一次就诊行为会进行多种医疗活动，这些医疗活动可以由具体的收费项目来体现，所以本技术实施例提供的异常患者识别方法基于患者的每次就诊行为中产生的收费项目对患者的就诊行为进行挖掘。一个收费项目通常有三种属性，分别是名称、类型和花费。[0038]在应用中，可以建立每个患者每次就诊的数据中各类数据(也即患者id、以及收费项目的名称、类型和花费)之间的关联关系，该关联关系具体可以为映射关系，可以以关联关系表的形式存在关联关系表具体可以是显示查找表(look-up-table，lut)，也可以通过其他输入数据即可查找并输出对应的查找结果的形式存在，以便进行查询和调用。通过事先建立关联关系，使得在需要查询和调用每个患者每次就诊的数据时，仅需根据患者每次就诊的数据中的一类数据，即可查询和调用与之关联的其他类数据，从而可以有效节省终端设备的算力资源和执行时间。[0039]如图2所示，在一个实施例中，步骤s101包括如下步骤s201至s205：[0040]步骤s201、对患者每次就诊的收费项目的名称进行向量表示，获得所述患者每次就诊的每个收费项目的名称的表示向量，相同的收费项目的名称的表示向量相同；[0041]步骤s202、对患者每次就诊的收费项目的类型进行向量表示，获得所述患者每次就诊的每个收费项目的类型的表示向量，相同的收费项目的类型的表示向量相同；[0042]步骤s203、对患者每次就诊的收费项目的花费进行向量表示，获得所述患者每次就诊的收费项目的花费的表示向量，相同的收费项目的花费的表示向量相同。[0043]在应用中，步骤s201至s203中分别对患者每次就诊的收费项目的名称、类型和花费进行向量表示，以获得患者每次就诊的收费项目的名称、类型和花费的表示向量。[0044]在应用中，基于收费项目的名称、类型和花费这三种属性，可以分别构造三种嵌入(embeddings)层，来对这三种属性进行向量表示，具体如下：[0045]名称嵌入层(nameembeddings)，用于对收费项目的名称进行向量表示，相同的名称的表示向量相同；[0046]类型嵌入层(typeembeddings)，用于对收费项目的类型(例如，床位护理费、检查费、检验费等)进行向量表示，相同的类型的表示向量相同；[0047]花费嵌入层(costembeddings)，用于对收费项目的花费进行向量表示，相同的花费的表示向量相同。[0048]在应用中，对患者每次就诊的所有收费项目的花费进行区间划分(例如，划分为100个区间)，每个区间对应一个花费表示向量，若一收费项目的花费落在某一区间，则该区间的向量表示为第一数值，否则表示为第二数值。[0049]在应用中，第一数值具体可以为1，第二数值具体可以为0，也即采用作为机器语言的二进制向量来表示患者的行为是否异常，利于终端设备进行识别。用户也可以根据实际需要通过终端设备的人机交互器件将第一数值和第二数值设置为其他数值。[0050]在一个实施例中，步骤s203包括：[0051]将患者每次就诊的每个收费项目的花费在预设数量个区间中落入的区间的向量表示为第一数值、未落入的区间的向量表示为第二数值，获得所述预设数量个区间的向量，作为所述患者每次就诊的每个收费项目的花费的向量表示。[0052]在一个实施例中，步骤s203之前包括：[0053]对患者每次就诊的所有收费项目的花费进行区间划分，获得预设数量个区间。[0054]步骤s204、将所述患者每次就诊的收费项目的名称的表示向量、收费项目的类型的表示向量和收费项目的花费的表示向量相加，获得所述患者每次就诊的输入表示向量；[0055]步骤s205、基于所述所述患者每次就诊的输入表示向量，获得所述患者每次就诊的数据的表示向量。[0056]在应用中，将输入三个嵌入层的表示向量相加得到输入表示向量(input)。将输入表示向量输入到由12层机器翻译(transformer)编码器(encoder)构建的深度学习网络中进行患者行为的学习，得到输出表示向量(output)。由于输入三个嵌入层的首个表示向量都具有特殊的标记，因此，可以将首个表示向量对应的输出表示向量，作为最终表示患者单次访问的向量(也即患者每次就诊的数据的表示向量(patientrepresentationvector))输出。[0057]在一个实施例中，步骤s204包括如下：[0058]将所述患者每次就诊的收费项目的名称的表示向量输入名称嵌入层、收费项目的类型的表示向量输入类型嵌入层、收费项目的花费的表示向量输入花费嵌入层，以将所述患者每次就诊的收费项目的名称的表示向量、收费项目的类型的表示向量和收费项目的花费的表示向量相加，获得所述患者每次就诊的输入表示向量，输入所述名称嵌入层、所述类型嵌入层和所述花费嵌入层的首个表示向量具有特殊标记；[0059]步骤s205包括：[0060]将所述所述患者每次就诊的输入表示向量输入由12层编码器构建的深度学习网络中进行患者行为学习，获得所述患者每次就诊的输出表示向量；[0061]将所述患者每次就诊的输出表示向量中与所述首个表示向量对应的输出表示向量，作为所述患者每次就诊的数据的表示向量。[0062]如图3所示，示例性的示出了患者的单次就诊行为的表示学习模型的结构示意图；其中，n0～nn分别表示n个收费项目的名称嵌入层，t0～tn分别表示n个收费项目的类型嵌入层，c0～cn分别表示n个收费项目的花费嵌入层，e0～en分别表示n个收费项目的名称的表示向量、类型的表示向量和花费的表示向量经由对应的各嵌入层相加之后得到的输入表示向量，layer1～layer12表示12层机器翻译编码器，o0～on分别表示n个收费项目对应的n个输入表示向量分别经由12层机器翻译编码器进行患者行为的学习之后，得到的患者每次就诊的输出表示向量，o0输出的表示向量作为最终表示患者单次访问的向量。[0063]步骤s102、基于所述患者每次就诊的数据的表示向量，获得所述患者多次就诊的数据的表示向量。[0064]在应用中，由于患者的多次就诊是有时间信息的，每个患者的检查检验项目的次数不尽相同，并且往往相差较大，因此，在考虑患者的多次就诊行为表示时不能简单的将单次的向量进行连接起来，可以将患者多次就诊的表示向量按照时间顺序送入到长短期记忆网络(longshorttermmemorynetworks，lstm)中，经过lstm后得到患者的多次就诊行为表示向量(也即患者多次就诊的数据的表示向量)。[0065]在一个实施例中，步骤s102包括：[0066]按照时间顺序，将所述患者每次就诊的数据的表示向量输入长短期记忆网络，获得所述患者多次就诊的数据的表示向量。[0067]在一个实施例中，所述患者多次就诊的数据的表示向量的表达式为：[0068]ev＝lstm([embeddingtf(v1)，embeddingtf(v2)，...，embeddingtf(vn)])[0069]其中，embeddingtf表示单次就诊行为学习网络，所述单次就诊行为学习网络包括前述的三个嵌入层和深度学习网络，ev表示所述患者多次就诊的数据的表示向量，v1，v2，...，vn分别表示第1次就诊至第n次就诊的数据。[0070]如图4所示，示例性的示出了长短期记忆网络的结构示意图。[0071]在一个实施例中，步骤s102之后，包括：[0072]将患者每次就诊的数据、所述患者每次就诊的数据的表示向量和所述患者多次就诊的数据的表示向量上传至区块链。[0073]在应用中，在患者每次就诊的数据、患者每次就诊的数据的表示向量和患者多次就诊的数据的表示向量中的任意数据之后，可以根据实际需要将获得的数据上传至区块链，可保证其安全性和对用户的公正透明性。终端设备可以从区块链中下载这些数据，以便查证这些数据是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。[0074]步骤s103、基于所述患者的多次就诊数据的表示向量，识别所述患者是否异常。[0075]在应用中，按照时间顺序将患者每次就诊的数据的表示向量输入长短期记忆网络进行监督式训练之后，得到患者多次就诊的数据的表示向量，根据该数据的表示向量的具体数值即可识别患者是否异常。[0076]在一个实施例中，步骤s103包括：[0077]若所述患者的多次就诊数据的表示向量为第三数值，确定所述患者异常；[0078]若所述患者的多次就诊数据的表示向量为第四数值，确定所述患者正常。[0079]在应用中，第三数值具体可以为0，第四数值具体可以为1，也即采用作为机器语言的二进制向量来表示患者的行为是否异常，利于终端设备进行识别。用户也可以根据实际需要通过终端设备的人机交互器件将第三数值和第四数值设置为其他数值。[0080]本技术提供的异常患者识别方法，提出了一种独特的深度学习网络，通过在深度学习网络结构中融合多种代表不同含义的嵌入层对患者的就诊行为进行表示，并通过深度学习网络对患者的多次就诊行为进行挖掘，来识别患者异常，丰富了患者异常识别方法库。[0081]应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。[0082]本技术实施例还提供一种异常患者识别装置，用于执行上述异常患者识别方法中的步骤。该装置可以是终端设备中的虚拟装置(virtualappliance)，由终端设备的处理器运行，也可以是终端设备本身。[0083]如图5所示，本技术实施例提供的异常患者识别装置100包括：[0084]第一向量表示单元101，用于对患者每次就诊的数据进行向量表示，获得所述患者每次就诊的数据的表示向量；[0085]第二向量表示单元102，用于基于所述患者每次就诊的数据的表示向量，获得所述患者多次就诊的数据的表示向量；[0086]识别单元103，用于基于所述患者的多次就诊数据的表示向量，识别所述患者是否异常。[0087]在一个实施例中，异常患者识别装置还包括：[0088]通信单元，用于将患者每次就诊的数据、所述患者每次就诊的数据的表示向量和所述患者多次就诊的数据的表示向量上传至区块链。[0089]在应用中，异常患者识别装置中的各单元可以为软件程序单元，也可以通过处理器中集成的不同逻辑电路或与处理器连接的独立物理部件实现，还可以通过多个分布式处理器实现。[0090]如图6所示，本技术实施例还提供一种终端设备200，包括：至少一个处理器201(图6中仅示出一个处理器)、存储器202以及存储在存储器202中并可在至少一个处理器201上运行的计算机程序203，处理器201执行计算机程序203时实现上述各个异常患者识别方法实施例中的步骤。[0091]在应用中，终端设备可包括，但不仅限于，处理器以及存储器，图6仅仅是终端设备的举例，并不构成对终端设备的限定，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，例如，输入输出设备、网络接入设备等，还可以包括输入输出设备可以包括上述人机交互设备以及通信模块、显示屏等。[0092]在应用中，处理器可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，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。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。[0093]在应用中，存储器在一些实施例中可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器在另一些实施例中也可以是终端设备的外部存储设备，例如，终端设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如计算机程序的程序代码等。存储器还可以用于暂时存储已经输出或者将要输出的数据。[0094]在应用中，显示屏可以为薄膜晶体管液晶显示屏(thinfilmtransistorliquidcrystaldisplay，tft-lcd)、液晶显示屏(liquidcrystaldisplay，lcd)、有机电激光显示屏(organicelectroluminesencedisplay，oled)、量子点发光二极管(quantumdotlightemittingdiodes，qled)显示屏，七段或八段数码管等。[0095]在应用中，通信模块可以提供应用在网络设备上的包括无线局域网(wirelesslocalareanetworks，wlan)(如wi-fi网络)，蓝牙，zigbee，移动通信网络，全球导航卫星系统(globalnavigationsatellitesystem，gnss)，调频(frequencymodulation，fm)，近距离无线通信技术(nearfieldcommunication，nfc)，红外技术(infrared，ir)等通信的解决方案。通信模块可以包括天线，天线可以只有一个阵元，也可以是包括多个阵元的天线阵列。通信模块可以通过天线接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器。通信模块还可以从处理器接收待发送的信号，对其进行调频、放大，经天线转为电磁波辐射出去。[0096]需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。[0097]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，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要将上述功能分配由不同的功能单元完成，即将所述装置的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。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。另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中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。[0098]本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器所执行时可实现上述各个异常患者识别方法实施例中的步骤。[0099]本技术实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备可实现上述各个异常患者识别方法实施例中的步骤。[0100]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取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到数据采集端或客户端的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。[0101]在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。[0102]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、或者计算机软件和电子硬件的结合来实现。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技术的范围。[0103]在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。[0104]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。[0105]以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。当前第1页12当前第1页12