情感识别模型生成方法及装置与流程

本发明实施例属于人工智能、数据挖掘、信号与信息处理和心理学的交叉领域，尤其涉及一种情感识别模型生成方法及装置。

背景技术：

计算机对从传感器采集来的信号进行分析和处理，从而得出对方(人)正处在的情感状态，这种行为叫做情感识别。从生理心理学的观点来看，情绪是有机体的一种复合状态，既涉及体验又涉及生理反应，还包含行为，其组成至少包括情绪体验、情绪表现和情绪生理三种因素。情感的识别可以基于面部特征、语音信号、身体姿势、文字和生理信号等。

现有技术多是从面部特征、语音信号或身体姿势方面进行情感识别，而依靠面部特征、语音信号或身体姿势方面等进行的情感识别准确率较低。

故，有必要提出一种新的方案以解决上述技术问题。

技术实现要素：

本发明实施例提供了一种情感识别模型生成方法及装置，旨在解决现有的方法识别情感的准确率较低的问题。

本发明实施例的第一方面，提供了一种情感识别模型生成方法，所述方法包括：

采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号；

从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值；

根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集；

根据所述第一最优特征子集生成对应的情感识别模型。

本发明实施例的第二方面，提供了一种情感识别模型生成装置，所述装置包括：

生理信号采集单元，用于采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号；

特征值提取单元，用于从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值；

第一最优特征子集确定单元，用于根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集；

第一情感识别模型生成单元，用于根据所述第一最优特征子集生成对应的第一情感识别模型。

在本发明实施例中，由于基于性别生理信号生成情感识别模型，而基于生理信号的情感识别又是更准确的，因此，使得生成的情感识别模型能够更准确地识别生理信号对应的是男性还是女性，以及更准确地识别该男性或女性的情感。

附图说明

图1是本发明第一实施例提供的一种情感识别模型生成方法的流程图；

图2是本发明第二实施例提供的一种情感识别模型生成装置的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例中，采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号，从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值，根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集，根据所述第一最优特征子集生成对应的情感识别模型。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明第一实施例提供的一种情感识别模型生成方法的流程图，详述如下：

步骤S11，采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号。

具体地，分别采集男性和女性在平静、高兴、悲伤和恐惧状态下的4种生理信号：心电信号(ECG，electrocardiogram)、肌电信号(EMG，electromyogram)、呼吸信号(RSP，respiratory)和皮肤电导(GSR，galvanic skin response)。

可选地，由于心电信号是人体的微弱电信号，在采集过程中常常会受到工频干扰，基线漂移以及其他人体信号等多方面的噪声干扰，因此在对心电信号进行分析之前，首先要区分有用信号和噪声信号。此时，在所述步骤S11之后，包括：

A1、采用三次B样条小波将采集的心电信号分解为8层，得到8层三次B样条小波的高、低频重构系数。

A2、采用第2、3、4、5层的重构系数d2、d3、d4、d5确定QRS波群：e1＝d2+d3+d4+d5，e2＝e1×((d2+d4)×(d3+d5)/2⁸)，其中，e1表示QRS波群，e2的峰值为心电信号的R波峰值。

A3、确定e1的一阶差分f，在f信号中，从R波峰位置之前的第一个过零点记为L_Q，从R波峰位置之后的第一个过零点记为L_S，则L_Q+1与L_S+1分别为Q波和S波的位置。

A4、采用第6、7层的重构系数d6、d7确定P波和T波：e4＝d6+d7，在信号e4中，T波波峰是S点位置之后的第一个极大值，而P波波峰是Q点位置之前的第一个极大值点。

A5、根据定位的心电信号的PQRST波滤除所述心电信号的噪声。具体地，滤除非PQRST波，以滤除心电信号的噪声。

上述A1～A5中，样条函数是一类分段光滑又在各段交接处有一定光滑性的函数，在数据的插值拟合与光滑性方面有很好的稳定性和收敛性。B样条小波因其结构简单，具有紧支性，正交性好，而在信号处理中有着广泛的应用。M阶B样条函数N_m(x)定义为它的双尺度关系为：

对它进行傅立叶变换后，得到尺度函数为

其对应的小波函数为

当n＝1时，该函数即被构造为三次样条小波函数。

小波函数与小波变换的等效离散滤波器传递函数g(n)之间有如下关系

其中h(n)和g(n)为正交镜像滤波器，它们之间的关系为

|H(ω)|²+G(ω)K(ω)＝1

由以上关系可以得到

进行z变换，即

G(z)＝2(z-1)

至此，我们就得到了两个重要的参数，即低通滤波器的系数Lo＝[1/8,3/8,3/8,1/8]；高通滤波器的系数Hi＝[2,-2]。

其中，基于三次B样条小波的系数选择法定位心电的P-QRS-T波具体如下：

以MATLAB中的wavedec函数为工具，使用三次B样条小波，将原始心电信号分解为8层(小波分解示意图一)，每一层的低频和高频系数分别描述如下：

a1：第一层低频系数

d1：第一层高频系数

d2：第二层高频系数

d3：第三层高频系数

d4：第四层高频系数

d5：第五层高频系数

d6：第六层高频系数

d7：第七层高频系数

d8：第八层高频系数

然后以MATLAB中的wrcoef函数为工具，分别得到8层三次B样条小波的高、低频重构系数。其中第1层和第8层的高频与低频重构系数，分别为原始心电信号中的高频噪声和低频噪声。

(1)R波的波峰检测

心电信号中QRS波群的能量主要集中在第2,3，4，5层小波，因此使用d2,d3，d4和d5这几个重构系数来代表QRS波群，即

e1＝d2+d3+d4+d5

由于信号e1代表的是QRS波群，所以不太容易从e1中直接检测到R波的峰值，所以引入另一个信号

e2＝e1×((d2+d4)×(d3+d5)/2⁸)

e2的峰值即对应心电信号的R波峰值。

(2)Q点和S点的检测

Q点和S点的检测是基于R波的准确定位。因为Q点和S点分别是R波峰之前和之后的一个拐点。因此我们取e1信号的一阶差分，记为f。在f信号中，从R波峰位置之前的第一个过零点记为L_Q，从R波峰位置之后的第一个过零点记为L_S，则L_Q+1与L_S+1分别为Q波和S波的位置。

(3)P波和T波的检测

P波和T波的能量主要集中在小波的第6层，第7层和第8层。但因第8层中包含较多的噪声，所以采用d6和d7的重构系数来检测P波和T波，记为：

e4＝d6+d7

在信号e4中，T波波峰是S点位置之后的第一个极大值，而P波波峰是Q点位置之前的第一个极大值。

步骤S12，从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值。

由于大量的特征会增加模型训练与预测的时间，而且冗余特征还会增加模型预测的错误率，因此，在实际情况中，只需要选取某些特征参与运算。特征选择(FS，feature selection)也叫特征子集选择(FSS,feature subset selection)。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化，是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤。

其中，提取的特征值包括：从心电信号的R P Q S T波中分别提取的均值、中值、标准差、最大值、最小值、最大值最小值之差；PQ QS ST波的均值、中值、标准差、最大值、最小值、最大值最小值之差；P R S波幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性的PNN50(相邻RR间距差>50ms的个数占一定时间RR间期总个数的百分比)；心率变异性分布的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性分布的NN比值(先求得NN间隔的分布,再用NN间隔分布的总和除以NN间隔分布的最大值)；心率变异性在0-0.2Hz频段的均值,心率变异性在0.2-0.4Hz频段的均值,心率变异性在0.4-0.6Hz频段的均值,心率变异性在0.6-0.8Hz频段的均值。

从肌电信号中提取肌电信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；肌电信号一阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；肌电信号二阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；

从呼吸信号中提取呼吸信号在0-0.1频段的均值，呼吸信号在0.1-0.2频段的均值，呼吸信号在0.2-0.3频段的均值，呼吸信号在0.3-0.4频段的均值；呼吸信号的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号脉冲的一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号脉冲的二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；

从皮肤电导信号中提取皮肤电导信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；皮肤电导信号的一阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；皮肤电导信号的二阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率。

步骤S13，根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集。

其中，第一指定算法可为ADABOOST.M1_SBS算法。AdaBoost(Adaptive Boosting)由Yoav Freund和Robert Schapire在1995年提出，是一个将多个弱分类器融合为强分类器的自适应增强算法。

可选地，所述步骤S13具体包括：

B1、将所述男性的特征值分别划分为男性的平静或高兴原始特征子集、男性的平静或悲伤原始特征子集、男性的平静或恐惧原始特征子集，以及，将所述女性的特征值分别划分为女性的平静或高兴原始特征子集、女性的平静或悲伤原始特征子集、女性的平静或恐惧原始特征子集。

B2、根据特征值的重要性对划分的原始特征子集中的所有特征值进行排序。其中，这里的原始特征子集包括：男性的平静或高兴原始特征子集、男性的平静或悲伤原始特征子集、男性的平静或恐惧原始特征子集，以及，将所述女性的特征值分别划分为女性的平静或高兴原始特征子集、女性的平静或悲伤原始特征子集、女性的平静或恐惧原始特征子集等。

B3、采用序列后向搜索，每次从原始特征子集中去掉一个重要性最小的特征值，且去掉的特征值在后续迭代中不能再次添加。

B4、计算去掉特征值后的原始特征子集的分类错误率。

B5、逐次进行迭代直至剩下一个特征值的剩余特征子集，所述剩余特征子集作为第一最优特征子集。

需要指出的是，针对每一个原始特征子集都需要执行步骤B2～B5，以确定每一个原始特征子集对应的最优特征子集。

可选地，为了在增强算法的鲁棒性的同时，又不影响特征选择的速度，所述B4具体包括：

B41、将去掉特征值后的原始特征子集划分成5等份，采用其中的4份作为训练集用于构建分类器，剩余的1份作为验证集以计算分类错误率。

B42、在每次迭代中，计算得到的5个分类错误率的平均值，并将计算的平均值作为本次迭代的分类错误率。

步骤S14，根据所述第一最优特征子集生成对应的第一情感识别模型。

具体地，根据第一最优特征子集训练男性的平静或高兴情感识别模型、男性的平静或悲伤情感识别模型、男性的平静或恐惧情感识别模型、女性的平静或高兴情感识别模型、女性的平静或悲伤情感识别模型、女性的平静或恐惧情感识别模型。

进一步地，根据训练的情感识别模型识别输入的生理信号是男性还是女性，以及识别该男性或女性当前的情感，如，是平静或高兴，或是平静或悲伤等等。

上述模型主要用于识别单一情感，可选地，为了识别多种情感，则在所述步骤S12之后，包括：

C1、根据第二指定算法将所述男性的特征值和所述女性的特征值迭代出第二最优特征子集，所述第二最优特征子集包括：男性的高兴或悲伤或恐惧最优特征子集、女性的高兴或悲伤或恐惧最优特征子集。其中，第二指定算法可为ADABOOST.M2_SBS算法。

C2、根据所述第二最优特征子集生成对应的第二情感识别模型。

具体地，采用ADABOOST.M2_SBS算法训练男性的高兴或悲伤或恐惧情感识别模型和女性的高兴或悲伤或恐惧情感识别模型。

本发明第一实施例中，采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号，从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值，根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集，根据所述第一最优特征子集生成对应的情感识别模型。由于基于性别生理信号生成情感识别模型，而基于生理信号的情感识别又是更准确的，因此，使得生成的情感识别模型能够更准确地识别生理信号对应的是男性还是女性，以及更准确地识别该男性或女性的情感。

以下为ADABOOST.M1_SBS算法和ADABOOST.M2_SBS算法的介绍：

(1)ADABOOST.M1_SBS算法

算法说明：TP为被模型预测为正的正样本数量(如将女性预测为女性的样本数量)，FP为被模型预测为正的负样本数量(如将男性预测为女性的样本数量)。

(2)ADABOOST.M2_SBS算法

应理解，在本发明实施例中，上述各过程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，而不应对本发明实施例的实施过程构成任何限定。

实施例二：

图2示出了本发明第二实施例提供的一种情感识别模型生成装置的结构图，该情感识别模型生成装置可应用于移动终端中，该移动终端可以包括经无线接入网RAN与一个或多个核心网进行通信的用户设备，该用户设备可以是移动电话(或称为“蜂窝”电话)、具有移动设备的计算机等，例如，用户设备还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。又例如，该移动设备可以包括智能手机、平板电脑、个人数字助理PDA、销售终端POS或车载电脑等。为了便于说明，仅示出了与本发明实施例相关的部分。

该情感识别模型生成装置包括：生理信号采集单元21、特征值提取单元22、第一最优特征子集确定单元23、第一情感识别模型生成单元24。其中：

生理信号采集单元21，用于采集男性和女性的生理信号，所述生理信号包括：心电信号、肌电信号、呼吸信号和皮肤信号。

可选地，由于心电信号是人体的微弱电信号，在采集过程中常常会受到工频干扰，基线漂移以及其他人体信号等多方面的噪声干扰，因此在对心电信号进行分析之前，首先要区分有用信号和噪声信号。此时，所述情感识别模型生成装置包括：

重构系数确定单元，用于采用三次B样条小波将采集的心电信号分解为8层，得到8层三次B样条小波的高、低频重构系数。

QRS波群确定单元，用于采用第2、3、4、5层的重构系数d2、d3、d4、d5确定QRS波群：e1＝d2+d3+d4+d5，e2＝e1×((d2+d4)×(d3+d5)/2⁸)，其中，e1表示QRS波群，e2的峰值为心电信号的R波峰值。

Q波和S波的位置确定单元，用于确定e1的一阶差分f，在f信号中，从R波峰位置之前的第一个过零点记为L_Q，从R波峰位置之后的第一个过零点记为L_S，则L_Q+1与L_S+1分别为Q波和S波的位置。

P波和T波确定单元，用于采用第6、7层的重构系数d6、d7确定P波和T波：e4＝d6+d7，在信号e4中，T波波峰是S点位置之后的第一个极大值，而P波波峰是Q点位置之前的第一个极大值点。

噪声滤除单元，用于根据定位的心电信号的PQRST波滤除所述心电信号的噪声。

特征值提取单元22，用于从采集的男性生理信号中提取男性的特征值，以及，从采集的女性生理信号中提取女性的特征值。

其中，提取的特征值包括：从心电信号的R P Q S T波中分别提取的均值、中值、标准差、最大值、最小值、最大值最小值之差；PQ QS ST波的均值、中值、标准差、最大值、最小值、最大值最小值之差；P R S波幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性的PNN50(相邻RR间距差>50ms的个数占一定时间RR间期总个数的百分比)；心率变异性分布的均值、中值、标准差、最大值、最小值、最大值最小值之差；心率变异性分布的NN比值(先求得NN间隔的分布,再用NN间隔分布的总和除以NN间隔分布的最大值)；心率变异性在0-0.2Hz频段的均值,心率变异性在0.2-0.4Hz频段的均值,心率变异性在0.4-0.6Hz频段的均值,心率变异性在0.6-0.8Hz频段的均值。

从肌电信号中提取肌电信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；肌电信号一阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；肌电信号二阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；

从呼吸信号中提取呼吸信号在0-0.1频段的均值，呼吸信号在0.1-0.2频段的均值，呼吸信号在0.2-0.3频段的均值，呼吸信号在0.3-0.4频段的均值；呼吸信号的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号脉冲的一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号脉冲的二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的一阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；呼吸信号幅度的二阶差分的均值、中值、标准差、最大值、最小值、最大值最小值之差、最大值比率；

从皮肤电导信号中提取皮肤电导信号的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；皮肤电导信号的一阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率；皮肤电导信号的二阶差分的均值、中值、标准差、最大值、最小值、最小值比率、最大值比率。

第一最优特征子集确定单元23，用于根据第一指定算法将所述男性的特征值和所述女性的特征值迭代出第一最优特征子集，所述第一最优特征子集包括：男性的平静或高兴最优特征子集、男性的平静或悲伤最优特征子集、男性的平静或恐惧最优特征子集、女性的平静或高兴最优特征子集、女性的平静或悲伤最优特征子集、女性的平静或恐惧最优特征子集。

其中，第一指定算法可为ADABOOST.M1_SBS算法。

可选地，所述第一最优特征子集确定单元23具体包括：

原始特征子集确定模块，用于将所述男性的特征值分别划分为男性的平静或高兴原始特征子集、男性的平静或悲伤原始特征子集、男性的平静或恐惧原始特征子集，以及，将所述女性的特征值分别划分为女性的平静或高兴原始特征子集、女性的平静或悲伤原始特征子集、女性的平静或恐惧原始特征子集。

特征值排序模块，用于根据特征值的重要性对划分的原始特征子集中的所有特征值进行排序。

特征值删除模块，用于采用序列后向搜索，每次从原始特征子集中去掉一个重要性最小的特征值，且去掉的特征值在后续迭代中不能再次添加。

分类错误率计算模块，用于计算去掉特征值后的原始特征子集的分类错误率。

分类错误率迭代模块，用于逐次进行迭代直至剩下一个特征值的剩余特征子集，所述剩余特征子集作为第一最优特征子集。

可选地，为了在增强算法的鲁棒性的同时，又不影响特征选择的速度，所述分类错误率计算模块具体包括：

原始特征子集划分模块，用于将去掉特征值后的原始特征子集划分成5等份，采用其中的4份作为训练集用于构建分类器，剩余的1份作为验证集以计算分类错误率。

分类错误率的平均值计算模块，用于在每次迭代中，计算得到的5个分类错误率的平均值，并将计算的平均值作为本次迭代的分类错误率。

第一情感识别模型生成单元24，用于根据所述第一最优特征子集生成对应的第一情感识别模型。

上述模型主要用于识别单一情感，可选地，为了识别多种情感，所述情感识别模型生成装置包括：

第二最优特征子集确定单元，用于根据第二指定算法将所述男性的特征值和所述女性的特征值迭代出第二最优特征子集，所述第二最优特征子集包括：男性的高兴或悲伤或恐惧最优特征子集、女性的高兴或悲伤或恐惧最优特征子集。其中，第二指定算法可为ADABOOST.M2_SBS算法。

第二情感识别模型生成单元，用于根据所述第二最优特征子集生成对应的第二情感识别模型。

本发明第二实施例中，由于基于性别生理信号生成情感识别模型，而基于生理信号的情感识别又是更准确的，因此，使得生成的情感识别模型能够更准确地识别生理信号对应的是男性还是女性，以及更准确地识别该男性或女性的情感。

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发明的范围。

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。

所述功能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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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所述以权利要求的保护范围为准。