一种基于人工智能的脊柱畸形矫形预测方法、装置及终端与流程

本发明涉及人工智能技术领域，特别涉及一种基于人工智能的脊柱畸形矫形预测方法、装置及终端。

背景技术：

虽然近年来在ais(青少年特发性脊柱侧凸)的病因学研究方面取得了一些进展，但尚未有实质性的突破，目前还没有有效的预防干预措施。青少年特发性脊柱侧凸是一种三维平面的畸形，包括冠状位，矢状位，轴状位。

研究表明，对于轻度侧凸(cobb角小于40度)的ais患者，如果骨骼发育尚未成熟，可以用石膏或支具治疗控制其进展；而对于cobb角大于45度的患者，即使骨骼已发育成熟，畸形也会继续加重，所以外科手术就成为唯一有效的治疗方式。

通过器械矫形(手术置钉)脊柱侧凸虽然有很高的矫形率，但也存在一些问题：1)基于运动功能的需要，在采用器械进行脊柱侧凸矫形时，通常选择主要侧凸节段进行固定融合，尽可能保留运动节段，这种融合节段的选择虽然有一些经验性研究结论，但都还存在一些缺陷，对同一患者选择不同融合节段，结果常常有较大差异，这种差异在术前很难预测评估；2)由于脊柱侧凸的复杂性，畸形节段的矫形往往带来邻近节段的代偿反应，这种反应在不同脊柱柔韧性的个体差异性很大，难以估算，因此矫形后的脊柱平衡状态很难预测，常常发生双肩失平衡，远端失平衡，甚至部分病人还发生融合节段远端侧凸加重，需要再次进行手术的情况。因此手术置钉节段的选择以及策略的制定尤为重要。针对同一侧弯患者，不同的置钉节段及置钉密度，都会影响术后冠状面的平衡情况。

为解决这些问题，很多学者进行了大量的临床研究，根据临床统计数据提出很多融合节段选择策略和代偿反应预测方法，但基于特发性脊柱侧凸的较大个体差异，没有形成一个有效统一的解决手段。此外，也有一些研究基于生物力学建立模拟矫形的模型，从而预测矫形结果，但这些预测只是纳入了有限的影响因素，因而预测准确性难以达到要求。

技术实现要素：

本发明提供一种基于人工智能的脊柱畸形矫形预测方法、装置及终端，可以提高脊柱畸形矫形预测的准确性，指导临床医生获得最佳的置钉策略。

为了解决上述技术问题，本发明实施例提供如下技术方案：

第一方面，本发明实施例提供一种基于人工智能的脊柱畸形矫形预测方法，该方法包括以下步骤：

获取训练样本集数据，所述训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

基于所述训练结果，确定最佳预测模型；

基于所述最佳预测模型对目标患者脊柱畸形矫形进行预测。

优选地，所述通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过所述训练样本集数据对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型、深度网络模型及融合模型分别进行训练，获得训练结果。

优选地，所述融合模型具体为：通过深度集成方法对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型、深度网络模型进行集成得到的模型，所述深度集成方法采用深度神经网络dnn模型、adaboost模型、gbdt模型或xgboost模型。

优选地，所述通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过所述训练样本集数据对预设多种预测模型分别进行训练，获得每种预测模型的训练结果，其中，所述训练结果包括拟合曲线情况、cobb角误差值及各误差区间的患者比例，所述cobb角误差值为模拟cobb角与实际cobb角之间的差值。

优选地，所述基于所述训练结果，确定最佳预测模型，具体为：基于每种模型训练后得到的拟合曲线情况、cobb角误差值及各误差区间的患者比例，确定最佳预测模型。

优选地，所述术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置，具体为：将术前术后图片骶1椎体中点作为原点，将其与胸1椎体的竖直方向距离记作纵坐标的单位100，通过标注的12个胸椎、5个腰椎的中点位置得到每个椎体的坐标，测量得到胸弯和腰弯切线相交得到的夹角记作cobb角，胸1椎体横坐标为冠状位偏移距，顶椎中点横坐标为顶椎偏移距，术后片中椎弓根螺钉对应椎体的位置为手术置钉位置。

第二方面，本发明实施例提供一种基于人工智能的脊柱畸形矫形预测装置，包括：

数据获取模块，用于获取训练样本集数据，所述训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

训练结果获得模块，用于通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

模型确定模块，用于基于所述训练结果，确定最佳预测模型；

预测模块，用于基于所述最佳预测模型对目标患者脊柱畸形矫形进行预测。

第三方面，本发明实施例提供了一种基于人工智能的脊柱畸形矫形预测系统，包括：

数据获取模块，用于获取训练样本集数据，所述训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

训练结果获得模块，用于通过所述训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

模型确定模块，用于基于所述训练结果，确定最佳预测模型；

预测模块，用于基于所述最佳预测模型对目标患者脊柱畸形矫形进行预测。

第四方面，本发明实施例提供一种终端，包括：

存储器和处理器；

其中，所述存储器上存储有可供所述处理器执行的计算机程序；

当所述处理器读取并执行所述计算机程序时，使得所述处理器执行如第一方面中任一项所述的方法。

第五方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，所述计算机程序包含至少一段代码，所述至少一段代码可由处理器执行，实现如第一方面中任一项所述的方法。

采用上述技术方案，由于基于人工智能模型的自学习特性，首先通过获取的训练样本集数据，对预设多种预测模型分别进行训练，获得训练结果，并且基于该训练结果，确定最佳预测模型；通过该最佳预测模型对目标患者脊柱畸形矫形进行预测，从而提高了目标患者通过置钉进行脊柱畸形矫形预测的准确性，帮助临床医生获得最佳的置钉策略。

附图说明

图1为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法的流程图；

图2为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法中双向长短时记忆模型的框架图；

图3为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法中深度因子分解机模型的框架图；

图4为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法中深度网络模型的框架图；

图5为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法中卷积神经网络模型的框架图；

图6为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法中深度神经网络dnn模型的框架图；

图7为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测装置的结构框图；

图8为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测系统患者术前影像标注示意图；

图9为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测系统患者术后影像标注示意图；

图10为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测系统患者术前模拟置钉影像标注示意图；

图11为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测系统患者模拟置钉效果曲线示意图；

图12为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法一预测模型训练结果示意图；

图13为本发明实施例所提供的基于人工智能的脊柱畸形矫形预测方法一预测模型另一训练结果示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。

其中，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

以下，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”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

青少年特发性脊柱侧凸在畸形特性上既有一定规律性：如侧凸柔韧性与侧凸角度、年龄的相关性，又存在很多的变异性，例如同样形态的侧凸，其柔韧性相差很大，矫形结果也很不同。在既往研究模拟术后矫形效果的研究中发现，在既有参数与术后效果参数间并非简单线性关系能够解释，这些特性都提示通过一般的统计学方法难以揭示其内在规律。

而基于人工智能的方法则是解决这类问题的最佳工具，该方法能通过个案的不断学习，处理非线性数据关系，从而提高预测准确性。

该方法所建预测模型可以较好地模拟矫形结果，其仿真性能可以大大提高，为脊柱侧凸不同矫形策略效应及术后躯干代偿状态提供直观的评估手段。

第一方面，本发明实施例提供了一种基于人工智能的脊柱畸形矫形预测方法，如图1所示，包括以下步骤：

步骤s101、获取训练样本集数据，该训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

其中，患者基础信息包括患者姓名、性别和年龄，年龄为患者进行手术时的年龄。

该训练样本集数据越多越好，数据越多，预测模型的自学习效果越好，最终得到的训练结果越精确，越易于确定出最佳预测模型。

步骤s102、通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

可以事先预设多种预测模型，通过训练样本集数据分别进行训练，以了解哪种训练模型训练效果最好。

步骤s103、基于训练结果，确定最佳预测模型；

可以基于每种预测模型的训练结果，确定出最佳的预测模型，用该最佳预测模型进行后期患者置钉手术情况的预测。

步骤s104、基于最佳预测模型对目标患者脊柱畸形矫形进行预测。

确定了最佳预测模型之后，就可以将目标患者的相关输入信息输入到最佳预测模型中，从而得出输出结果。通过输出结果来看各种不同置钉位置所带来的矫形效果。

可以通过人工智能模型对不同手术策略，使用冠状位偏移距和顶椎偏移距进行评估。

采用上述技术方案，由于基于人工智能模型的自学习特性，首先通过获取的训练样本集数据，对预设多种预测模型分别进行训练，获得训练结果，并且基于该训练结果，确定最佳预测模型；通过该最佳预测模型对目标患者脊柱畸形矫形进行预测，从而提高了目标患者通过置钉进行脊柱畸形矫形预测的准确性，帮助临床医生获得最佳的置钉策略。

优选地，步骤s102中:通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过训练样本集数据对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型、深度网络模型及融合模型分别进行训练，获得训练结果。

本申请中采用的双向长短时记忆模型(longshorttermmemorynetwork,lstm)，是一种改进之后的循环神经网络，典型的seq2seq的模型方法，具体采用双向循环神经网络，它成功的解决了原始循环神经网络的缺陷，成为当前最流行的rnn。具体框架如图2所示。

因子分解机模型是steffenrendle于2010年提出的，全称为：factorizationmachines(简称fm)，并发布开源工具libfm。fm的提出主要对比对象是svm，与svm相比，本申请中采用深度因子分解机模型有如下几个优势：

(1)对于输入数据是非常稀疏(比如自动推荐系统)，fm可以，而svm会效果很差，因为训出的svm模型会面临较高的bias。

(2)fms拥有线性的复杂度,可以通过primal来优化而不依赖于像svm的支持向量机。

具体框架如图3所示。

深度网络模型是一种多层前馈神经网络，也称为软连接模型。由于深度网络模型具备非线性，在模型的最后，基于之前结果作为输入重新训练一个深度网络用来进行深度演算，此处用到三层，具体框架如图4所示。

卷积神经网络(convolutionalneuralnetworks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(shift-invariantartificialneuralnetworks,siann)”。

卷积神经网络仿造生物的视知觉(visualperception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(featureengineering)要求。具体框架如图5所示。

基于这几种神经网络和融合模型良好的自学习性能以及良好的处理非线性数据关系的性能，所以通过其来对患者的脊柱冠状位矫形情况数据进行处理，可以达到较高的预测准确度，从而帮助医生建立更适合患者康复的置钉策略。

优选地，融合模型具体为：通过深度集成方法对双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型和深度网络模型进行集成得到的模型，该深度集成方法采用深度神经网络dnn模型、adaboost模型、gbdt模型或xgboost模型。

具体地说，可以先通过双向长短时记忆模型、深度因子分解机模型、卷积神经网络模型和深度网络模型四种模型的训练结果，基于整体曲线拟合趋势及局部cobb角误差分析原因，尝试整合模型。可以分析各类模型在适用领域的优缺点，采取深度集成方法进行进一步优化。

通常，通过融合多个不同的模型，可以提升机器学习的性能，使结果得到提升。模型融合就是综合考虑不同模型的情况，并将它们的结果融合到一起。

常见的模型融合方法包括以下几种：1、voting；2、averaging；3、ranking；4、bagging；5、boosting；6、stacking；7、blending。

voting即投票机制，分为软投票和硬投票两种，其原理采用少数服从多数的思想。

硬投票：对多个模型直接进行投票，最终投票数最多的类为最终被预测的类。

软投票：和硬投票原理相同，增加了设置权重的功能，可以为不同模型设置不同权重，进而区别模型不同的重要度。

averaging，其原理是对模型结果取平均。

处理回归问题，直接取平均值作为最终的预测值。(也可以使用加权平均)

平均法存在问题就是如果不同回归方法的预测结果波动幅度相差比较大，那么波动小的回归结果在融合时候起的作用就比较小。

ranking的思想和averaging一致，但是因为上述平均法存在一定的问题。

所以这里采用了把排名做平均，如果有权重，则求n个模型权重比排名之和，即为最后的结果。

bagging就是采用有放回的方式进行抽样，用抽样的样本建立子模型,对子模型进行训练，这个过程重复多次，最后进行融合。

boosting的思想是一种迭代的方法，它每次训练使用的都是同一个训练集。但是每次它会给这些分类错误的样例增加更大的权重，下一次迭代的目标就是能够更容易辨别出上一轮分类错误的样例。最终将这些弱分类器进行加权相加。

stacking是一种分层模型集成框架。以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为训练集进行再训练，从而得到完整的stacking模型。

对于一般的blending，主要思路是把原始的训练集先分成两部分，比如70％的数据作为新的训练集，剩下30％的数据作为测试集。第一层我们在这70％的数据上训练多个模型，然后去预测那30％数据的label。在第二层里，我们就直接用这30％数据在第一层预测的结果做为新特征继续训练即可。

本申请中采用的深度神经网络dnn模型即(deepneuralnetworks，简称dnn)，是深度学习的基础，深度神经网络dnn模型作为集成器，将其他的模型混合在一起，但是自行区分密度和权重。具体框架如图6所示。

本申请中采用的adaboost模型，是基于boosting的思想，通过多个弱分类器的线性组合来得到强分类器，训练时重点关注被错分的样本，准确率高的弱分类器权重大。

本申请中采用的gbdt模型也是基于boosting的思想，串行地构造多棵决策树来进行数据的预测，它是在损失函数所在的函数空间中做梯度下降，即把待求的决策树模型当作参数，每轮迭代都去拟合损失函数在当前模型下的负梯度，从而使得参数朝着最小化损失函数的方向更新。

本申请中的xgboost模型是梯度提升树的一种高效系统实现，是对gbdt进一步的改进，包括对代价函数进行了二阶泰勒展开，在代价函数里加入了正则项，借鉴了随机森林的列采样方法，支持并行计算等。

在本申请中，采用这四种模型设计：第一个用的是双向循环神经网络，循环模块用的是lstm。这是典型的seq2seq的方法，即序列到序列到预测模型。因为脊柱是双向影响的，因此用双向循环神经网络。用dnn，把单节脊柱坐标看作受整个脊柱坐标影响和打钉位置影响，将seq2seq问题转换成回归问题，fm类似，所以x的输入shape是33，前16个点，后16个点，加上当前点共33个点。cnn，是用wave-net，利用卷积神经网络在seq2seq方面的应用。

当遇到数据集较少，无法评估哪一个模型好，哪一个不好的情况下，集成器的选择将是很好的解决办法，而选择深度学习模型作为集成器，可以利用其高度非线性，取得较好的集成效果。使用深度神经网络模型dnn作为集成器，可以弥补样本少，模型选择准确性不足的缺陷。

优选地，步骤s102中：通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过训练样本集数据对预设多种预测模型分别进行训练，获得每种预测模型的训练结果，其中，训练结果包括cobb角误差值、对比曲线及各误差区间的患者比例，cobb角误差值为模拟cobb角与实际cobb角之间的差值。

优选地，步骤s103中：基于训练结果，确定最佳预测模型，具体为：基于每种模型训练后得到的cobb角误差值、对比曲线及各误差区间的患者比例，确定最佳预测模型。

优选地，步骤s101中：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置，具体为：将术前术后图片骶1椎体中点作为原点，将其与胸1椎体的竖直方向距离记作纵坐标的单位100，通过标注的12个胸椎、5个腰椎的中点位置得到每个椎体的坐标，测量得到胸弯和腰弯切线相交得到的夹角记作cobb角，胸1椎体横坐标为冠状位偏移距，顶椎中点横坐标为顶椎偏移距，术后片中椎弓根螺钉对应椎体的位置为手术置钉位置。

实际中，由于不同医院，不同仪器摄片误差，对于同一患者不同时期的脊柱全长片难以做到一个标准化的前后对比。然而，基于脊柱本身结构由颈椎，胸椎，腰椎，骶椎构成，且侧弯的发生主要影响胸椎，腰椎弯曲的形态。因此，考虑通过人体所具有的12节胸椎，5节腰椎进行参数相对化。使用计算机软件，假设t1椎体中心与骶1上终板中点的竖直距离单位长度为100，以原有图片骶1上终板中点为原点建立坐标系，并将每一个椎体中心(近似看为矩形对角线的交点)进行人工标注，计算术前术后每个椎体的相对位置。与此同时，将椎体中心通过光滑曲线相连接，计算机辅助测量胸弯以及腰弯切线所相交得到的夹角(cobb角)，并加入患者术前年龄，性别，以及置钉的位置，根据计算机提取术前数据，以及术后数据进行学习。这样就建立了患者数据库，可作为训练样本集数据。

在本申请中，使用坐标标记的方案代替整个图片处理，降低了计算量，同时易于推广。

本申请中，以每一节脊柱的坐标，前后打钉位置，其他位置的坐标作为输入，输出术后的脊柱代替整条脊柱作为输入序列预测术后序列(seq2seq)。这样可以弥补数据集的不足，从而提高预测的准确性。

第二方面，本发明实施例提供了一种基于人工智能的脊柱畸形矫形预测装置，如图7所示，包括：

数据获取模块21，用于获取训练样本集数据，训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

训练结果获得模块22，用于通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

模型确定模块23，用于基于训练结果，确定最佳预测模型；

预测模块24，用于基于最佳预测模型对目标患者脊柱畸形矫形进行预测。

优选地，训练结果获得模块22，用于通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果，具体为：通过训练样本集数据对长短时记忆模型、深度因子分解机模型、卷积神经网络、深度网络模型及融合模型分别进行训练，获得训练结果。

本实施例以上所述的基于人工智能的脊柱畸形矫形预测装置，可以用于执行上述各对应方法实施例中的技术方案，其实现原理和技术效果类似，其中各个模块的功能可以参考方法实施例中相应的描述，此处不再赘述。

第三方面，本发明实施例提供了一种基于人工智能的脊柱畸形矫形预测系统，包括：

数据获取模块，用于获取训练样本集数据，该训练样本集数据包括：术前术后对应胸弯和腰弯的cobb角信息、冠状位偏移距、顶椎偏移距、手术置钉位置以及患者基础信息；

训练结果获得模块，用于通过训练样本集数据对预设多种预测模型分别进行训练，获得训练结果；

模型确定模块，用于基于训练结果，确定最佳预测模型；

预测模块，用于基于最佳预测模型对目标患者脊柱畸形矫形进行预测。

其中，该方法可应用于基于人工智能的脊柱畸形矫形预测系统上，该系统为一款具备输入、输出和存储为一体的影像信息采集软件。术前输入内容包括患者性别，年龄，每一个脊柱中心所处的位置坐标，胸弯以及腰弯的角度(根据每个弯曲的切线夹角)，实际置钉的位置信息，术后输入内容包括矫形后每一个脊柱中心所处的位置坐标，以及对应胸弯及腰弯的角度。

可以根据术前影像，通过人工标注不同节段置钉，不同位置置钉时给与对应术后的模拟图像，或者将术前术后的曲线作为直接反馈，或者能够实现通过术前图像，自动给出最佳置钉策略以及术后预测效果以作为患者术前规划前的猜想。

通过训练样本集数据的更新，实现预测模型的多次自我学习，反复验证，从而进一步地接近实际结果，达到预测模型最优化。

下面将以具体实例进行解释说明：

图8为一患者术前影像标注，图9为该患者术后影像标注，图10为术前影像模拟方式标注，此时加入了模拟置钉的位置，以便于选择不同的置钉方式。

图11为将术前以及不同置钉方式术后曲线进行示意，以便于为患者挑选最佳的手术方式。

图12为deepfm模型训练结果，其中可以将样本集数据一部分用于模型训练，一部分用于模型验证，以取得稳定可靠的效果。

图12中包括了患者术前影像，模拟cobb角、实际cobb角及cobb角误差值，并且还有模拟与实际结果曲线对比即拟合曲线情况。

图13为各cobb角误差区间患者比例。

第四方面，本发明实施例提供了一种终端，包括：

存储器和处理器；

其中，所述存储器上存储有可供所述处理器执行的计算机程序；

当所述处理器读取并执行所述计算机程序时，使得所述处理器执行如第一方面中任一项所述的方法。

存储器包括但不限于是随机存储记忆体(randomaccessmemory，ram)、只读存储器(read-onlymemory，rom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、或便携式只读存储器(compactdiscread-onlymemory，cd-rom)，该存储器用于相关指令及数据。处理器可以是中央处理器(centralprocessingunit，cpu)。

第五方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，所述计算机程序包含至少一段代码，所述至少一段代码可由处理器执行，实现如第一方面中任一项所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(digitalsubscriberline，dsl))或无线(例如：红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(digitalversatiledisc，dvd))、或者半导体介质(例如：固态硬盘(solidstatedisk，ssd))等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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。

以上结合附图对本发明的实施方式作了详细说明，但本发明不限于所描述的实施方式。对于本领域的技术人员而言，在不脱离本发明原理和精神的情况下，对这些实施方式进行多种变化、修改、替换和变型，仍落入本发明的保护范围内。