一种社会压力检测方法、装置、计算机设备及存储介质与流程

本发明涉及压力检测技术领域，特别涉及一种社会压力检测方法、装置、计算机设备及存储介质。

背景技术：

压力被定义为“身体对任何变革需求的非特定反应”，几乎每个人在人生的某个阶段都不可避免地经历着社会压力，压力可以改变中枢外周调节系统的反应性，从而降低它们支持人体健康的效率，压力同时也被认为是导致慢性疾病和生产力损失的主要因素之一，长期暴露在压力下会导致各种健康问题，如心脏病、肥胖、糖尿病、中风和抑郁症，它也会影响人们的工作欲望、工作表现和生活态度。一个可靠和准确的压力测量可以估计出一个人的压力负担。当一个人的压力过大时必须采取必要步骤减轻负担，恢复控制，以改善健康。压力反应可以从知觉、行为和身体对心理压力任务的反应来评估，压力事件或紧急情况会引起人体的动态变化，外界可以通过人体反应信号的动态变化来观察，这些反应信号自发地由自主神经系统(ans)引起，ans由交感神经系统(sns)和副交感神经系统(pns)组成。当身体处于压力下时，sns的活动增加并主导了pns产生的活动，从而改变了身体的反应信号，反应信号由非侵入性方法刺激产生，可以反映个人和他们的身体对压力情况的反应，因此被用来解释压力的程度，这些措施为客观地定义压力提供了基础。由于对压力反应的评估涉及主观估计和知觉，其中自我报告问卷是测量个人压力水平最常用的方法之一，然而，使用问卷评估压力是一种主观的方法，缺少客观因素。因此，当前通常通过测量皮质醇和α-淀粉酶水平来评估压力。

压力应激反应包括下丘脑-垂体-肾上腺皮质轴(hpa)和交感神经系统(sns)的激活，导致肾上腺皮质中的糖皮质激素/皮质醇分泌增加。大量的动物和人类文学文献都表明，心理因素可以影响下丘脑-垂体-肾上腺皮质(hpa)轴，从而调节皮质醇的释放，皮质醇是一种与心理、生理和身体健康功能相关的重要激素。实验室任务如公开演讲或心算可以增加皮质醇水平。皮质醇的持续释放直接影响到我们的身体、大脑的功能和结构，它会增加血压，削弱免疫系统，并停止在海马体中产生新的神经元。此外，它还增加了杏仁核的大小和活动，杏仁核参与储存与情绪事件相关的记忆。这也是为什么压力被认为是导致慢性疾病和生产力下降的主要因素之一的原因。

除了皮质醇的释放，压力同样可以从人类的生理信号还有部分物理信号中量化。研究发现唾液皮质醇水平与心率变异性(hrv)、皮肤温度(st)、皮肤电反应(gsr)和血压(bp)等生理变量变化之间存在一定关系。心率变异性是指心跳间隔中的逐搏交替，压力分别导致心跳间隔信号的高频成分减少和低频成分增加。因此，心率变异性分析被用于与精神压力相关的ans活动的即时定量测量。另一方面，皮肤的传导率随着皮肤含水量的变化而变化，显示出交感神经系统的变化，也就是皮肤电反应(gsr)。gsr是一种测量皮肤电流的方法，当人处于压力之下时，sns的活动会增加皮肤上的水分，从而增加电流，从而增加皮肤电导。相反，当个体的压力降低时，皮肤电导也会降低。因此通常用于压力分析的生理信号包括皮肤电反应(gsr)、心电图(ecg)和血压(bp)。物理信号是人体身体做出的改变，通常是可以被人类看到，不需要用附加到个人身上的设备和工具来检测一般的波动。一般情况下，用于压力分析的物理信号包括眼睛注视和瞳孔扩张信号，这两个信号仍然需要复杂的设备和使用视觉技术的传感器以足够的采样率获取物理信号来进行数据分析和建模。

另外通过现代神经影像学方法，可以无创地直接测量大脑皮层对压力的反应。脑电图(eeg)是研究脑功能和状态最常用的神经影像学方法之一，eeg测量的是毫秒分辨率下神经元集体活动引起的电场波动，它可以捕捉大脑中的神经活动。eeg曾被用于评估受试者在认知任务中的状态变化，它记录了在树突的突触激发和抑制过程中，动作电位在头皮上形成的复杂的电波形。eeg的以下几个频段是最常被用作分析的频段，例如：delta(1-4hz)、theta(4-8hz)、alpha(8-12.5hz)和beta(12.5-30hz)，通过对这些频段的评估以检查它们与情绪状态的关系，因此，与hrv和血压相比，eeg能提供更多关于人体是处于放松或是警觉状态的信息。另外，α和β功率的降低和增加都被发现是精神压力的一个标志，数据表明α和β频率与消极情绪、压力和抑郁有关。同时，eeg的α-功率节律与前额叶皮层的应激事件之间的负相关，其中α-节律随着应激而降低，而脑电β功率节律与颞叶的压力呈正相关。另一方面，脑电信号可用于从静息状态对精神应激进行分类。hosseini刺激被试使其产生两种不同的情绪并记录他们的脑电图和心理生理信号，使他们产生两种不同的情绪，结果70％的模式被正确识别。

现有的压力检测算法大多基于脑电信号节律在压力状态下的不同变化作为压力数据的标签，导致检测结果不够直观可靠。另外，现有技术大多依靠于传统机器学习方法对数据进行分类，导致精度不足。

技术实现要素：

本发明实施例提供了一种社会压力检测方法、装置、计算机设备及存储介质，旨在提高人体的社会压力检测精度。

第一方面，本发明实施例提供了一种社会压力检测方法，包括：

获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库；

将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型；

将随机的高斯噪声输入至所述社会压力检测模型中的生成器，并由所述生成器得到生成数据，然后将所述生成数据加入至所述多模态生理信号压力数据库中，并将所述生成数据标定为y＝k+1类；

根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类；

利用所述多模态生理信号压力数据库中的样本数据和生成数据对所述社会压力检测模型进行训练学习，直至所述判别器的输出概率达到预设阈值；

通过训练后的社会压力检测模型对指定的多模态生理信号进行检测，得到对应的压力概率值。

进一步的，所述获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库，包括：

获取被试者在预设的社会压力模拟环境下的多模态生理信号及其对应的唾液样本，然后对所述唾液样本进行检测得到对应的唾液皮质醇，从而得到被试者的皮质醇变化节律，再根据所述皮质醇变化节律对所述多模态生理信号进行标定，并将标定后的多模态生理信号作为样本数据保存至多模态生理信号压力数据库。

进一步的，所述将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型，包括：

将所述生成对抗网络的生成器和判别器分别利用所述深度神经网络中的深度卷积网络结构代替，得到生成器网络结构和判别器网络结构；

其中，所述生成器网络结构包含五层卷积结构，五层卷积结构中的卷积核的个数分别为200、100、50、25、1；

所述判别器网络结构包括4个模块和一个softmax层，其中，4个模块包括：第一模块、第二模块、第三模块和第四模块；第一模块包含第一卷积层、第二卷积层和第一池化层，第二模块包含第三卷积层和第二池化层，第三模块包含第四卷积层和第三池化层，第四模块包含第五卷积层和第四池化层。

进一步的，所述根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类，包括：

当所述生成数据和标定的样本数据的数量相同时，将所述分类器的损失函数设置为：

式中，lsupervised为有监督的损失函数，lunsupervised为无监督的损失函数，(x，y)为样本数据的数据分布，g为生成器，pmodel(y|x)为模型预测分布，e为概率分布。

第二方面，本发明实施例提供了一种社会压力检测装置，包括：

获取单元，用于获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库；

融合单元，用于将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型；

标定单元，用于将随机的高斯噪声输入至所述社会压力检测模型中的生成器，并由所述生成器得到生成数据，然后将所述生成数据加入至所述多模态生理信号压力数据库中，并将所述生成数据标定为y＝k+1类；

第一设置单元，用于根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类；

训练单元，用于利用所述多模态生理信号压力数据库中的样本数据和生成数据对所述社会压力检测模型进行训练学习，直至所述判别器的输出概率达到预设阈值；

检测单元，用于通过训练后的社会压力检测模型对指定的多模态生理信号进行检测，得到对应的压力概率值。

进一步的，所述获取单元包括：

检测标定单元，用于获取被试者在预设的社会压力模拟环境下的多模态生理信号及其对应的唾液样本，然后对所述唾液样本进行检测得到对应的唾液皮质醇，从而得到被试者的皮质醇变化节律，再根据所述皮质醇变化节律对所述多模态生理信号进行标定，并将标定后的多模态生理信号作为样本数据保存至多模态生理信号压力数据库。

进一步的，所述融合单元包括：

代替单元，用于将所述生成对抗网络的生成器和判别器分别利用所述深度神经网络中的深度卷积网络结构代替，得到生成器网络结构和判别器网络结构；

其中，所述生成器网络结构包含五层卷积结构，五层卷积结构中的卷积核的个数分别为200、100、50、25、1；

所述判别器网络结构包括4个模块和一个softmax层，其中，4个模块包括：第一模块、第二模块、第三模块和第四模块；第一模块包含第一卷积层、第二卷积层和第一池化层，第二模块包含第三卷积层和第二池化层，第三模块包含第四卷积层和第三池化层，第四模块包含第五卷积层和第四池化层。

进一步的，所述第一设置单元包括：

第二设置单元，用于当所述生成数据和标定的样本数据的数量相同时，将所述分类器的损失函数设置为：

式中，lsupervised为有监督的损失函数，lunsupervised为无监督的损失函数，(x，y)为样本数据的数据分布，g为生成器，pmodel(y|x)为模型预测分布，e为概率分布。

第三方面，本发明实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器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如上所述的社会压力检测方法。

第四方面，本发明实施例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上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的社会压力检测方法。

本发明实施例提供了一种社会压力检测方法、装置、计算机设备及存储介质，所述方法包括：获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库；将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型；将随机的高斯噪声输入至所述社会压力检测模型中的生成器，并由所述生成器得到生成数据，然后将所述生成数据加入至所述多模态生理信号压力数据库中，并将所述生成数据标定为y＝k+1类；根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类；利用所述多模态生理信号压力数据库中的样本数据和生成数据对所述社会压力检测模型进行训练学习，直至所述判别器的输出概率达到预设阈值；通过训练后的社会压力检测模型对指定的多模态生理信号进行检测，得到对应的压力概率值。本发明实施例在压力数据标定方面，以唾液皮质醇变化作为标定依据，由于唾液皮质醇是人体的压力状态的生物标记激素，通过对被试的皮质醇节律变化的检测来判断被试感受到的压力变化相比于现有技术更加直观可靠，同时采用深度学习技术，使构建的网络分类结果更加准确，从而提高对于人体的社会压力检测的精度。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种社会压力检测方法的流程示意图；

图2为本发明实施例提供的一种社会压力检测装置的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明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。

下面请参见图1，图1为本发明实施例提供的一种社会压力检测方法的流程示意图，具体包括：步骤s101～s106。

s101、获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库；

s102、将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型；

s103、将随机的高斯噪声输入至所述社会压力检测模型中的生成器，并由所述生成器得到生成数据，然后将所述生成数据加入至所述多模态生理信号压力数据库中，并将所述生成数据标定为y＝k+1类；

s104、根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类；

s105、利用所述多模态生理信号压力数据库中的样本数据和生成数据对所述社会压力检测模型进行训练学习，直至所述判别器的输出概率达到预设阈值；

s106、通过训练后的社会压力检测模型对指定的多模态生理信号进行检测，得到对应的压力概率值。

本实施例中，首先在预设的社会压力模拟环境下获取被试者(即指接受实验或测试的对象，可产生或显示被观察的心理现象或行为特质)的多模态生理信号，所述多模态生理信号包括脑电图(eeg)、皮肤电反应(gsr)、心电图(ecg)和血压(bp)等人体生理信号，然后对所述多模态生理信号进行标定处理并保存至所述多模态生理信号压力数据库中。再通过向生成器输入随机的高斯噪声得到生成数据，然后利用生成数据和样本数据(即保存至所述多模态生理信号压力数据库中的多模态生理信号)对构建的社会压力检测模型进行训练，直至所述社会压力检测模型中的判别器的输出概率达到预设阈值，即所述生成器输出的生成数据达到目标要求时，完成对所述社会压力检测模型的训练，并利用此时的社会压力检测模型对指定的多模态生理信号进行检测，即可得到对应的压力概率值。

本实施例通过深度神经网络和生成对抗网络融合构建所述社会压力检测模型，并利用标定的多模态生理信号和生成器输出的生成数据对所述社会压力检测模型进行训练，使所述生成器输出的生成数据更加准确可靠，贴近真实值，从而使构建的社会压力检测模型更加可靠、具有精度。

在一实施例中，所述步骤s101包括：

获取被试者在预设的社会压力模拟环境下的多模态生理信号及其对应的唾液样本，然后对所述唾液样本进行检测得到对应的唾液皮质醇，从而得到被试者的皮质醇变化节律，再根据所述皮质醇变化节律对所述多模态生理信号进行标定，并将标定后的多模态生理信号作为样本数据保存至多模态生理信号压力数据库。

本实施例中，将唾液皮质醇的变化作为生理数据压力状态和非压力状态的标定，唾液皮质醇作为人体的压力标定激素，会因为压力的产生而增高，因此可以将唾液皮质醇的上升直至峰值段作为压力产生的依据。优选的，唾液皮质醇的上升具有一定的时延性，一般是压力产生后的20～40分钟内唾液皮质醇会开始上升并达到逐步峰值，所以将皮质醇上升至峰值的对应的20分钟前的时段，即对被试者进行压力刺激的时间段，作为有压力的状态，其他时段作为非压力状态。

在一具体应用场景中，采集20个健康被试者在模拟社会压力环境下的压力状态的多模态生理信号，包括eeg、ecg、gsr、emg信号等，在模拟社会压力环境下，要求被试者为自己进行5分钟的无罪辩护，辩护结束后要求被试者进行5分钟的心算。期间，分时段采集被试者的唾液样本7次，采集到的唾液样本保存在-40℃的冰箱中，待结束后对所有被试者的唾液样本进行检测。检测时先将所有唾液样本从冰箱中取出，在室温环境下解冻至室温，随后在离心机中以3000转/秒的转速对唾液样本进行离心，取上清液进行检测。通过对所有被试者的唾液皮质醇进行检测，得到所有被试者的平均皮质醇节律。

在一实施例中，所述步骤s102包括：

将所述生成对抗网络的生成器和判别器分别利用所述深度神经网络中的深度卷积网络结构代替，得到生成器网络结构和判别器网络结构；

其中，所述生成器网络结构包含五层卷积结构，五层卷积结构中的卷积核的个数分别为200、100、50、25、1；

所述判别器网络结构包括4个模块和一个softmax层，其中，4个模块包括：第一模块、第二模块、第三模块和第四模块；第一模块包含第一卷积层、第二卷积层和第一池化层，第二模块包含第三卷积层和第二池化层，第三模块包含第四卷积层和第三池化层，第四模块包含第五卷积层和第四池化层。

对于多模态生理信号，例如eeg信号，其是一系列时域信号，eeg信号的端到端学习需要将原始eeg信号输入至卷积网络，而深度卷积神经网络则可以用作大脑信号解码任务的通用模型。在深度卷积神经网络中，因为两个卷积层之间不存在激活函数，因此可以组合成一个卷积层层。但是，使用两个卷积层会强制将线性变换分离为两个(时间和空间)卷积的组合，从而隐式地规则化整个卷积过程，导致最终的卷积结果不够准确。

本实施例将生成对抗网络中的生成器和判别器分别用深度卷积网络结构替换，从而使替换后的生成器和判别器也是两个对称的卷积神经网络，相比未替换的生成对抗网络，本实施例的网络结构更加适用于多模态生理信号(例如脑电信号灯)，并且相对于单一的深度卷积网络，本实施例的网络结构对于多模态生理信号的解码效果也有显著提升。

在一具体实施例中，将所述多模态生理压力信号以113×1251矩阵的形式输入至所述判别器网络结构中，利用所述第一模块中的步长为5、卷积核为25的第一卷积层进行卷积计算后，得到113×1247×25的第一输出矩阵；再通过步长为113、卷积核为25的第二卷积层对所述第一输出矩阵进行卷积计算，得到1247×25的第二输出矩阵；然后利用第一池化层对所述第二输出矩阵进行池化，得到623×25的第三输出矩阵；

利用所述第二模块中的步长5卷积核大小50的第三卷积层对于所述第三输出矩阵进行卷积计算，得到的619×50的第四输出矩阵；然后利用所述第二池化层对所述第四输出矩阵进行池化，得到309×50的第五输出矩阵；

利用所述第三模块中的步长为5卷积核大小为100的第四卷积层对所述第五输出矩阵进行卷积计算，得到305×100的第六输出矩阵；利用所述第三池化层对所述第六输出矩阵进行池化，得到152×100的第七输出矩阵；

利用所述第四模块中的步长为5卷积核大小为200的第五卷积层对所述第七输出矩阵进行卷积计算，得到148×200的的第八输出矩阵；然后利用所述第四池化层对所述第八输出矩阵进行池化，得到74×200的第九输出矩阵，

通过softmax层对所述第九输出矩阵进行分类，得到最终的压力概率值。

在一实施例中，所述步骤s104包括：

当所述生成数据和标定的样本数据的数量相同时，将所述分类器的损失函数设置为：

式中，lsupervised为有监督的损失函数，lunsupervised为无监督的损失函数，(x，y)为样本数据的数据分布，g为生成器，pmodel(y|x)为模型预测分布，e为概率分布。

本实施例中，在将所述分类器的损失函数设置为上述形式后，式中的lsupervised和lunsupervised分别为：

其中，lsupervised是一个标准的k类分类器的交叉熵，而对于lunsupervised，将生成对抗网络中的d(x)＝1-pmodel(y＝k+1|x)带入lunsupervised的表达式，则有

由此可见，lunsupervised为标准的普通gan的损失函数，本实施例将这两个损失函数即lsupervised和lunsupervised联合最小化，使所述分类器能够更好地计算得到最优解。

另外，本实施例所述的判别器采用k+1类目标，其中，所述样本数据被分类为前k类，所述生成样本被分类为k+1类，从而提升了所述社会压力检测模型对于多模态生理信号的分类精度。

在一具体实施例中，在对所述判别器采用k+1类目标后，将所述判别器的目标函数设置为：

式中，p是样本数据的概率分布，pd是所有k+1类数据的概率分布，前k类为样本数据，第k+1类为生成数据。

图2为本发明实施例提供一种社会压力检测装置200，所述社会压力检测装置200包括：

获取单元201，用于获取被试者在预设的社会压力模拟环境下的多模态生理信号，并对所述多模态生理信号进行标定处理，然后将标定的多模态生理信号作为样本数据保存至预设的多模态生理信号压力数据库；

融合单元202，用于将深度神经网络和生成对抗网络进行融合，构建社会压力检测模型；

标定单元203，用于将随机的高斯噪声输入至所述社会压力检测模型中的生成器，并由所述生成器得到生成数据，然后将所述生成数据加入至所述多模态生理信号压力数据库中，并将所述生成数据标定为y＝k+1类；

第一设置单元204，用于根据y＝k+1类生成数据将所述社会压力检测模型中的分类器的输出维度增加至k+1，以及将所述社会压力检测模型中的判别器的目标设置为k+1类；

训练单元205，用于利用所述多模态生理信号压力数据库中的样本数据和生成数据对所述社会压力检测模型进行训练学习，直至所述判别器的输出概率达到预设阈值；

检测单元206，用于通过训练后的社会压力检测模型对指定的多模态生理信号进行检测，得到对应的压力概率值。

在一实施例中，所述获取单元201包括：

检测标定单元，用于获取被试者在预设的社会压力模拟环境下的多模态生理信号及其对应的唾液样本，然后对所述唾液样本进行检测得到对应的唾液皮质醇，从而得到被试者的皮质醇变化节律，再根据所述皮质醇变化节律对所述多模态生理信号进行标定，并将标定后的多模态生理信号作为样本数据保存至多模态生理信号压力数据库。

在一实施例中，所述融合单元202包括：

代替单元，用于将所述生成对抗网络的生成器和判别器分别利用所述深度神经网络中的深度卷积网络结构代替，得到生成器网络结构和判别器网络结构；

其中，所述生成器网络结构包含五层卷积结构，五层卷积结构中的卷积核的个数分别为200、100、50、25、1；

所述判别器网络结构包括4个模块和一个softmax层，其中，4个模块包括：第一模块、第二模块、第三模块和第四模块；第一模块包含第一卷积层、第二卷积层和第一池化层，第二模块包含第三卷积层和第二池化层，第三模块包含第四卷积层和第三池化层，第四模块包含第五卷积层和第四池化层。

在一实施例中，所述第一设置单元204包括：

第二设置单元，用于当所述生成数据和标定的样本数据的数量相同时，将所述分类器的损失函数设置为：

式中，lsupervised为有监督的损失函数，lunsupervised为无监督的损失函数，(x，y)为样本数据的数据分布，g为生成器，pmodel(y|x)为模型预测分布，e为概率分布。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本发明实施例还提供了一种计算机可读存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供了一种计算机设备，可以包括存储器和处理器，存储器中存有计算机程序，处理器调用存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。