一种疾病分型模型的训练方法、系统、装置及存储介质与流程

1.本技术涉及人工智能技术领域，尤其是一种疾病分型模型的训练方法、系统、装置及存储介质。


背景技术：

2.在医疗领域，一种疾病可能存在多种疾病分型，确定患者的疾病分型，对于治疗方案的选取异常重要。以脓毒症为例，脓毒症是机体对感染的异常反应所致的多器官功能衰竭，病情进展迅速，病死率居高不下，一直是危重症医学研究的热点和难点。相关技术中的脓毒症分型技术通过高维组学数据的生物信息学进行分析识别，不能捕获病情动态演化过程，识别成功率较低，准确度不够，应用的效果一般。


技术实现要素：

3.本技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
4.为此，本技术实施例的一个目的在于提供一种疾病分型模型的训练方法，该方法有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。
5.本技术实施例的另一个目的在于提供一种疾病分型模型的训练系统。
6.为了达到上述技术目的，本技术实施例所采取的技术方案包括：
7.一方面，本技术实施例提供了一种疾病分型模型的训练方法，包括以下步骤：
8.获取病历样本信息；
9.对所述病历样本信息进行结构化处理，得到结构化的病历样本信息；
10.将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；
11.将所述患者样本向量信息输入聚类模块，得到患者样本标签信息；
12.将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；
13.其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。
14.另外，根据本技术上述实施例的疾病分型模型的训练方法，还可以具有以下附加的技术特征：
15.进一步地，在本技术的一个实施例中，所述方法还包括：
16.将所述患者样本向量信息输入反卷积模块，得到第一样本信息；
17.根据所述第一样本信息和所述病历样本信息，得到第一样本误差；
18.根据所述聚类模块，得到kl散度；
19.根据所述第一样本误差和所述kl散度，对所述图卷积模块、所述时控长短期记忆神经网络模块和所述聚类模块进行联合优化训练，对所述疾病分型模型的参数进行更新。
20.进一步地，在本技术的一个实施例中，所述将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块这一步骤前，还包括：
21.对所述结构化的病历样本信息进行图学习处理；其中，所述图学习处理用于从信息中抽取图邻接矩阵。
22.进一步地，在本技术的一个实施例中，所述对所述病历样本信息进行结构化处理，得到结构化的病历样本信息，包括：
23.对所述病历样本信息进行自然语言处理，得到第二样本信息；
24.对所述第二样本信息进行数据融合和时序对齐处理，得到所述结构化的病历信息。
25.进一步地，在本技术的一个实施例中，所述监督学习模块包括注意力机制，所述将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，包括：
26.将所述病历样本信息和所述患者样本标签信息通过注意力机制进行处理。
27.进一步地，在本技术的一个实施例中，所述方法还包括：
28.将所述患者样本向量信息通过池化层和全连接层后，得到第三样本信息。
29.另一方面，本技术实施例提出了一种疾病分型方法，包括：
30.获取病历信息；
31.将所述病历信息输入到如上述所述的任一项所述的疾病分型模型的训练方法所得到的疾病分型模型中，得到疾病分型结果。
32.另一方面，本技术实施例提出了一种疾病分型模型的训练系统，包括：
33.获取模块，用于获取病历样本信息；
34.第一处理模块，用于对所述病历样本信息进行结构化处理，得到结构化的病历样本信息；
35.第二处理模块，用于将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；
36.聚类模块，用于将所述患者样本向量信息输入聚类模块，得到患者样本标签信息；
37.训练模块，用于将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；
38.其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。
39.另一方面，本技术实施例提供了一种疾病分型模型的训练装置，包括：
40.至少一个处理器；
41.至少一个存储器，用于存储至少一个程序；
42.当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的任一种疾病分型模型的训练方法。
43.另一方面，本技术实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现上述的任一种疾病分型模型的训练方法。
44.本技术实施例提供了一种疾病分型模型的训练方法，该方法通过获取病历样本信息；对病历样本信息进行结构化处理，得到结构化的病历样本信息；将结构化的病历样本信
息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；将患者样本向量信息输入聚类模块，得到患者样本标签信息；将病历样本信息和患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；通过使用该方法有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。
附图说明
45.为了更清楚地说明本技术实施例或者现有技术中的技术方案，下面对本技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本技术的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
46.图1为本技术提供的一种疾病分型模型的训练方法的流程示意图；
47.图2为本技术提供的一种疾病分型模型的训练方法具体实施例的计算过程示意图；
48.图3为本技术提供的一种疾病分型模型的训练系统的结构示意图；
49.图4为本技术提供的一种疾病分型模型的训练装置的结构示意图。
具体实施方式
50.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
51.在医疗领域，一种疾病可能存在多种疾病分型，确定患者的疾病分型，对于治疗方案的选取异常重要。以脓毒症为例，脓毒症是机体对感染的异常反应所致多器官功能衰竭，病情进展迅速，病死率居高不下，一直是危重症医学研究的热点和难点。相关研究显示，icu脓毒症的死亡率为35.5％，严重脓毒症死亡率高达50％以上。临床上亟需安全有效的精准治疗手段以降低脓毒症死亡率。目前，疗法仍停留在抗生素和支持治疗上，当前对脓毒症的治疗遇到了很大瓶颈，陷入了进退维谷的境地。造成这一现状的根本原因在于脓毒症的异质性：患者的非稳态宿主反应复杂多样，涉及炎症、免疫、凝血及组织器官损伤等众多环节，导致脓毒症病情进展缺乏固定模式，难以找到通用的治疗策略。
52.现有的脓毒症分型技术，是根据现有知识和规则识别并验证脓毒症亚型。这些方法受限于先验知识，存在严重的观察者偏倚，分型精度不够，无法进行病情严重程度的有效标化，导致不能精确预测患者死亡风险且无助于开发更精准的疗法。而通过高维组学数据的生物信息学分析来识别脓毒症亚型的技术，面临着以下技术难点：组学数据单时点横断面，而脓毒症患者基因表达变化迅速，无法捕获病情动态演化过程；测序样本单一，无法代表其他相关免疫细胞或组织器官特异性的基因表达模式；脓毒症异质性导致纳入标准无法统一，入组人群存在严重偏倚，各亚型样本量可能不足；当前的组学技术达不到急诊和icu使用的时效性要求。
53.对此，本技术提出一种疾病分型模型的训练方法、系统、装置及存储介质，该方法
有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。下面详细介绍本技术提出的技术方案。
54.本技术实施例提供的一种疾病分型模型的训练方法的实施环境可以包括终端和服务器。该终端可以为用户侧设备，该终端可以是智能手机、平板电脑、电子书阅读器、mp3(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)播放器、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机、台式计算机、智能音箱、智能手表等。上述服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端和服务器之间可以通过有线网络或无线网络相连，使终端和服务器之间可以进行数据交互。本领域技术人员可以知晓，上述终端的数量可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本技术对终端的数量和设备类型不加以限定。
55.本技术实施例提供的疾病分型模型的训练方法可以与多种应用场景相结合，例如，在医疗系统服务器中设置疾病分型模型，使用本技术提出的疾病分型模型的训练方法对该疾病分型模型进行训练，得到训练好的疾病分型模型，以辅助医生的疾病诊断过程。
56.下面参照附图详细描述根据本技术实施例提出的一种疾病分型模型的训练方法和系统，首先将参照附图描述本技术实施例提出的一种疾病分型模型的训练方法。
57.参照图1，本技术实施例中提出一种疾病分型模型的训练方法，该方法主要包括以下步骤：
58.s101：获取病历样本信息。
59.本技术实施例中，获取病历样本信息，通过对病历样本信息进行处理和分析，得到需要的数据形式。在一些可能的实施方式中，根据需要分型的疾病的类型的特点，选择病历的样本信息的内容。示例性地，对于脓毒症患者，病历样本信息包括患者原始电子病历的时序数据，通常为从入院至诊断为脓毒症的时点之间的数据，数据内容包括人口学信息、诊断、症状、体征、检验、治疗操作、药物等信息。对于糖尿病、高血压等慢病，病历样本信息还可以包括既往病史、遗传特征等信息。在一些可能的实施例中，病历样本信息可以是使用本技术提出的疾病分型模型的单位或医院数据库中的病历信息，也可以是通过授权方式获取的网络数据库中的病历信息，还可以是通过信息共建方式获取的其它单位或医院的数据库中的病历信息。本技术并不限定具体的病历样本信息的来源和内容。在一些可能的实施方式中，上述病历样本信息可以是患者的多元时序电子病历数据，其中，多元时序电子病历数据用于表征患者在治疗过程中重复监测的症状、体征、检查、检验数据，属于多元指标在不同时间点的采样值按照时间先后顺序排列而组成的序列。该多元时序电子病历数据相比于组学数据，具有以下优势：采集时序数据，可持续跟踪患者状态及对治疗反应；不局限于单一器官或部位，详细记录患者全身异常状况，实验室检测可重复检测系统功能指标；大数据覆盖全部患者，确保入组人群亚型数量；数据易于获取，满足床旁时效要求。通过对多元时序电子病历数据的获取和后续的分析判断，有利于提升疾病分型模型的判断精度，以满足医疗系统的使用需求。
60.s102：对所述病历样本信息进行结构化处理，得到结构化的病历样本信息。
61.本技术实施例中，对病历样本信息进行结构化处理，得到结构化的病历样本信息。结构化信息即能够用数据或统一的结构加以表示的信息，示例性地，可以将病历样本信息按照设定规则处理，得到结构化的病历样本信息。在一些可能的实施方式中，将获取的病历样本信息转化为“人口学信息、症状、体征、治疗操作、药物”的数据格式，可以通过规定的字符作为不同的字段之间的划分。本领域技术人员可以理解的是，以上数据格式仅是示例性的说明，并不构成对病历样本信息的结构化处理的方式的具体限定内容，可以通过其它的方式，进行病历样本信息的结构化处理。通过将病历样本信息进行结构化处理，简化后续疾病分型处理过程，使得疾病分型的后续处理、分析或查询变得方便高效。同时，结构化的病历样本信息，方便建立病历样本信息之间的关联，有利于提升病历样本信息时间和空间上的关联性。本技术并不限定对病历样本信息进行结构化处理时所采用的方法，也不限定结构化的日志信息的具体表现形式。
62.s103：将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息，其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。
63.本技术实施例中，将结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息。通过图卷积模块和时控长短期记忆神经网络模块(简称时控lstm模块)的使用，捕获病历样本信息的空间和时间的相关性。具体地，通过图卷积模块的图神经网络结构对上述多元时序临床数据进行建模，获取各事件之间的空间依赖关系；通过时控lstm模块捕获不同事件的时间依赖关系，对异构事件的不同频率进行采样。本领域技术人员可以理解的是，本技术方案中可以包括一个图卷积模块，也可以包括两个图卷积模块，还可以包括多个图卷积模块，本技术并不限制图卷积模块的个数。当然，本技术也不限制时控lstm模块的个数。示例性地，将若干图卷积模块和时控长短期记忆神经网络模块组成的模块组依次排列放置，将结构化的病历样本信息输入上述模块组，得到患者样本向量信息。
64.图卷积模块可以对病历样本信息进行扫描，从而提取各级特征。在一些可能的实施例中，图卷积模块可以包括两个mix-hop传播层，分别对应信息传播和信息选择。两个mix-hop传播层用于分别处理单个节点的流入信息和流出信息，最终将两个信息相加即可得到最终模块的输出信息。同样，本技术并不限定mix-hop传播层的具体个数，本领域技术人员可以根据需要进行设定。
65.在一些可能的实施方式中，通过在原始lstm结构中添加时间门，对可变时间间隔数据进行建模，有利于提升模型处理变长间隔事件的能力，缓解了临床数据对时间的依赖。具体地，在原始lstm架构中设置时控门tvt，将时间间隔信息输入模型进行预测。可选地，通过添加时控门，赋予长短事件的不同的权重信息，使得短时内发生的事件与长时间发生的事件形成区别，有利于捕获和表达历史信息中事件的时间信息。
66.s104：将所述患者样本向量信息输入聚类模块，得到患者样本标签信息。
67.本技术实施例中，将患者样本向量信息输入聚类模块，得到患者样本标签信息。病历样本信息通过降维处理后的患者样本向量信息通过聚类模块进行相似度的计算。在一些可能的实施方式中，采用k均值算法进行聚类。假设聚类结果有k个类别，随机初始化k个聚
类中心，然后以k均值算法更新聚类中心。然后通过以下两步无监督地训练时序聚类模块：步骤一：通过student’s t distribution计算每个样本与每个中心的距离，得到其属于某个聚类中心的概率，最终得到聚类概率分布q；步骤二：通过q计算得到真实概率分布p，从而计算两种分布的kl散度作为聚类损失函数，迭代优化聚类模型。
68.s105：将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型。
69.本技术实施例中，通过将病历样本信息和患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型。通过监督学习模块，能够识别病历样本信息中各个样本信息的权重，有利于明确分型判断的依据，有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。
70.可选地，本技术实施例中的疾病分型模型的训练方法，所述方法还包括：
71.将所述患者样本向量信息输入反卷积模块，得到第一样本信息；
72.根据所述第一样本信息和所述病历样本信息，得到第一样本误差；
73.根据所述聚类模块，得到kl散度；
74.根据所述第一样本误差和所述kl散度，对所述图卷积模块、所述时控长短期记忆神经网络模块和所述聚类模块进行联合优化训练，对所述疾病分型模型的参数进行更新。
75.本步骤中，将图卷积模块、时控长短期记忆神经网络模块和聚类模块进行联合优化训练，以聚类评价指标“kl散度最小化”与第一样本误差的“mse最小化”共同作为训练目标，利用k-mean对患者样本向量信息进行聚类，并且根据聚类后的概率分布，反向更新疾病分型模型的参数，最终实现最优的脓毒症聚类分型结果。通过上述联合训练，有利于缓解患者样本向量信息并不必然指向聚类最优的问题，有利于进一步降低数据重现损失。
76.可选地，本技术实施例中的疾病分型模型的训练方法，所述将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块这一步骤前，还包括：
77.对所述结构化的病历样本信息进行图学习处理；其中，所述图学习处理用于从信息中抽取图邻接矩阵。
78.本步骤中，对结构化的病历样本信息进行图学习处理，能够表征患者的多元时序数据的时间维信息和空间维信息。在一些可能的实施方式中，图用于表征由一系列对象和关系类型组成的一种非欧几里得型数据结构，由节点(nodes)和边(edges)构成，含有大量的连接信息。通过图学习处理，从信息中抽取图邻接矩阵，以捕获时间序列数据之间隐藏的关系。示例性地，节点用于表征各类型医疗事件，边用于表征事件之间的依赖关系。同时，在一些可能的实施方式中，当新的训练集更新模型参数时，图结构也会进行动态更新。通过对结构化的病历样本信息进行图学习处理，得到图网络结构，将结构化的病历样本信息和得到的图网络结构一起输入图卷积模块和时控长短期记忆神经网络模块，进行后续步骤。在一些可能的实施方式中，图学习层可以嵌入外部知识，即可通过预设图网络结构的方式，将结构化的病历样本信息和预设图网络结构一起输入图卷积模块和时控长短期记忆神经网络模块，进行后续步骤。示例性地，若节点间的连接权重是已知的知识，可设置静态的节点特征矩阵为预设图网络结构，通过预设图网络结构的方式，有利于根据先验知识或者因果推断获取临床事件之间的关系，能够获得更准确的图网络结构。
79.可选地，本技术实施例中的疾病分型模型的训练方法，所述对所述病历样本信息
进行结构化处理，得到结构化的病历样本信息，包括：
80.对所述病历样本信息进行自然语言处理，得到第二样本信息；
81.对所述第二样本信息进行数据融合和时序对齐处理，得到所述结构化的病历信息。
82.本步骤中，将病历样本信息经过自然语言处理、数据融合和时序对齐处理，得到结构化的病历信息。在一些可能的实施方式中，对于病历样本信息需要重新定义时间。通常情况下，电子病历数据中，同一患者事件的发生时间属于不规则的时间距离，并且事件发生的密度和患者的临床状态呈一定相关性。示例性地，对于上述电子病历所表现出来的时间特点，将每次住院事件的入院时刻标记为0点，每次医疗记录的时间标记为该时刻与入院时刻的时间间隔δt，入院前记录为负值，入院后记录为正值，度量单位为小时。同样，根据不同的疾病特点，设置用药记录序列，包括药物名称、起始至终止时间(活跃时间)、药物功效、给药途径、每次剂量和每日频次等。在一些可能的实施方式中，设置模糊时点处理规则，对于非结构化的病历样本信息，文本中存在许多模糊的间接表达时间的词汇，例如“3天前”、“十余天”、“近期”、“目前”、“早晨8点”等。对于存在明确时间数字的记录，根据其相对基准事件(例如文本记录时刻、手术时刻等)的发生时点推算出该事件的确定时间；对于不存在明确时间数字的记录，例如“近期”、“目前”等，则设置一个统一的期间长度；此外，对于“年初”、“月底”、“中午”这类模糊时间短语，需要补全默认的年月日信息。本领域技术人员可以理解的是，上述几种示例属于示例性举例，本技术并不限定具体的自然语言处理过程和处理方式。通过将病历样本信息经过自然语言处理、数据融合和时序对齐处理，得到结构化的病历样本信息，提升疾病分型模型的分型效率和精度。
83.可选地，本技术实施例中的疾病分型模型的训练方法，所述监督学习模块包括注意力机制，所述将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，包括：
84.将所述病历样本信息和所述患者样本标签信息通过注意力机制进行处理。
85.本步骤中，对所述结构化的病历样本信息通过注意力机制进行处理，提升结构化病历信息的表示精度。在一些可能的实施方式中，监督学习模块可以包括注意力机制、编码器和最大池化，通过监督学习模块的训练，得到疾病分型模型。
86.可选地，本技术实施例中的疾病分型模型的训练方法，所述方法还包括：
87.将所述患者样本向量信息通过池化层和全连接层后，得到第三样本信息。
88.本步骤中，将患者样本向量信息通过池化层和全连接层后，得到第三样本信息，使模型能够识别所输入的每一个变量及其时间间隔对最终的分型结果的贡献度。在一些可能的实施方式中，参照图2所示的本技术的一种实施例中的计算过程示意图，病历样本信息e1、e2、e3和e4经过上述步骤s102和步骤s103处理后得到的患者样本向量信息分别为h1、h2、h3和h4，将上述患者样本向量信息通过最大池化层处理后，得到向量hc，全连接权重w的设置见图2所示，通过全连接层，得到该疾病的概率。其中，通过最大池化层输出的每一维度值乘以相应的全连接层权重，可以得出每一维度的贡献率，将不同临床特征对应维度的贡献率相加即可得到每一事件对某亚型的总贡献率。
89.通过以上描述可知，本技术实施例中提出的疾病分型模型的训练方法，该方法通过获取病历样本信息；对病历样本信息进行结构化处理，得到结构化的病历样本信息；将结
构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；将所述患者样本向量信息输入聚类模块进行训练，得到训练好的疾病分型模型。有利于提高得到的疾病分型模型的识别精度，使得得到的疾病分型模型能够满足医疗系统的需求。
90.其次，申请实施例提出的一种疾病分型方法，包括：获取病历信息；将病历信息输入到上述实施例中的任一个关于疾病分型模型的训练方法的实施例所得到的疾病分型模型中，得到疾病分型结果。
91.参照附图3，本技术实施例提出的一种疾病分型模型的训练系统，该系统具体包括：
92.获取模块310，用于获取病历样本信息；
93.第一处理模块320，用于对所述病历样本信息进行结构化处理，得到结构化的病历样本信息；
94.第二处理模块330，用于将所述结构化的病历样本信息输入图卷积模块和时控长短期记忆神经网络模块，得到患者样本向量信息；
95.聚类模块340，用于将所述患者样本向量信息输入聚类模块，得到患者样本标签信息；
96.训练模块350，用于将所述病历样本信息和所述患者样本标签信息输入监督学习模块进行训练，得到训练好的疾病分型模型；
97.其中，时控长短期记忆神经网络通过向长短期记忆神经网络中添加时间信息得到。
98.可见，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
99.参照图4，本技术实施例提供了一种疾病分型模型的训练装置，包括：
100.至少一个处理器410；
101.至少一个存储器420，用于存储至少一个程序；
102.当所述至少一个程序被所述至少一个处理器410执行时，使得所述至少一个处理器410实现所述的疾病分型模型的训练方法。
103.同理，上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
104.在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本技术的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
105.此外，虽然在功能性模块的背景下描述了本技术，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者
一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本技术是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本技术。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本技术的范围，本技术的范围由所附权利要求书及其等同方案的全部范围来决定。
106.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，本技术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，包括若干程序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)执行本技术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。
107.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程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、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程序执行系统、装置或设备取程序并执行程序的系统)使用，或结合这些程序执行系统、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程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
108.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，以及便携式光盘只读存储器(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。
109.应当理解，本技术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程序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。
110.在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
111.尽管已经示出和描述了本技术的实施方式，本领域的普通技术人员可以理解：在
不脱离本技术的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本技术的范围由权利要求及其等同物限定。
112.以上是对本技术的较佳实施进行了具体说明，但本技术并不限于所述实施例，熟悉本领域的技术人员在不违背本技术精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。