监测脑血流自动调节功能、训练模型的方法及装置

1.本技术涉及智能医学技术领域，特别涉及一种监测脑血流自动调节功能、训练模型的方法及装置。


背景技术：

2.脑血流自动调节(cerebral autoregulation，ca)功能是一种重要的血流动力学生理保护机制，能够在人体的动脉血压(arterial blood pressure，abp)发生波动的情况下，维持人体的脑血流速度(cerebral blood flow，cbfv)在一个相对稳定的水平。由于受损的ca功能会增加继发性脑损伤的风险，所以，通常会有监测ca功能的需求，以确定ca功能是否损伤。
3.在相关技术中，一般是基于ca功能对应的abp信号和cbfv信号，确定各固定频带内的传递函数分析(transfer function analysis，tfa)变量(一般包括相位、增益、相关性信息)的均值，以通过各固定频带内的tfa变量的均值来表征ca功能的状态，然后，利用逻辑回归模型对各固定频带内的tfa变量的均值进行拟合，以确定tfa变量差异性，从而根据tfa变量差异性对ca功能进行监测。
4.然而，由于逻辑回归模型的复杂性不足，所以容易存在欠拟合的情况，从而导致监测结果不准确。


技术实现要素：

5.本技术实施例提供了一种监测脑血流自动调节功能、训练模型的方法及装置，可以解决相关技术中监测结果不准确的问题。所述技术方案如下：
6.第一方面，提供了一种监测脑血流自动调节功能的方法，所述方法包括：
7.基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节ca功能当前状态的第一传递函数分析tfa变量，所述第一tfa变量包括频域特征和时域特征；
8.基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的ca功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
9.第二方面，提供了一种训练模型的方法，所述方法包括：
10.基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；
11.根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；
12.基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；
13.其中，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
14.第三方面，提供了一种检测脑血流自动调节功能的装置，所述装置包括：
15.第一确定模块，用于基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节ca功能当前状态的第一传递函数分析tfa变量，所述第一tfa变量包括频域特征和时域特征；
16.第二确定模块，用于基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的ca功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
17.第四方面，提供了一种训练模型的装置，所述装置包括：
18.第一训练模块，用于基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；
19.构建模块，用于根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；
20.第二训练模块，用于基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；
21.其中，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
22.第五方面，提供了一种电子设备，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面或第二方面所述的方法。
23.第六方面，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上存储有指令，所述指令被处理器执行时实现上述第一方面或第二方面所述的方法。
24.第七方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第二方面所述的方法。
25.本技术实施例提供的技术方案带来的有益效果是：
26.基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练。第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，第一频域模块和第一时域模块是独立的模块，且均具有特征提取功能。根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块。基于第二样本数据集、第二频域模块、第二时域模块，确定目标多尺度融合感知模型，第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第
二样本时域特征。得到的目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤，也即是，可以通过目标多尺度融合感知模型对目标个体的ca功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
附图说明
27.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的前提下，还可以根据这些附图获得其他的附图。
28.图1是根据一示例性实施例示出的一种训练模型的方法流程图；
29.图2是根据另一示例性实施例示出的一种训练模型的方法流程图；
30.图3是根据一示例性实施例示出的一种第一频域模块的示意图；
31.图4是根据一示例性实施例示出的一种第一时域模块的示意图；
32.图5是根据一示例性实施例示出的一种第二频域模块和第二时域模块的示意图；
33.图6是根据一示例性实施例示出的一种多尺度融合感知模型的示意图；
34.图7是根据一示例性实施例示出的一种roc曲线和auc值的比较示意图；
35.图8是根据一示例性实施例示出的一种监测脑血流自动调节功能的方法流程示意图；
36.图9是根据一示例性实施例示出的一种监测脑血流自动调节功能装置的结构示意图；
37.图10是根据一示例性实施例示出的一种训练模型的装置的结构示意图；
38.图11是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
39.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
40.应当理解的是，本技术提及的“多个”是指两个或两个以上。在本技术的描述中，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，为了便于清楚描述本技术的技术方案，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
41.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。
42.在对本技术实施例提供的方法进行详细介绍之前，先对本技术实施例涉及的执行主体进行介绍。本技术实施例提供的方法可以由电子设备来执行，在一个示例中，该电子设备可以为诸如笔记本电脑、台式机、便携式电脑、平板电脑之类的终端，本技术实施例对此不做限定。
43.接下来，对本技术实施例涉及的应用场景进行介绍。
44.在医学领域中，ca功能是指动脉血压变化时大脑维持足够脑灌注的内在能力，在严重的高血压、脑损伤或者正在进行外科手术中的患者中，ca功能在维持稳定的脑灌注中扮演了重要的角色。然而，目前已知有多种疾病会损害ca功能，而受损的ca功能会增加继发性脑损伤的风险，所以，监测ca功能成为临床上的一种需求，为患者提供有用的临床信息。为此，本技术实施例提供了一种基于半监督学习的ca功能监测方法，能够实时、准确地监测个体的ca功能是否存在受损情况。
45.在本技术实施例中，通过目标多尺度融合感知模型，预测ca功能是否受损。其中，目标多尺度融合感知模型是通过训练得到的。为了实现对目标多尺度融合感知模型的训练，需要进行样本数据的采集。在一个示例中，可以纳入61例健康个体、61例有严重症状个体以及2247例介于轻微至重度狭窄且无症状的个体。其中，健康个体是采集自无既往心脑血管病史且无相关风险因素的健康人群，健康个体被判断为ca功能未受损；有严重症状个体是指重度颅内血管狭窄且患有卒中症状的受试者，有严重症状个体被认定为ca功能受损；另外的2247例是指无法判断是否是ca受损的个体。
46.在样本数据的采集过程中，可以要求纳入的每个个体以仰卧位休息，头抬高至少10分钟。由专业人员(如医护人员)使用经颅多普勒的2mhz探头头框，在距离m1狭窄远端45-55mm深度处连续记录双侧大脑中动脉的左右双侧cbfv，同时采用血管卸荷技术从指动脉无创测量abp，健康个体仅保留单侧cbfv，有严重症状个体保留患病侧cbfv，介于轻微症状至重度症状的个体保留双侧cbfv。在一个示例中，为了保证样本数据的稳定，可以保留10分钟之后同步采集的cbfv信号和abp信号。不难理解，对于确诊的个体，对其采集的样本数据是有标签的，譬如标签用于指示ca功能受损或ca功能未受损，可以将所采集的样本数据称为有标签样本信号；而对于无法确诊的个体，对其采集的样本数据是无标签的，可以将所采集的样本数据称为无标签样本信号。如此，共计可以采集到122组有标签样本信号(包括有标签个体的abp信号和cbfv信号)和4494组无标签样本信号(包括无标签个体的abp信号和cbfv信号)。
47.之后，可以利用matlab软件对采集的样本数据进行后处理。对于每组样本数据，以abp信号和cbfv信号的10秒增量，同时滑动两个90秒窗口，以得到1/90hz分辨率的频率片段，也即每个窗口内包括90秒采集的信号。然后，基于经后处理得到的样本数据，通过tfa方法确定用于训练的样本数据集，其中包括第一样本数据集和第二样本数据集，第一样本数据集中包括基于无标签样本信号确定的多个第一样本数据，第二样本数据集中包括基于有标签样本信号确定的多个第二样本数据。
48.在实施中，将tfa方法应用于这些频率片段中以确定样本数据(可称为tfa变量)，对于所有的数据，以其所有频率片段提取的tfa变量的平均值表示个体ca的状态。tfa变量的确定过程可以包括如下内容：
49.使用有限脉冲响应(finite-impulse-response，fir)滤波器(n＝12)来估计每个窗口中的脉冲，以及频率和阶跃响应，n是fir滤波器的抽头数。在实施中，可以采用最小均方法估计有限脉冲响应，如通过公式(1)进行计算：
[0050][0051]
其中，h(n)表示有限脉冲响应，p表示abp信号，v表示cbfv信号，表示abp信号自相关矩阵的逆矩阵，r
pv
(n)表示abp信号与cbfv信号之间的互相关矩阵。
[0052]
之后，可以通过如下公式(2)进行离散时间傅里叶变换(discrete time fourier transform，dtft)，具体地：
[0053][0054]
其中，fs表示采样频率。
[0055]
之后，分别通过公式(3)和公式(4)确定dtft的增益和相位：
[0056][0057][0058]
其中，hr(f)表示h(f)的实部，hi(f)表示h(f)的虚部。相位的取值范围为[-180
°
，180
°
]。
[0059]
然后，将dtft应用于自相关和互相关，通过自谱(auto-spectra)和交叉谱(cross-spectrum)计算相关性信息，具体如公式(5)所示：
[0060][0061]
其中，msc(f)表示相关性信息，s
pp
(f)和s
vv
(f)表示自谱，可以基于r
pp
(n)和r
vv
(n)得到，s
pv
(f)表示交叉谱，可以基于r
pv
(n)确定。
[0062]
由于采样频率为1hz的频率片段的长度为90s，根据奈奎斯特(nyquist)定理，在0-0.5hz范围内有45个包含相位、增益和相关性信息的频率点用于表示频域特征，在本技术实施例中，将相位和相关性信息作为样本频域特征，也即样本频域特征是二维的。
[0063]
另外，根据有限脉冲响应和阶跃函数的卷积确定阶跃响应，具体地，通过公式(6)进行计算：
[0064]
s(n)＝u(n)*h(n)
ꢀꢀ
(6)
[0065]
其中，s(n)表示阶跃响应，u(n)表示阶跃函数，*表示卷积运算。
[0066]
在一个示例中，在n的取值是12的情况下，可以得到12个时间点的阶跃响应，将得到的阶跃响应作为样本时域特征。
[0067]
作为本技术的一个示例，为了使得同种特征(如相位、相关性信息或者阶跃响应)的每一维都具有可比性，可以分别对样本频域特征和样本时域特征进行数据预处理。在实施中，可以先通过如下公式(7)对每种特征分别进行标准化：
[0068]
[0069]
其中，x表示特征的原始值，x
*
表示标准化后的值，μ表示特征的均值，σ表示特征的方差。
[0070]
之后，可以将标准化后的特征归一化至预设数值范围内。在一个示例中，可以采用极值归一化方法进行处理。其中，预设数值范围可以根据实际需求进行设置，通常是指在零点附近的一个数据范围，譬如预设数值范围为[-0.5,0.5]。如此，由于后续训练过程中，激活函数在零点附近会取得最大激活值，而激活值越大，可以使得模型学习速度越快，所以，将标准化后的特征归一化至预设数值范围内，可以加快模型的学习。
[0071]
如此，基于每组无标签样本信号，可以确定对应的样本频域特征和样本时域特征，为了便于区分，这里称为第一样本频域特征和第一样本时域特征，将第一样本频域特征和第一样本时域特征作为第一样本数据，得到多个第一样本数据。另外，基于每组有标签样本信号，可以确定对应的样本频域特征和样本时域特征，这里称为第二样本频域特征和第二样本时域特征，将第二样本频域特征和第二样本时域特征作为第二样本数据，得到多个第二样本数据。
[0072]
之后，即可基于得到的多个第一样本数据和多个第二样本数据，实现模型训练，其具体实现可以参见如下实施例。
[0073]
请参考图1，图1是根据一示例性实施例示出的一种训练模型的方法流程图，作为示例而非限定，该方法应用于上述电子设备中，该方法可以包括如下几个步骤：
[0074]
步骤101：基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，第一频域模块和第一时域模块是相互独立的模块，且均至少具有特征提取功能。
[0075]
如前文所述，第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征。
[0076]
在本技术实施例中，请参考图2，模型训练过程包括多个阶段，在第一阶段，利用无标签样本信号对应的第一样本频域特征对第一频域模块进行训练，以及利用无标签样本信号对应的第一样本时域特征对第一时域模块进行训练。
[0077]
在一个实施例中，第一频域模块包括相互独立的第一k分支卷积自编码器、多个第一单分支卷积自编码器和第二k分支卷积自编码器，第二k分支卷积自编码器的模型结构与第一k分支卷积自编码器和k个第一单分支卷积自编码器合并后的模型结构相同，k个第一单分支卷积自编码器与第一k分支卷积自编码器中的k个分支一一对应，k为大于1的整数。在一个示例中，k的取值为3。
[0078]
示例性地，第一k分支卷积自编码器如图3中的(a)图所示，包括bra11、bra12和bra13三个分支，每个分支中包括卷积层和反卷积层，其中卷积层用于编码，反卷积层用于解码。其中，k个分支的卷积核大小互不相同，譬如卷积核大小分别为3、7、15。
[0079]
示例性地，多个第一单分支卷积自编码器如图3中的(b)图所示，包括ae1、ae2和ae3三个相互独立的第一单分支卷积自编码器，每个第一单分支卷积自编码器包括池化层、卷积层、反卷积层和上采样层。在一个示例中，ae1与bra11分支对应，ae1的卷积核大小与bra11分支的卷积核大小保持一致；ae2与bra12分支对应，ae2的卷积核大小与bra12分支的卷积核大小保持一致；ae3与bra13分支对应，ae3的卷积核大小与bra13分支的卷积核大小保持一致。
[0080]
在一个示例中，第二k分支卷积自编码器如图3中的(c)图所示，包括bra21、bra22
和bra23三个分支，每个分支中包括卷积层、池化层、卷积层、反卷积层、上采样层、反卷积层。
[0081]
不难看出，第二k分支卷积自编码器的模型结构与第一k分支卷积自编码器和第一k分支卷积自编码器合并后的模型结构相同。第二k分支卷积自编码器的每条支路通道数变化依次为[2,8,2,8,2]，池化层的大小和步长均为3，与池化层对应的上采样层为步长3的最近邻上采样。
[0082]
在一个示例中，第一时域模块为第二单分支卷积自编码器。示例性地，第一时域模块如图4所示，包括卷积层和反卷积层。第二单分支卷积自编码器的通道数变化依次为[1,2,1]。
[0083]
根据图3提供的第一频域模块，基于第一样本数据集，对第一频域模块进行迭代训练的具体实现可以包括：针对第一样本数据集包括的每个第一样本数据，获取每个第一样本数据中的第一样本频域特征，得到多个第一样本频域特征。基于多个第一样本频域特征对第一k分支卷积自编码器进行迭代训练。分别提取迭代训练后的第一k分支卷积自编码器中各个分支的隐藏层的特征，得到k个分支的隐藏层特征，针对k个分支中的每个分支的隐藏层特征，基于每个分支的隐藏层特征，对与每个分支对应的第一单分支卷积自编码器进行迭代训练。将迭代训练后的第一k分支卷积自编码器的权重、迭代训练后的每个第一单分支卷积自编码器的权重，同步为第二k分支卷积自编码器的权重。基于多个第一样本频域特征，对同步后的第二k分支卷积自编码器进行迭代训练。
[0084]
也即是，电子设备从第一样本数据集中，选择每个第一样本数据的第一样本频域特征，以利用选择的多个第一样本频域特征执行训练操作。具体地，可以分为(1)-(3)三个过程：
[0085]
(1)将多个第一样本频域特征作为第一k分支卷积自编码器的输入特征，利用预测值和真实值计算最小均方误差损失作为损失函数，对第一k分支卷积自编码器进行迭代训练，迭代次数可以为预设迭代次数。如此，使得第一k分支卷积自编码器具有初步的特征提取能力，并通过第一k分支卷积自编码器进行特征提取。其中，电子设备可以通过公式(8)计算最小均方误差损失：
[0086][0087]
其中，l1表示最小均方误差损失，zi表示样本i的真实值，z’i
表示预测值。
[0088]
(2)提取第一k分支卷积自编码器中每个分支的隐藏层特征，将每个分支的隐藏层特征分别作为每个第一单分支自编码器的输入特征，对每个第一单分支自编码器进行迭代训练，迭代次数可以为预设迭代次数。示例性地，请参考图3，提取bra11分支中卷积层提取的特征，并基于该特征对ae1迭代训练预设迭代次数；提取bra12分支中卷积层提取的特征，并基于该特征对ae2迭代训练预设迭代次数；提取bra13分支中卷积层提取的特征，并基于该特征对ae3迭代训练预设迭代次数。
[0089]
由于每个第一单分支自编码器中包括池化层，所以，在对每个第一单分支自编码器进行迭代训练后，每个第一单分支自编码器中各个分支的卷积层提取的特征是低维度的、且能够充分代表原始的特征。
[0090]
(3)提取迭代训练后的第一k分支卷积自编码器中各个层的权重，以及提取迭代训
练后的每个第一单分支卷积自编码器中各个层的权重，由于第二k分支卷积自编码器的模型结构与第一k分支卷积自编码器和多个第一单分支卷积自编码器合并后的模型结构相同，譬如如图3所示，所以，可以将迭代训练后的第一k分支卷积自编码器中各个层的权重同步至第二k分支卷积自编码器中的对应分支的各个层，以及将迭代训练后的每个第一单分支卷积自编码器中各个层的权重同步至第二k分支卷积自编码器中对应分支的各个层。譬如，将bra11分支中各个层的权重同步至第二k分支卷积自编码器的bra21分支的对应层，以及将ae1中各个层的权重同步至第二k分支卷积自编码器的bra21分支的对应层；将bra12分支中各个层的权重同步至第二k分支卷积自编码器的bra22分支的对应层，以及将ae2中各个层的权重同步至第二k分支卷积自编码器的bra22分支的对应层；将bra13分支中各个层的权重同步至第二k分支卷积自编码器的bra23分支的对应层，以及将ae3中各个层的权重同步至第二k分支卷积自编码器的bra23分支的对应层。然后，基于多个第一样本频域特征，对同步后得到的第二k分支卷积自编码器进行迭代训练，以对第二k分支卷积自编码器进行参数微调，迭代次数可以为预设迭代次数。至此，实现了对第一频域模块的迭代训练。
[0091]
预设迭代次数可以根据实际需求进行设置，譬如预设迭代次数可以为30次。
[0092]
示例性地，以第一样本频域特征包括45个频率点的相位和相关性信息为例，请参考图3，基于多个第一样本频域特征中的每个第一样本频域特征，生成2*45的矩阵。将生成的矩阵输入至第一k分支卷积自编码器进行迭代训练，譬如迭代30次。之后，提取第一k分支卷积自编码器的每个分支的隐藏层特征，也即提取bra11分支的隐藏层特征、bra12分支的隐藏层特征、bra13分支的隐藏层特征，譬如提取的各个分支的隐藏层特征均为8*45的矩阵。将bra11分支的隐藏层特征作为ae1的输入特征对ae1迭代训练30次，将bra12分支的隐藏层特征作为ae2的输入特征对ae2迭代训练30次，以及将bra13分支的隐藏层特征作为ae3的输入特征对ae3迭代训练30次。然后，将迭代训练后的bra11分支的各层权重和ae1中的各层权重提取出来，并分别同步为第二k分支卷积自编码器中的bra21分支的各个层的权重；将迭代训练后的bra12分支的各层权重和ae2中的各层权重提取出来，并分别同步为第二k分支卷积自编码器中的bra22分支的各个层的权重；将迭代训练后的bra13分支的各层权重和ae3中的各层权重提取出来，并分别同步为第二k分支卷积自编码器中的bra23分支的各个层的权重。在同步处理后，再次基于所生成2*45的矩阵，对同步后的第二k分支卷积自编码器进行迭代训练，譬如迭代30次。如此，即完成了对第一频域模块的迭代训练。
[0093]
需要说明的是，在上述各个卷积自编码器中，每个分支包括的卷积层的数量可以是一个或者多个，本技术实施例对此不作限定。
[0094]
值得一提的是，由于第一频域模块中的各个卷积自编码器均是多分支的，所以，对第一样本频域特征可以做多尺度的局部特征提取，保留了空间局部信息的特征，提取了不同感受野下的丰富局部信息，从而有利于后续模型的学习。
[0095]
根据图4提供的第一时域模块，基于第一样本数据集，对第一时域模块进行迭代训练的具体实现可以包括：针对第一样本数据集包括的每个第一样本数据，获取每个第一样本数据中的第一样本时域特征，得到多个第一样本时域特征。将多个第一样本时域特征作为单分支卷积自编码器的输入特征，对单分支卷积自编码器进行迭代训练。
[0096]
如图2所示，电子设备从第一样本数据集中，选择每个第一样本数据的第一样本时域特征，以将选择的多个第一样本时域特征作为第一时域模块的输入特征，对第一时域模
块进行迭代训练，譬如可以迭代预设迭代次数。示例性地，以第一样本时域特征包括12个时间点的阶跃响应为例，请参考图4，基于多个第一样本时域特征中的每个第一样本时域特征，生成1*12的矩阵。将生成的矩阵输入至第二单分支卷积自编码器中迭代训练30次。
[0097]
值得一提的是，通过纳入适量的无标签样本信号，提高了判别ca功能的普适性，尽可能避免片段数据带来的噪声影响。
[0098]
不难理解，由于第一阶段的训练是基于无标签样本信号对应的第一样本数据集进行的，所以，可以将第一阶段的训练过程称为无监督学习。
[0099]
步骤102：根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块。
[0100]
其中，第二频域模块具有特征提取功能和分类功能，第二时域模块也具有特征提取功能和分类功能。
[0101]
在模型训练的第二阶段，利用第一阶段迭代训练后的第一频域模块和第一时域模块，重新构建模块(包括第二频域模块和第二时域模块)并训练，具体包括步骤102和步骤103的内容。
[0102]
作为本技术的一个示例，根据迭代训练后的第一频域模块构建第二频域模块的具体实现可以包括：移除迭代训练后的第二k分支卷积自编码器中的解码器部分。在移除处理后的第二k分支卷积自编码器之后依次接入第一池化层、第一全连接层以及第一分类器，得到第二频域模块。
[0103]
请继续参考图2，电子设备保留第一频域模块的编码器，移除解码器部分，接入一个第一池化层以便于进一步压缩提取后的特征。然后接入一个第一全连接层作为瓶颈层，最后接入一个第一分类器，示例性地，可以采用soft-max层作为第一分类器。如此，构建出第二频域模块，譬如第二频域模块如图5中的(a)图所示。
[0104]
作为本技术的一个示例，根据迭代训练后的第一时域模块构建第二时域模块的具体实现可以包括：移除迭代训练后的第二单分支卷积自编码器中的解码器部分。在移除处理后的第二单分支卷积自编码器之后依次接入第二池化层、第二全连接层以及第二分类器，得到第二时域模块，第二全连接层与第一全连接层的神经元个数相同。示例性地，第一全连接层和第二全连接层的神经元个数可以为15。
[0105]
请继续参考图2，电子设备保留第一时域模块的编码器，移除解码器部分，接入一个第二池化层以便于进一步压缩提取后的特征。然后接入一个第二全连接层作为瓶颈层，最后接入一个第二分类器，示例性地，可以采用soft-max层作为第二分类器。如此，构建出第二时域模块，譬如第二时域模块如图5中的(b)图所示。
[0106]
步骤103：基于第二样本数据集，对第二频域模块和第二时域模块分别进行迭代训练。
[0107]
如前文所述，第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征。
[0108]
请参考图2，在训练的第二阶段，构建出第二频域模块和第二时域模块后，利用第二样本数据集，对第二频域模块和第二时域模块分别进行迭代训练，以使得第二频域模块具有基于任意个体的ca能力对应的频域特征进行分类的能力，以及使得第二时域模块具有基于任意个体的ca能力对应的时域特征进行分类的能力。
[0109]
基于第二样本数据集对第二频域模块进行迭代训练的具体实现包括：针对第二样本数据集包括的每个第二样本数据，获取每个第二样本数据中的第二样本频域特征，得到多个第二样本频域特征。将多个第二样本频域特征作为第二频域模块的输入特征，对第二频域模块进行迭代训练。
[0110]
请参考图5中的(a)图，电子设备基于多个第二样本频域特征中的每个第二样本频域特征，生成2*45的矩阵。将生成的矩阵作为第二频域模块的输入特征，利用预测值和真实标签值计算交叉熵损失作为损失函数，对第二频域模块进行迭代训练，譬如迭代60次。其中，电子设备可以通过公式(9)计算交叉熵损失：
[0111][0112]
其中，yi表示样本i的真实标签值，示例性地，严重症状(阳性)个体的真实标签值为1，健康(阴性)个体的真实标签值为0；pi表示对样本i预测为阳性的概率。
[0113]
基于第二样本时域集对第二时域模块进行迭代训练的具体实现包括：针对第二样本数据集包括的每个第二样本数据，获取每个第二样本数据中的第二样本时域特征，得到多个第二样本时域特征。将多个第二样本时域特征作为第二时域模块的输入特征，对第二时域模块进行迭代训练。
[0114]
譬如请参考图5中的(b)图，基于多个第二样本时域特征中的每个第二样本时域特征，生成1*12的矩阵。将生成的矩阵作为第二时域模块的输入特征，输入至第二时域模块，利用预测值和真实标签值计算交叉熵损失作为损失函数，对第二时域模块进行迭代训练，譬如迭代60次。
[0115]
步骤104：根据迭代训练后的第二频域模块和迭代训练后的第二时域模块，构建多尺度融合感知模型。
[0116]
其中，多尺度融合感知模块具有特征提取功能和分类功能。
[0117]
由于迭代训练后的第二频域模块是基于多个第二样本频域特征确定的，所以仅能够基于频域特征进行分类，同理，由于迭代训练后的第二时域模块是基于多个第二样本时域特征确定的，所以仅能够基于时域特征进行分类。在本技术实施例中，最终的目的是基于频域特征和时域特征进行分类，以确定待监测的ca功能是否受损，所以，在训练的第三阶段，基于迭代训练后的第二频域模块和迭代训练后的第二时域模块，构建多尺度融合感知模型，也即将迭代训练后的第二频域模块与迭代训练后的时域模块进行融合，并将融合后得到的多尺度融合感知模块进行参数微调，从而便于得到最终的目标多尺度融合感知模型。第三阶段的具体包括步骤104和步骤105的内容。
[0118]
在一个示例中，请参考图2，步骤104的具体实现可以包括：移除迭代训练后的第二频域模块中的第一分类器，以及移除迭代训练后的第二时域模块中的第二分类器。将移除处理后的第二频域模块中的中间隐藏层沿着通道进行连接，堆叠连接后的第二频域模块的第一全连接层和移除处理后的第二时域模块的第二全连接层，以将移除处理后的第二频域模块与移除处理后的第二时域模块进行融合。在融合后得到的模块中接入第三分类器，得到多尺度融合感知模型。
[0119]
也即是，电子设备基于第二阶段得到的第二频域模块和第二时域模块，构建出多尺度融合感知模型。如图(6)所示，在构建过程中，将第二频域模块中最中间的隐藏层进行
融合，融合的方式是沿着通道进行连接，譬如如图5中的(a)图所示，将3个2*15的特征连接后成为6*15的特征。另外，在接入全连接层之前，将特征平铺为单维度，譬如平铺6*15的特征为90的单维度特征，并经过池化层进行池化(90/3＝30)。在时域模块中，单尺度卷积核大小固定不变，池化层的大小和步长均为2，最近邻上采样步长也是2，在接入全连接层之前平铺并池化一次。在融合第二频域模块和第二时域模块时堆叠全连接层的权重，譬如，第一全连接层的权重为30*15，第二全连接层的权重为12*15，堆叠后的全连接层的权重为30*15+12*15，也即为42*15。由于还需要进行分类判别，所以，最后接入第三分类器，从而输出二维的预测值，分别代表各类别(包括阳性和阴性)的概率。
[0120]
不难理解，由于多尺度融合感知模型是根据迭代训练后的第二频域模块和迭代训练后的第二时域模块得到的，所以多尺度融合感知模型中包括频域分支和时域分支，其中，频域分支用于提取频域特征，时域分支用于提取时域特征。
[0121]
步骤105：基于第二样本数据集，对多尺度融合感知模型进行迭代训练，以得到目标多尺度融合感知模型。
[0122]
请继续参考图2，在进行模块融合后，电子设备基于第二样本数据集，对多尺度融合感知模型进行微调。在实施中，基于每个第二样本数据中的每个第二样本频域特征，生成2*45的矩阵，以及基于每个第二样本数据中的每个第二样本时域特征，生成1*12的矩阵。将生成的所有矩阵作为多尺度融合感知模型的输入特征，对多尺度融合感知模型进行迭代训练，其中2*45的矩阵由多尺度融合感知模型中的频域分支进行处理，1*12的矩阵经由多尺度融合感知模型的时域分支进行处理。
[0123]
需要说明的是，步骤103至步骤105是基于第二样本数据集、第二频域模块、第二时域模块，确定目标多尺度融合感知模型的一种示例性实现方式。
[0124]
值得一提的是，本技术实施例通过融合不同尺度下的频域特征和时域特征，并辅以两次微调，能够在频域模块和时域模块间、模块内的多个尺度间形成信息互补，使得预测的结果更加准确。
[0125]
请参考图2，作为本技术的一个示例，在将迭代训练后的多尺度融合感知模型确定为目标多尺度融合感知模型之前，通常还可以进行模型测试操作，以对迭代训练后的多尺度融合感知模型的性能进行评估。在实施中，电子设备获取测试数据集，把测试数据集作为迭代训练后的多尺度融合感知模型的输入特征，输出的值即为ca是否受损的预测概率值，可以根据该预测概率值的准确度来评估迭代训练后的多尺度融合感知模型的性能。若经评估后确定性能满足需求，则将迭代训练后的多尺度融合感知模型确定为目标多尺度融合感知模型，否则，若经评估后确定性能不满足需求，则可以继续对迭代训练后的多尺度融合感知模型进行训练，直到经评估后确定性能满足需求为止，以便于得到具有良好预测性能的多尺度融合感知模型。
[0126]
在一个实施例中，关于测试数据集的获取，电子设备可以确定样本数据集后，从中选择部分第二样本数据作为测试数据集。由于第二样本数据集较小，所以，可以采用k折交叉验证(n-fold cross-validation)的方式，从第二样本数据集中确定训练数据集和测试数据集。示例性地，可以取n＝5，也即每次实验将4/5的第二样本数据用于训练，1/5的第二样本数据用于测试，电子设备可以不重复测试集地迭代5次实验。
[0127]
不难理解，由于第二阶段和第三阶段的训练过程是基于有标签样本信号对应的第
二样本数据集进行的，所以，可以将第二阶段和第三阶段的训练均称为监督学习。
[0128]
作为本技术的一个示例，可以通过pytorch开源框架进行模型设计。模型参数可以使用随机初始化，可以选择tanh函数作为激活函数。
[0129]
在上述各个迭代训练过程中，均是计算梯度反向传播，从而更新模型参数，每次训练均保存训练后的模型的权重。梯度反向传播使用的优化器可以使用adam优化器与sgd(stochastic gradient descent，随机梯度下降)优化器进行组合学习。在一个示例中，在每次训练的前预设迭代次数(如30次)迭代中使用adam优化器，学习率设为0.01，后预设迭代次数(如30次)迭代中使用sgd优化器，学习率设为0.001。作为一种示例，在模型训练的第一阶段，可以仅使用adam优化器。
[0130]
作为本技术的一个示例，在第一阶段中，每次迭代训练可以选择32个第一样本数据作为输入特征，也即无监督学习的小批量可以设为32；在第二阶段和第三阶段中，每次迭代训练可以选择10个第二样本数据作为输入特征，也即有监督学习部分的小批量可以设为10。
[0131]
作为本技术的一个示例，上述各个卷积层和反卷积层中均带有批标准化操作，可以根据实际需求对动量进行设置，无监督学习部分的动量可以设为0.1，有监督学习部分的动量设为0.5。
[0132]
值得一提的是，本技术实施例已经得到了初步验证，证明了当前算法的优越性，且通过训练好的多尺度融合感知模型进行预测仅需要毫秒级的计算。将本技术实施例提出的目标多尺度融合感知模型(简称：mefp)与传统方法(convention)以及半监督堆叠集成学习方法(简称：ssel)ssel在准确率、roc(receiver operating characteristic curve，受试者工作特征曲线)曲线和auc(authentication center，鉴权中心)值三个角度做了对比，准确率见下表1所示，roc和auc见下图7所示。
[0133]
表1
[0134] conventionsselmsfp准确率79.92％85.67％96.34％
[0135]
在本技术实施例中，基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练。第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，第一频域模块和第一时域模块是独立的模块，且均具有特征提取功能。根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块。基于第二样本数据集、第二频域模块、第二时域模块，确定目标多尺度融合感知模型，第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征。得到的目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤，也即是，可以通过目标多尺度融合感知模型对目标个体的ca功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
[0136]
另外，本技术实施例的浮点运算次数极低，预测运算时间为毫秒级，可以满足实时性需求。
[0137]
请参考图8，图8是根据一示例性实施例示出的一种ca功能的监测方法的流程示意图，该方法可以通过上述目标多尺度融合感知模型进行检测，由电子设备来执行，该方法可
以包括如下步骤：
[0138]
步骤801：基于目标个体的动脉血压信号和脑血流信号，确定用于表示目标个体的脑血流自动调节ca功能当前状态的第一传递函数分析tfa变量，第一tfa变量包括频域特征和时域特征。
[0139]
其具体实现可以参见前文。
[0140]
步骤802：基于频域特征和时域特征，通过目标多尺度融合感知模型，确定目标个体的ca功能是否损伤，目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤。
[0141]
在实施中，可以基于频域特征和时域特征，生成对应的矩阵，将生成的矩阵输入至目标多尺度融合感知模型中进行预测，输出各个类型的概率值，从而可以根据输出的概率值，确定目标个体的ca功能是否受损。
[0142]
在本技术实施例中，由于目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤，所以可以通过目标多尺度融合感知模型对目标个体的ca功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
[0143]
图9是根据一示例性实施例示出的一种监测脑血流自动调节功能的装置的结构示意图，该装置可以由软件、硬件或者两者的结合实现成为上述电子设备。该装置可以包括：
[0144]
第一确定模块910，用于基于目标个体的动脉血压信号和脑血流信号，确定用于表示所述目标个体的脑血流自动调节ca功能当前状态的第一传递函数分析tfa变量，所述第一tfa变量包括频域特征和时域特征；
[0145]
第二确定模块920，用于基于所述频域特征和所述时域特征，通过目标多尺度融合感知模型，确定所述目标个体的ca功能是否损伤，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
[0146]
在本技术实施例中，由于目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤，所以可以通过目标多尺度融合感知模型对目标个体的ca功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
[0147]
图10是根据一示例性实施例示出的一种训练模块的装置的结构示意图，该装置可以由软件、硬件或者两者的结合实现成为上述电子设备。该装置可以包括：
[0148]
第一训练模块1010，用于基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练，所述第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，所述第一频域模块和所述第一时域模块是相互独立的模块，且均具有特征提取功能；
[0149]
构建模块1020，用于根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块，所述第二频域模块和所述第二时域模块均具有特征提取功能和分类功能；
[0150]
第二训练模块1030，用于基于第二样本数据集、所述第二频域模块、所述第二时域模块，确定目标多尺度融合感知模型，所述第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征；
[0151]
其中，所述目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定所述任意个体的ca功能是否损伤。
[0152]
作为本技术的一个示例，所述第一频域模块包括相互独立的第一k分支卷积自编码器、k个第一单分支卷积自编码器、以及第二k分支卷积自编码器，所述第二k分支卷积自编码器的模型结构与所述第一k分支卷积自编码器和所述多个第一单分支卷积自编码器合并后的模型结构相同，所述k个第一单分支卷积自编码器与所述第一k分支卷积自编码器中的k个分支一一对应，所述k为大于1的整数；
[0153]
所述第一训练模块1010用于：
[0154]
针对所述第一样本数据集包括的每个第一样本数据，获取所述每个第一样本数据中的第一样本频域特征，得到多个第一样本频域特征；
[0155]
基于所述多个第一样本频域特征，对所述第一k分支卷积自编码器进行迭代训练；
[0156]
分别提取迭代训练后的第一k分支卷积自编码器中各个分支的隐藏层的特征，得到k个分支的隐藏层特征；
[0157]
针对所述k个分支中的每个分支的隐藏层特征，基于所述每个分支的隐藏层特征，对与所述每个分支对应的第一单分支卷积自编码器进行迭代训练；
[0158]
将迭代训练后的第一k分支卷积自编码器的权重、迭代训练后的每个第一单分支卷积自编码器的权重，同步为所述第二k分支卷积自编码器的权重；
[0159]
基于所述多个第一样本频域特征，对同步后的第二k分支卷积自编码器进行迭代训练。
[0160]
作为本技术的一个示例，构建模块1020用于：
[0161]
移除迭代训练后的第二k分支卷积自编码器中的解码器部分；
[0162]
在移除处理后的第二k分支卷积自编码器之后依次接入第一池化层、第一全连接层以及第一分类器，得到所述第二频域模块。
[0163]
作为本技术的一个示例，所述第一时域模块为第二单分支卷积自编码器，所述第一训练模块1010用于：
[0164]
针对所述第一样本数据集包括的每个第一样本数据，获取所述每个第一样本数据中的第一样本时域特征，得到多个第一样本时域特征；
[0165]
将所述多个第一样本时域特征作为所述第二单分支卷积自编码器的输入特征，对所述第二单分支卷积自编码器进行迭代训练。
[0166]
作为本技术的一个示例，所述构建模块1020用于：
[0167]
移除迭代训练后的第二单分支卷积自编码器中的解码器部分；
[0168]
在移除处理后的第二单分支卷积自编码器之后依次接入第二池化层、第二全连接层以及第二分类器，得到所述第二时域模块，所述第二全连接层与所述第一全连接层的神经元个数相同。
[0169]
作为本技术的一个示例，第三训练模块1030用于：
[0170]
基于所述第二样本数据集，对所述第二频域模块和所述第二时域模块分别进行迭代训练；
[0171]
根据迭代训练后的第二频域模块和迭代训练后的第二时域模块，构建多尺度融合感知模型；
[0172]
基于所述第二样本数据集，对所述多尺度融合感知模型进行迭代训练，以得到所述目标多尺度融合感知模型。
[0173]
作为本技术的一个示例，第三训练模块1030用于：
[0174]
针对所述第二样本数据集包括的每个第二样本数据，获取所述每个第二样本数据中的第二样本频域特征，得到多个第二样本频域特征；
[0175]
将所述多个第二样本频域特征作为所述第二频域模块的输入特征，对所述第二频域模块进行迭代训练。
[0176]
作为本技术的一个示例，第三训练模块1030用于：
[0177]
针对所述第二样本数据集包括的每个第二样本数据，获取所述每个第二样本数据中的第二样本时域特征，得到多个第二样本时域特征；
[0178]
将所述多个第二样本时域特征作为所述第二时域模块的输入特征，对所述第二时域模块进行迭代训练。
[0179]
作为本技术的一个示例，第三训练模块1030用于：
[0180]
移除迭代训练后的第二频域模块中的第一分类器，以及移除迭代训练后的第二时域模块中的第二分类器；
[0181]
将移除处理后的第二频域模块中的中间隐藏层沿着通道进行连接；
[0182]
堆叠连接后的第二频域模块的第一全连接层和移除处理后的第二时域模块的第二全连接层，以将所述移除处理后的第二频域模块与所述移除处理后的第二时域模块进行融合；
[0183]
在融合后得到的模块中接入第三分类器，得到所述多尺度融合感知模型。
[0184]
在本技术实施例中，基于第一样本数据集，对第一频域模块和第一时域模块分别进行迭代训练。第一样本数据集中的第一样本数据包括无标签样本信号对应的第一样本频域特征和第一样本时域特征，第一频域模块和第一时域模块是独立的模块，且均具有特征提取功能。根据迭代训练后的第一频域模块构建第二频域模块，以及根据迭代训练后的第一时域模块构建第二时域模块。基于第二样本数据集、第二频域模块、第二时域模块，确定目标多尺度融合感知模型，第二样本数据集中的第二样本数据是有标签样本信号对应的第二样本频域特征和第二样本时域特征。得到的目标多尺度融合感知模型能够基于任意个体的ca功能对应的频域特征和时域特征确定任意个体的ca功能是否损伤，也即是，可以通过目标多尺度融合感知模型对目标个体的ca功能进行监测，相比于逻辑回归模型，目标多尺度融合感知模型更具有鲁棒性，可以提高检测结果的准确性。
[0185]
图11为本技术一实施例提供的电子设备的结构示意图。如图11所示，该实施例的电子设备11包括：至少一个处理器1100(图10中仅示出一个)、存储器1101以及存储在所述存储器1101中并可在所述至少一个处理器1100上运行的计算机程序1102，所述处理器1100执行所述计算机程序1102时实现上述任意各个方法实施例中的步骤。
[0186]
所述电子设备11可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器1100、存储器1101。本领域技术人员可以理解，图11仅仅是电子设备11的举例，并不构成对电子设备11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，例如还可以包括输入输出设备、网络接入设备等。
[0187]
所称处理器1100可以是cpu(central processing unit，中央处理单元)，该处理器1100还可以是其他通用处理器、dsp(digital signal processor，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、fpga(field-programmable gate array，现成可编程门阵列)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。
[0188]
所述存储器1101在一些实施例中可以是所述电子设备11的内部存储单元，例如电子设备11的硬盘或内存。所述存储器1101在另一些实施例中也可以是所述电子设备11的外部存储设备，例如所述电子设备11上配备的插接式硬盘，smc(smart media card,智能存储卡)，sd(secure digital,安全数字)卡，闪存卡(flash card)等。进一步地，所述存储器1101还可以既包括所述电子设备11的内部存储单元也包括外部存储设备。所述存储器1101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，例如所述计算机程序的程序代码等。所述存储器1101还可以用于暂时地存储已经输出或者将要输出的数据。
[0189]
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。
[0190]
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、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，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、模块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、模块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、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0191]
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。