确定用户状态的方法、装置、电子设备及介质与流程

1.本技术中涉及数据处理技术，尤其是一种确定用户状态的方法、装置、电子设备及介质。


背景技术：

2.由于通信时代和社会的兴起，智能设备已经随着通信技术的崛起而不断被更多的人们所应用。
3.进一步的，随着现代科技的发展以及物质的丰富以及电脑，电视，手机的普及，人们工作和生活的节奏越来越快，工作压力越来越大，慢性职业病以及亚健康状况等负面生理状态越来越多，如肥胖，糖尿病，手机脖，肩周炎，胖肚子，脂肪肝，腰椎间盘突出，失眠，抑郁等等。大多数的人们缺乏必要的保健常识和手段，从而导致不断增加的生活压力无法化解，亚健康状况也来也严重并积劳成疾最终导致疾病，对整个社会的医疗系统及财政构成严重的负担。
4.因此，如何利用智能设备帮助用户及时确定其生理状态，成为了本领域技术人员需要解决的问题。


技术实现要素：

5.本技术实施例提供一种确定用户状态的方法、装置、电子设备及介质。用以解决相关技术中存在的，无法及时向用户确定其生理状态所导致的影响用户处理工作效率降低的问题。
6.其中，根据本技术实施例的一个方面，提供的一种确定用户状态的方法，包括：
7.获取待检测用户的语音数据以及检测数据，所述语音数据为所述待检测用户生成的描述自身状态的语音数据，所述检测数据为检测所述待检测用户的生理状态的数据；
8.将所述语音数据输入至一级注意力模型，得到第一检测结果；以及将所述检测数据输入至二级注意力模型，得到第二检测结果；
9.基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
10.可选地，在基于本技术上述方法的另一个实施例中，所述获取待检测用户的语音数据，包括：
11.获取所述待检测用户生成的描述自身状态的语音数据；并将所述语音数据转换为语音文本；
12.对所述语音文本进行停用词消除，并利用聚类运算对所述消除停用词后的语音文本进行噪音词去除。
13.可选地，在基于本技术上述方法的另一个实施例中，在所述利用聚类运算对所述消除停用词后的语音文本进行噪音词去除之后，还包括：
14.将所述语音数据输入至所述一级注意力模型，得到用于表征所述待检测用户症状
表述的第一向量数据；
15.基于所述第一向量数据，确定所述待检测用户生应于各个待处理生理状态类型的概率值；
16.将其中最高概率值对应的待处理生理状态类型作为所述待检测用户的目标生理状态类型，并确定所述目标生理状态类型下的生理状态。
17.可选地，在基于本技术上述方法的另一个实施例中，所述将所述检测数据输入至二级注意力模型，得到第二检测结果，包括：
18.将所述检测数据输入至所述二级注意力模型，得到多个用于表征所述待检测用户症状检测的第二向量数据，其中每个第二向量数据对应于不同的生理状态类型；
19.将多个所述第二向量数据的权重平均值作为所述第二检测结果。
20.可选地，在基于本技术上述方法的另一个实施例中，所述基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态，包括：
21.获取所述待检测用户对应的生理指标，所述生理指标为根据用户的器官图像所生成；
22.基于所述待检测用户的生理指标、第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
23.可选地，在基于本技术上述方法的另一个实施例中，所述获取所述待检测用户对应的生理指标，包括：
24.当接收到采集指令时，获取所述待检测用户的器官图像，所述器官图像中包括所述待检测用户的脸部器官、肢体器官以及背部器官的至少一种；
25.将所述器官图像输入至预设的图像检测网络模型，获取所述待检测用户的生理指标，所述生理指标用于反映所述待检测用户器官的大小、轮廓以及色彩的其中一种。
26.可选地，在基于本技术上述方法的另一个实施例中，在所述确定所述待检测用户在目标生理状态类型下的生理状态之后，还包括：
27.从预设的康复数据库中选取与所述生理状态相匹配的康复视频信息，和/或，康复音频信息；
28.将所述康复视频信息，和/或，康复音频信息推送给所述待检测用户。
29.其中，根据本技术实施例的又一个方面，提供的一种确定用户状态的装置，包括：
30.获取模块，被配置为获取待检测用户的语音数据以及检测数据，所述语音数据为所述待检测用户生成的描述自身状态的语音数据，所述检测数据为检测所述待检测用户的生理状态的数据；
31.生成模块，被配置为将所述语音数据输入至一级注意力模型，得到第一检测结果；以及将所述检测数据输入至二级注意力模型，得到第二检测结果；
32.确定模块，被配置为基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
33.根据本技术实施例的又一个方面，提供的一种电子设备，包括：
34.存储器，用于存储可执行指令；以及
35.显示器，用于与所述存储器以执行所述可执行指令从而完成上述任一所述确定用户状态的方法的操作。
36.根据本技术实施例的还一个方面，提供的一种计算机可读存储介质，用于存储计算机可读取的指令，所述指令被执行时执行上述任一所述确定用户状态的方法的操作。
37.本技术中，可以获取待检测用户的语音数据以及检测数据，语音数据为待检测用户生成的描述自身状态的语音数据，检测数据为检测待检测用户的生理状态的数据；将语音数据输入至一级注意力模型，得到第一检测结果；以及将检测数据输入至二级注意力模型，得到第二检测结果；基于第一检测结果以及第二检测结果，确定待检测用户在目标生理状态类型下的生理状态。通过应用本技术的技术方案，可以基于用户生成的描述自身状态的语音数据，以及通过预设手段检测待检测用户的生理状态的数据来综合确定该用户的生理状态。进而解决相关技术中存在的，用户在日常生活中因为不重视自身生理状态的变化所带来的影响工作处理效率的问题。
38.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
附图说明
39.构成说明书的一部分的附图描述了本技术的实施例，并且连同描述一起用于解释本技术的原理。
40.参照附图，根据下面的详细描述，可以更加清楚地理解本技术，其中：
41.图1为本技术提出的一种确定用户状态的方法示意图；
42.图2为本技术提出的将一级注意力模型以及二级注意力模型的运行原理的流程示意图；
43.图3为本技术提出的一种确定用户状态的电子装置的结构示意图；
44.图4为本技术提出的一种确定用户状态的电子设备的结构示意图。
具体实施方式
45.现在将参照附图来详细描述本技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。
46.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
47.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。
48.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
49.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
50.另外，本技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
51.需要说明的是，本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如
果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
52.下面结合图1-图2来描述根据本技术示例性实施方式的用于进行确定用户状态的方法。需要注意的是，下述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
53.本技术还提出一种确定用户状态的方法、装置、电子设备及介质。
54.图1示意性地示出了根据本技术实施方式的一种确定用户状态的方法的流程示意图。如图1所示，该方法包括：
55.s101,获取待检测用户的语音数据以及检测数据，语音数据为待检测用户生成的描述自身状态的语音数据，检测数据为检测待检测用户的生理状态的数据。
56.s102,将语音数据输入至一级注意力模型，得到第一检测结果；以及将检测数据输入至二级注意力模型，得到第二检测结果。
57.s103，基于第一检测结果以及第二检测结果，确定待检测用户在目标生理状态类型下的生理状态。
58.其中，由于通信时代和社会的兴起，智能设备已经随着通信技术的崛起而不断被更多的人们所应用。
59.进一步的，随着现代科技的发展以及物质的丰富以及电脑，电视，手机的普及，人们工作和生活的节奏越来越快，工作压力越来越大，慢性职业病以及亚健康状况等负面生理状态越来越多，如肥胖，糖尿病，手机脖，肩周炎，胖肚子，脂肪肝，腰椎间盘突出，失眠，抑郁等等。大多数的人们缺乏必要的保健常识和手段，从而导致不断增加的生活压力无法化解，亚健康状况也来也严重并积劳成疾最终导致疾病，对整个社会的医疗系统及财政构成严重的负担。
60.因此，如何利用智能设备帮助用户及时确定其生理状态，成为了本领域技术人员需要解决的问题。
61.一种方式中，待检测用户的语音数据可以为该用户自身生成的用于描述其当前生理状态的语音数据。例如可以包括是否咳嗽日久，潮热，盗汗，咳声短促，声音嘶哑等等。另外还可以包括用于反映用户的起居状态的日常参数。例如可以为睡眠状态，工作时长，休闲时长等等。
62.而对于待检测用户的检测数据而言，可以为对该待检测用户进行检测而得到的生理状态数据。例如问诊数据等等。
63.其中，问诊数据可以包括如下内容：是否[咳嗽日久，潮热，盗汗]，是否：[咳声短促，声音嘶哑]，是否：[舌红，舌苔少，有齿痕]，是否：[颧红]，脉诊：[脉细数]等等。
[0064]
进一步而言，如图2所示，本技术可以在获取待检测用户的语音数据以及检测数据之后，将其分别输入至一级注意力模型以及二级注意力模型中。其中，一级注意力模型建立四诊症状之间的注意力。首先分别将待检测用户的各个生理症状通过任意一种词嵌入技术转化为向量化表示。接着计算全部症状之间的注意力权重。
[0065]
可选的，二级注意力模型建立四诊之间的注意力。对于每一个生理状态类型的症状x，可以通过四个不同的参数矩阵w0，w1，w2，w3，分别通过w0*x，w1*x，w2*x，w3*x得到四个不同的向量化表示，用于表示四个生理状态类型的生理状态。此处的4个参数矩阵对于全体症状x来说，是共享的参数。接着，本技术对症状类表的向量两两之间的组合使用相同的注
意力模型进行计算。
[0066]
具体来讲，本技术可以将待检测用户的语音数据转换为语音文本后，对语音文本进行停用词消除，并利用聚类运算对消除停用词后的语音文本进行噪音词去除。进而得到用于表征待检测用户症状表述的第一向量数据。
[0067]
其中，该第一向量数据用于确定待检测用户生应于各个待处理生理状态类型的概率值。例如包括对应于亚健康类生理状态，大病类生理状态，康复类生理状态等等。本技术可以将其中最高概率值对应的待处理生理状态类型作为待检测用户的目标生理状态类型(例如为亚健康类生理状态)，并确定目标生理状态类型下的生理状态(也即为亚健康类生理状态下的严重生理状态、一般生理状态、轻微生理状态等等)。
[0068]
另一种方式中，本技术还可以将用户的检测数据输入至二级注意力模型，得到多个用于表征待检测用户症状检测的第二向量数据，其中每个第二向量数据对应于不同的生理状态类型；并将多个第二向量数据的权重平均值作为第二检测结果。
[0069]
需要说明的是，由于每个第二向量数据对应于不同的生理状态类型，我们即可以将该多个第二向量数据的权重平均值作为第二检测结果。并结合第一向量数据所表征的目标生理状态类型下的生理状态
[0070]
本技术中，可以获取待检测用户的语音数据以及检测数据，语音数据为待检测用户生成的描述自身状态的语音数据，检测数据为检测待检测用户的生理状态的数据；将语音数据输入至一级注意力模型，得到第一检测结果；以及将检测数据输入至二级注意力模型，得到第二检测结果；基于第一检测结果以及第二检测结果，确定待检测用户在目标生理状态类型下的生理状态。通过应用本技术的技术方案，可以基于用户生成的描述自身状态的语音数据，以及通过预设手段检测待检测用户的生理状态的数据来综合确定该用户的生理状态。进而解决相关技术中存在的，用户在日常生活中因为不重视自身生理状态的变化所带来的影响工作处理效率的问题。
[0071]
可选地，在基于本技术上述方法的另一个实施例中，所述获取待检测用户的语音数据，包括：
[0072]
获取所述待检测用户生成的描述自身状态的语音数据；并将所述语音数据转换为语音文本；
[0073]
对所述语音文本进行停用词消除，并利用聚类运算对所述消除停用词后的语音文本进行噪音词去除。
[0074]
可选地，在基于本技术上述方法的另一个实施例中，在所述利用聚类运算对所述消除停用词后的语音文本进行噪音词去除之后，还包括：
[0075]
将所述语音数据输入至所述一级注意力模型，得到用于表征所述待检测用户症状表述的第一向量数据；
[0076]
基于所述第一向量数据，确定所述待检测用户生应于各个待处理生理状态类型的概率值；
[0077]
将其中最高概率值对应的待处理生理状态类型作为所述待检测用户的目标生理状态类型，并确定所述目标生理状态类型下的生理状态。
[0078]
可选地，在基于本技术上述方法的另一个实施例中，所述将所述检测数据输入至二级注意力模型，得到第二检测结果，包括：
[0079]
将所述检测数据输入至所述二级注意力模型，得到多个用于表征所述待检测用户症状检测的第二向量数据，其中每个第二向量数据对应于不同的生理状态类型；
[0080]
将多个所述第二向量数据的权重平均值作为所述第二检测结果。
[0081]
可选地，在基于本技术上述方法的另一个实施例中，所述基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态，包括：
[0082]
获取所述待检测用户对应的生理指标，所述生理指标为根据用户的器官图像所生成；
[0083]
基于所述待检测用户的生理指标、第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
[0084]
可选地，在基于本技术上述方法的另一个实施例中，所述获取所述待检测用户对应的生理指标，包括：
[0085]
当接收到采集指令时，获取所述待检测用户的器官图像，所述器官图像中包括所述待检测用户的脸部器官、肢体器官以及背部器官的至少一种；
[0086]
将所述器官图像输入至预设的图像检测网络模型，获取所述待检测用户的生理指标，所述生理指标用于反映所述待检测用户器官的大小、轮廓以及色彩的其中一种。
[0087]
可选地，在基于本技术上述方法的另一个实施例中，在所述确定所述待检测用户在目标生理状态类型下的生理状态之后，还包括：
[0088]
从预设的康复数据库中选取与所述生理状态相匹配的康复视频信息，和/或，康复音频信息；
[0089]
将所述康复视频信息，和/或，康复音频信息推送给所述待检测用户。
[0090]
进一步的，本技术在获取所语音数据，并将语音数据转换为语音文本之后，还可以包括对语音文本进行分词，得到停用词，其中该停用词至少包括介词、助词、连词、感叹词的至少一种。
[0091]
可以理解的，上述词性的词很难成为生理状态的判断数据，因此可以将其进行消除，进而得到消除词性后的语音文本。
[0092]
进一步的，本技术还可以利用密度聚类算法对消除词性后的语音文本进行处理，例如可以取邻域距离阈值和样本数(∈,minpts)，并通过聚类运算后得到主成分关键词和噪音词，进而再将噪音词进行消除。
[0093]
本技术还可以获取针对用户的器官图像，以使后续针对器官图像确定用户的生理指标，进而辅助性的确定用户的生理状态。其中可以通过识别器官图像确定用户的面色、五官、肢体的大小以及色彩变化等。
[0094]
举例来说，本技术可以拍摄用户的各个器官的5张不同角度图片后，再将该多张图片上传到服务器进行体态分析用户是否存在亚健康状态等其他负面的生理状态(例如手机脖及弯腰驼背等亚健康体态)。
[0095]
进一步的，本技术可以获取用户的器官图像，具体的，本技术在获取到待检测用户的器官图像后，利用神经网络模型提取用户的器官特征信息，进而得到对应的脸部器官、肢体器官以及背部器官参数。需要说明的是，本技术不对预设的神经网络模型做具体限定，在一种可能的实施方式中，可以为利用卷积神经网络模型，对器官图像进行特征识别。
[0096]
其中，卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计
算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类。得益于cnn(卷积神经网络)对图像的强大特征表征能力，其在图像分类、目标检测、语义分割等领域都取得了令人瞩目的效果。
[0097]
进一步的，本技术可以使用cnn神经网络模型中的提取器官图像中的用户的各器官特征参数。其中，需要将至少一张器官图像输入至预设的卷积神经网络模型中，并将卷积神经网络模型最后一层全连接层(fc，fully connected layer)的输出作为对该器官图像对应的器官特征数据。以使后续根据该特征数据，得到用户的生理指标。
[0098]
通过应用本技术的技术方案，可以基于用户生成的描述自身状态的语音数据，以及通过预设手段检测待检测用户的生理状态的数据来综合确定该用户的生理状态。进而解决相关技术中存在的，用户在日常生活中因为不重视自身生理状态的变化所带来的影响工作处理效率的问题。
[0099]
可选的，在本技术的另外一种实施方式中，如图3所示，本技术还提供一种确定用户状态的装置。其中包括：
[0100]
获取模块201，被配置为获取待检测用户的语音数据以及检测数据，所述语音数据为所述待检测用户生成的描述自身状态的语音数据，所述检测数据为检测所述待检测用户的生理状态的数据；
[0101]
生成模块202，被配置为将所述语音数据输入至一级注意力模型，得到第一检测结果；以及将所述检测数据输入至二级注意力模型，得到第二检测结果；
[0102]
确定模块203，被配置为基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
[0103]
本技术中，可以获取待检测用户的语音数据以及检测数据，语音数据为待检测用户生成的描述自身状态的语音数据，检测数据为检测待检测用户的生理状态的数据；将语音数据输入至一级注意力模型，得到第一检测结果；以及将检测数据输入至二级注意力模型，得到第二检测结果；基于第一检测结果以及第二检测结果，确定待检测用户在目标生理状态类型下的生理状态。通过应用本技术的技术方案，可以基于用户生成的描述自身状态的语音数据，以及通过预设手段检测待检测用户的生理状态的数据来综合确定该用户的生理状态。进而解决相关技术中存在的，用户在日常生活中因为不重视自身生理状态的变化所带来的影响工作处理效率的问题。
[0104]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0105]
获取所述待检测用户生成的描述自身状态的语音数据；并将所述语音数据转换为语音文本；
[0106]
对所述语音文本进行停用词消除，并利用聚类运算对所述消除停用词后的语音文本进行噪音词去除。
[0107]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0108]
将所述语音数据输入至所述一级注意力模型，得到用于表征所述待检测用户症状表述的第一向量数据；
[0109]
基于所述第一向量数据，确定所述待检测用户生应于各个待处理生理状态类型的概率值；
[0110]
将其中最高概率值对应的待处理生理状态类型作为所述待检测用户的目标生理状态类型，并确定所述目标生理状态类型下的生理状态。
[0111]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0112]
将所述检测数据输入至所述二级注意力模型，得到多个用于表征所述待检测用户症状检测的第二向量数据，其中每个第二向量数据对应于不同的生理状态类型；
[0113]
将多个所述第二向量数据的权重平均值作为所述第二检测结果。
[0114]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0115]
获取所述待检测用户对应的生理指标，所述生理指标为根据用户的器官图像所生成；
[0116]
基于所述待检测用户的生理指标、第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。
[0117]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0118]
当接收到采集指令时，获取所述待检测用户的器官图像，所述器官图像中包括所述待检测用户的脸部器官、肢体器官以及背部器官的至少一种；
[0119]
将所述器官图像输入至预设的图像检测网络模型，获取所述待检测用户的生理指标，所述生理指标用于反映所述待检测用户器官的大小、轮廓以及色彩的其中一种。
[0120]
在本技术的另外一种实施方式中，获取模块201，被配置执行的步骤包括：
[0121]
从预设的康复数据库中选取与所述生理状态相匹配的康复视频信息，和/或，康复音频信息；
[0122]
将所述康复视频信息，和/或，康复音频信息推送给所述待检测用户。
[0123]
图4是根据一示例性实施例示出的一种电子设备的逻辑结构框图。例如，电子设备300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
[0124]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备处理器执行以完成上述确定用户状态的方法，该方法包括：获取待检测用户的语音数据以及检测数据，所述语音数据为所述待检测用户生成的描述自身状态的语音数据，所述检测数据为检测所述待检测用户的生理状态的数据；将所述语音数据输入至一级注意力模型，得到第一检测结果；以及将所述检测数据输入至二级注意力模型，得到第二检测结果；基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。可选地，上述指令还可以由电子设备的处理器执行以完成上述示例性实施例中所涉及的其他步骤。例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0125]
在示例性实施例中，还提供了一种应用程序/计算机程序产品，包括一条或多条指令，该一条或多条指令可以由电子设备的处理器执行，以完成上述确定用户状态的方法，该方法包括：获取待检测用户的语音数据以及检测数据，所述语音数据为所述待检测用户生成的描述自身状态的语音数据，所述检测数据为检测所述待检测用户的生理状态的数据；将所述语音数据输入至一级注意力模型，得到第一检测结果；以及将所述检测数据输入至二级注意力模型，得到第二检测结果；基于所述第一检测结果以及所述第二检测结果，确定所述待检测用户在目标生理状态类型下的生理状态。可选地，上述指令还可以由电子设备
的处理器执行以完成上述示例性实施例中所涉及的其他步骤。
[0126]
本领域技术人员可以理解，示意图4仅仅是电子设备300的示例，并不构成对电子设备300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，例如电子设备300还可以包括输入输出设备、网络接入设备、总线等。
[0127]
所称处理器302可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)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302也可以是任何常规的处理器等，处理器302是电子设备300的控制中心，利用各种接口和线路连接整个电子设备300的各个部分。
[0128]
存储器301可用于存储计算机可读指令，处理器302通过运行或执行存储在存储器301内的计算机可读指令或模块，以及调用存储在存储器301内的数据，实现电子设备300的各种功能。存储器301可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备300的使用所创建的数据等。此外，存储器301可以包括硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)或其他非易失性/易失性存储器件。
[0129]
电子设备300集成的模块如果以软件功能模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
[0130]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求指出。
[0131]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。