一种儿童近视风险预测方法、装置及系统与流程

本发明涉及近视预测技术领域，具体涉及一种儿童近视风险预测方法、装置及系统。

背景技术：

近视是指眼睛在调节放松状态下，平行光线(5米外)经眼球屈光装置后，在视网膜之前形成焦点的光学状态。近视眼也称短视眼，这种眼只能看清近处不能看清远处。从无限远处来的平行光经过眼的屈光装置折光之后，在视网膜之前集合成焦点，在视网膜上则结成不清楚的象，远视力明显降低，但近视力尚正常。

近年来，近视发生率飙升，近视眼的人群比例不断增大。目前，中国的儿童近视发病率已超过70％，位居全球第一，近视发病低龄化及病理性近视率的提高已经成为近年来我国儿童近视的两大变化。从小学五、六年级开始，儿童患病率明显上升。因此，适当地对儿童的近视风险进行预测，能够使家长更加了解儿童的眼睛视力状况，进而能更好地预防近视。近视的发生与遗传和环境等诸多因素有关，现有技术中，还不能做到对近视风险的预测。

技术实现要素：

针对现有技术中的上述缺陷，本发明提供了一种儿童近视风险预测方法、装置及系统，可以较准确地对儿童近视风险进行预测。

第一方面，本发明提供的一种儿童近视风险预测方法，包括：

获取用户视力的当前检测数据和生理指标值；

根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

可选的，所述当前检测数据，包括：当前检测的屈光度值、眼轴长度、视力值中的一种或多种。

可选的，所述生理指标值，包括：年龄、身高、体重、父母视力中的一种或多种生理指标值。

可选的，所述当前检测数据为当前检测的屈光度值；

根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险，包括：

根据所述屈光度值和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

可选的，在根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险的步骤之前，还包括：

获取不同年龄段儿童视力的样本数据；

根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

可选的，在建立视力预测模型之后，还包括：

实时获取不同年龄段儿童视力的实时样本数据；

根据所述实时样本数据，采用回归分析方法和/或神经网络方法，实时优化所述视力预测模型。

可选的，还包括：

获取所述用户在指定时间段内的用眼环境指标；

根据所述用眼环境指标和所述近视风险，预测所述近视风险的变化情况。

可选的，还包括：

根据所述近视风险，获得改善近视风险的建议。

第二方面，本发明提供的一种儿童近视风险预测装置，包括：

信息获取模块，用于获取用户视力的当前检测数据和生理指标值；

视力预测模块，用于根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

可选的，所述当前检测数据，包括：当前检测的屈光度值、眼轴长度、视力值中的一种或多种。

可选的，所述生理指标值，包括：年龄、身高、体重、父母视力中的一种或多种生理指标值。

可选的，所述当前检测数据为当前检测的屈光度值；

所述视力预测模块，具体用于：

根据所述屈光度值和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

可选的，所述装置，还包括：

样本数据获取模块，用于获取不同年龄段儿童视力的样本数据；

模型建立模块，用于根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

可选的，所述装置，还包括：

实时数据获取模块，用于实时获取不同年龄段儿童视力的实时样本数据；

优化模型模块，用于根据所述实时样本数据，采用回归分析方法和/或神经网络方法，实时优化所述视力预测模型。

可选的，所述装置，还包括：

用眼环境检测模块，用于获取所述用户在指定时间段内的用眼环境指标；

风险变化预测模块，用于根据所述用眼环境指标和所述近视风险，预测所述近视风险的变化情况。

可选的，所述装置，还包括：

建议提供模块，用于根据所述近视风险，获得改善近视风险的建议。

第三方面，本发明提供了一种儿童近视风险预测系统，包括：第一客户端、第二客户端和服务端；

所述第一客户端与所述第二客户端连接，所述第二客户端与所述服务端连接；

所述第一客户端用于检测儿童的用眼环境指标，并将所述用眼环境指标发送给所述第二客户端；

所述第二客户端用于将儿童的所述用眼环境指标以及当前检测数据和/或生理指标发送给所述服务端；

所述服务端用于根据所述用眼环境指标以及所述当前检测数据和/或所述生理指标，预测儿童的近视风险和近视风险的变化情况，并将预测结果发送给所述第二客户端。

由以上技术方案可知，本发明提供一种儿童近视风险预测方法，包括：获取用户视力的当前检测数据和生理指标值；根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。通过获取用户视力的当前检测数据和生理指标值，再根据当前检测数据和/或生理指标值，采用视力预测模型，能够预测出用户的近视风险，进而能够使用户和用户的家长及时了解用户眼睛的近视风险，提前进行预防或治疗。

本发明提供的一种儿童近视风险预测装置和系统，与上述儿童近视风险预测方法出于相同的发明构思，具有相同的有益效果。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例提供一种儿童近视风险预测方法的流程图；

图2示出了本发明第二实施例提供一种儿童近视风险预测装置的示意图；

图3示出了本发明第三实施例提供一种儿童近视风险预测系统的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

本发明提供了一种儿童近视风险预测方法、装置及系统。下面结合附图对本发明的实施例进行说明。

第一实施例：

图1示出了本发明第一实施例所提供的一种儿童近视风险预测方法的流程图。如图1所示，本发明第一实施例提供的一种儿童近视风险预测方法包括以下步骤：

步骤s101：获取用户视力的当前检测数据和生理指标值；

步骤s102：根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

其中，所述当前检测数据，可以包括：当前检测用户眼睛的屈光度值、眼轴长度、视力值等中的一种或多种。所述生理指标值，可以包括：指年龄、身高、体重、父母视力等生理指标中的一种或多种的生理指标值。

通过获取用户视力的当前检测数据和生理指标值，再根据当前检测数据和/或生理指标值，采用视力预测模型，能够预测出用户的近视风险，使用户和用户的家长能够及时了解眼睛的近视风险，进而提前进行预防或治疗。其中，用户为3-12岁儿童。

在本发明提供的一个具体实施例中，在根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险的步骤之前，还包括：获取不同年龄段儿童视力的样本数据；根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

对用户的视力进行近视风险预测有多种方法，本发明主要介绍以下几种方法：

第一种：根据用户的当前检测数据，采用视力预测模型，预测用户的近视风险。

其中，在进行预测之前，需要建立视力预测模型。首先，需要获取不同年龄段儿童视力的样本数据；其中，所述样本数据是指与所述当前检测数据相对应的不同年龄段视力正常儿童的视力检测数据，包括屈光度、眼轴长度、视力值等检测指标中的一种或多种指标值。然后，再根据所述样本数据，采用回归分析方法和/或神经网络方法，建立各个检测指标的正常发育曲线，所述正常发育曲线是根据儿童年龄段和在每个年龄各个检测指标值的标准值生成的，横坐标为年龄段，纵坐标为检测指标值的标准值。

再根据不同年龄段设置各个检测指标值的阈值，在不同年龄段，所述阈值与所述标准值之间存在一定的允许误差。所述正常发育曲线的总合和不同年龄段各个检测指标的允许误差以及预测逻辑构成视力预测模型。

预测逻辑为：当用户的当前检测数据与相应的标准值差的绝对值在允许误差范围内，则表示该项检测指标正常；当用户的当前检测数据与相应的标准值差的绝对值超出允许误差范围，则表示该项检测指标不正常。当各项检测指标都正常时，预测用户没有近视风险；当各项检测指标都不正常或者有部分检测指标不正常时，则根据各项检测指标的权重确定用户的近视风险。

在本发明中，屈光度为预测近视风险的主要检测指标。当其它检测指标都没有获取时，可以直接用屈光度来预测用户的近视风险。这种，直接利用屈光度预测近视风险较快捷简便，但是预测的准确性比利用多个检测指标预测近视风险的准确性低。

例如，在6岁时，儿童屈光度的允许误差的绝对值为标准值的20％，则当用户当前检测的屈光度值与标准值差的绝对值超出20％时，可以显示近视风险预警；若没有超出，可以显示基本正常。由于正常儿童的屈光度都是大于零的，当当前检测的屈光度值为小于零时，则表明儿童的眼睛已经近视了，可以提示用户尽快咨询专业眼科医生。

第二种：根据用户的生理指标值，采用视力预测模型，预测用户的近视风险。

在进行预测之前，需要建立视力预测模型。首先，需要获取不同年龄段儿童视力的样本数据。其中，所述样本数据是指不同年龄段视力正常儿童的生理指标值。所述生理指标值是指年龄、身高、体重、父母视力等生理指标值中的一种或多种的信息。再根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

在建立模型时，可以根据不同视力正常儿童的身高和体重计算儿童的身体质量指数(bmi，bodymassindex)，再根据所述身体质量指数、年龄、父母视力等中的一种或多种，以及相应的正常儿童的视力建立评价关系，所述评价关系为视力预测模型，根据所述评价关系可以预测用户的视力风险。

在对用户视力风险进行预测时，可以根据用户的身体质量指数、年龄、父母视力等中的一种或多种来预测用户的近视风险。

例如，在对用户视力风险进行预测时，可以根据用户的身高和体重计算出用户的身体质量指数，同时根据用户的当前年龄段来预测用户的近视风险。当用户在同年龄段儿童中身体质量指数为均值时，为低近视风险；当用户在同年龄段儿童中身体质量指数为超重时，为有近视倾向；当用户在同年龄段儿童中身体质量指数为肥胖时，为有近视风险。

例如，若知道父母视力，则有以下结论：若父母双方都没有高度近视，则该用户为低近视风险；若父母有一方为高度近视，则该用户有近视倾向；若父母双方都为高度近视，则该用户为有近视风险。

例如，若知道用户的身体质量指数、年龄、父母视力，则有以下结论：若父母一方没有高度近视，用户当前视力正常，没有近视风险。若父母一方高度近视，且身体质量指数为均值，则用户具有高近视风险。若父母一方没有高度近视，且身体质量指数超重，则有一定近视风险。若父母一方高度近视，且身体质量指数超重，则有高近视风险。若父母一方没有高度近视，且身体质量指数肥胖，则有高度近视风险。若父母一方有高度近视，且身体质量指数肥胖，则有高度近视风险。

第三种：根据用户的当前检测数据和生理指标值，采用视力预测模型，预测用户的近视风险。

在进行预测之前，需要建立视力预测模型。首先，需要获取不同年龄段儿童视力的样本数据。其中，样本数据是指与所述当前检测数据相对应的不同年龄段视力正常儿童的视力检测数据和生理指标值。然后，根据样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

其中，视力预测模型分为第一视力预测模型和第二视力预测模型。所述第一视力预测模型为第一种方法中的视力预测模型，第二视力预测模型为第二种方法中的视力预测模型。当第一视力预测模型和第二视力预测模型中至少有一个模型预测到用户有近视风险，则判断用户有近视风险。其中有一个模型判断用户为高近视风险，则用户有高近视风险。

在本发明中，三种方案都在本发明的保护范围内。第三种方法预测的近视风险相较于前两种更为准确。

在上述三种方法中，在建立视力预测模型之后，还可以包括：实时获取不同年龄段儿童视力的实时样本数据；根据所述实时样本数据，采用回归分析方法和/或神经网络方法，实时优化所述视力预测模型。

当获取到用户当前检测数据和生理指标值时，可以对所述当前检测数据和生理指标值进行存储，并将存储的数据实时加入到视力预测模型中，进而对模型实时优化。通过实时优化视力预测模型，能够使预测结果更为准确。

在本发明提供的一个具体实施例中，还可以包括：获取所述用户在指定时间段内的用眼环境指标；根据所述用眼环境指标和所述近视风险，预测所述近视风险的变化情况。

其中，所述用眼环境指标可以包括：户外光照时间和室内静态用眼时间。用眼环境指标可以从基础环境指标计算获得。基础环境指标可以包括光照度指标、运动时间和睡眠状态。所述光照度指标主要包括：光照强度、蓝光强度和紫外光强度。其中，所述指定时间段可以是一天，也可以是一周，这都在本发明的保护范围内。

运动时间是指用户处于非睡眠状态时的多种运动状态下的时间。运动状态包括根据传感器数据计算和估计的运动状态。例如：安静读书状态、轻微运动状态、中等和剧烈运动状态等。运动时间是根据运动强度的分类计算的累积时间。

蓝光强度包括用户在室内或户外的蓝光强度。

紫外光强度包括用户在室内或户外的紫外光强度。

室内静态用眼时间的计算方法有多种方式，优选的一种计算标准为：光照强度小于800lux、紫外光强度为0，且运动状态为安静而非睡眠的累积安静时间。

户外光照时间的计算方法有多种方式，优选的一种计算标准为：光照度大于800lux、紫外光强度不为0的累积运动时间。

在计算室内静态用眼时间和户外光照时间时，其中，800lux为优选值，并不是唯一值，也可以是1000lux。

当用户屈光度检查有近视风险或者有遗传近视风险，户外光照时间达到预设指标，室内静态用眼时间未超过预设指标，则近视风险降低中。

当用户屈光度检查有近视风险或者有遗传近视风险，户外光照时间未达到预设指标，室内静态用眼时间超过预设指标，则近视风险增加中。

当用户屈光度检查无近视风险也无有遗传近视风险，户外光照时间达到预设指标，室内静态用眼时间未超过预设指标，则近视风险维持较低水平。

其中，户外光照时间的预设范围可以是为：5-10小时。所述预设范围可以是参照国际标准的运动时间得到的预设时间段，也可以是根据回归分析方法和/或神经网络方法分析得到的预设时间段。

在本发明中，还可以根据用户的睡眠时间，预测用户的近视风险的变化情况。

所述睡眠时间也是用眼环境指标中的一种。

若用户之前的预测结果为没有近视风险，且该用户在最近一星期内的睡眠时间不够，则预测用户存在近视风险。

若用户有近视风险，且该用户在最近一星期内的睡眠时间充足，则预测用户近视风险降低。

若用户之前的预测结果为没有近视风险，且该用户在最近一星期内的睡眠时间充足，则该用户没有近视风险。

在本发明中，当用户的身体质量指数与标准值相比，为超标时，且每周或每天运动时间不充足，则预测近视风险增加。

当用户的身体质量指数与标准值相比，为超标时，且运动充足时，则预测近视风险降低。

其中，所述标准值可以是按照相应的儿童身体质量指数(bmi)的国际标准确定的值，也可以是根据回归分析方法和/或神经网络方法分析得到的标准值。

在本发明提供的一个具体实施例中，还可以包括：根据用户在指定时间段内的用眼环境指标的变化情况，预测用户的近视风险。

其中，所述指定时间段可以是三个月、半年、一年等中的一种。

若用户在指定时间段内的用眼环境指标中的至少一种指标持续不正常，则预测用户为高近视风险。

若用户在指定时间段内的用眼环境指标都正常，则用户没有近视风险。

在本发明提供的一个具体实施例中，还可以包括：根据所述近视风险，获得改善近视风险的建议。

在本步骤中，可以是将所述近视风险发送给相关医生，相关医生根据所述近视风险，给出一些改善近视风险的建议；也可以根据所述近视风险，采用神经网络方法、回归分析方法等方法分析计算，由系统自动计算出改善近视风险的建议，这都在本发明的保护范围内。

当用户没有近视风险时，且用眼环境指标达标，用户当前近视风险低，可以建议用户6个月后复查。

当用户有近视风险时，可以建议用户增加户外活动，3个月后复查。

当用户为高近视风险时，可以建议用户尽快到眼科确诊。

在本发明中，还可以根据用户的近视风险变化情况，为用户提供建议。

当用户的近视风险增加时，可以建议用户尽快到眼科复诊，并增加户外活动，保证睡眠时间和质量。

当用户的近视风险降低时，可以建议用户在一定时间去眼科复诊，并确保正常的户外活动时间和睡眠时间。

通过给用户提供建议，能够帮助用户尽量降低近视风险。

第二实施例：

在上述的第一实施例中，提供了一种儿童近视风险预测方法，与之相对应的，本申请还提供一种儿童近视风险预测装置。请参考图2，其为本发明第二实施例提供的一种儿童近视风险预测装置的示意图。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本发明第二实施例提供的一种儿童近视风险预测装置，包括：

信息获取模块101，用于获取用户视力的当前检测数据和生理指标值；

视力预测模块102，用于根据所述当前检测数据和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

在本发明提供的一个具体实施例中，所述当前检测数据，包括：当前检测的屈光度值、眼轴长度、视力值中的一种或多种。

在本发明提供的一个具体实施例中，所述生理指标值，包括：年龄、身高、体重、父母视力中的一种或多种生理指标值。

在本发明提供的一个具体实施例中，所述当前检测数据为当前检测的屈光度值；

所述视力预测模块102，具体用于：

根据所述屈光度值和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

在本发明提供的一个具体实施例中，所述装置，还包括：

样本数据获取模块，用于获取不同年龄段儿童视力的样本数据；

模型建立模块，用于根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

在本发明提供的一个具体实施例中，所述装置，还包括：

实时数据获取模块，用于实时获取不同年龄段儿童视力的实时样本数据；

优化模型模块，用于根据所述实时样本数据，采用回归分析方法和/或神经网络方法，实时优化所述视力预测模型。

在本发明提供的一个具体实施例中，所述装置，还包括：

用眼环境检测模块，用于获取所述用户在指定时间段内的用眼环境指标；

风险变化预测模块，用于根据所述用眼环境指标和所述近视风险，预测所述近视风险的变化情况。

在本发明提供的一个具体实施例中，所述装置，还包括：

建议提供模块，用于根据所述近视风险，获得改善近视风险的建议。

以上，为本发明第二实施例提供的一种儿童近视风险预测装置的实施例说明。

本发明提供的一种儿童近视风险预测装置与上述儿童近视风险预测方法出于相同的发明构思，具有相同的有益效果，此处不再赘述。

第三实施例：

基于上述儿童近视风险预测方法和装置，本发明还提供一种儿童近视风险预测系统，请参考图3，其为本发明第三实施例提供的一种儿童近视风险预测系统的示意图。

本发明第三实施例提供的一种儿童近视风险预测系统，包括：第一客户端、第二客户端和服务端；

所述第一客户端与所述第二客户端连接，所述第二客户端与所述服务端连接；

所述第一客户端用于检测儿童的用眼环境指标，并将所述用眼环境指标发送给所述第二客户端；

所述第二客户端用于将儿童的所述用眼环境指标以及当前检测数据和/或生理指标发送给所述服务端；

所述服务端用于根据所述用眼环境指标以及所述当前检测数据和/或所述生理指标，预测儿童的近视风险和近视风险的变化情况，并将预测结果发送给所述第二客户端。

其中，所述第一客户端可以是儿童佩戴的智能手环，可以实时检测儿童的用眼环境指标，并显示儿童当前的用眼环境。所述第二客户端可以是手机、ipad等智能客户端。所述第二客户端可以与所述第一客户端可以通过蓝牙、无线网络、4g网络等方式进行通信连接。所述第二客户端的使用者一般是指儿童的监护人。本实施例中的儿童与第一实施例和第二实施例中的用户是相同的。

所述第二客户端的使用者可以向所述第二客户端上传儿童的当前检测数据和生理指标值。所述第二客户端可以通过无线传输方式将所述当前检测数据和生理指标值发送给所述服务端。

所述服务端存储有执行所述儿童近视风险预测方法的计算机程序，运行所述计算机程序，就可以得到预测的近视风险。

在本发明提供的一个具体实施例中，所述当前检测数据，包括：当前检测的屈光度值、眼轴长度、视力值中的一种或多种。

在本发明提供的一个具体实施例中，所述生理指标值，包括：年龄、身高、体重、父母视力中的一种或多种生理指标值。

在本发明提供的一个具体实施例中，所述当前检测数据为当前检测的屈光度值；所述服务端用于根据所述屈光度值和/或所述生理指标值，采用视力预测模型，预测所述用户的近视风险。

在本发明提供的一个具体实施例中，所述服务端还用于获取不同年龄段儿童视力的样本数据；并根据所述样本数据，采用回归分析方法和/或神经网络方法，建立视力预测模型。

在建立视力预测模型之后，所述服务端还用于实时获取不同年龄段儿童视力的实时样本数据；根据所述实时样本数据，采用回归分析方法和/或神经网络方法，实时优化所述视力预测模型。

在本发明提供的一个具体实施例中，所述服务端还用于根据所述近视风险和/或所述近视风险的变化情况，获得改善近视风险的建议，并将所述建议发送给所述第二客户端。

在本发明中，所述第二客户端可以接收所述服务端发送的儿童近视风险和近视风险的变化情况；所述第二客户端还可以接收第一客户端发送的儿童的用眼环境。

其中，所述第二客户端可以以柱状图、曲线图、表格等形式显示儿童的近视风险、近视风险变化情况和用眼环境。

在本发明提供的一个具体实施例中，当所述当前检测数据中包括屈光度值时，所述服务器还用于根据所述屈光度值和/或所述生理指标，采用视力预测模型，判断所述屈光度值是否正常；并将判断结果发送给第二客户端。

其中，所述第二客户端可以显示儿童的屈光度是否正常，以及儿童当前检测的屈光度值与标准屈光度值之间的关系。第二客户端可以通过曲线图的形式来显示上述关系。

在本发明提供的一个具体实施例中，当所述当前检测数据中包括视力值时，所述服务器还用于根据所述视力值和/或所述生理指标，采用视力预测模型，判断所述视力值是否正常；并将判断结果发送给第二客户端。

其中，所述第二客户端可以显示儿童的视力数值和视力是否正常，以及儿童当前检测的视力值与标准视力值之间的关系。第二客户端可以通过曲线图的形式来显示上述关系。

通过将儿童的近视风险和改善近视风险的建议发送给所述第二客户端，可以使儿童的监护者实时监测儿童的视力变化情况，同时，还可以帮着监护者改善儿童的视力。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。需要说明的是，本发明附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和获得机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与获得机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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。

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，可以存储在一个获得机可读取存储介质中。基于这样的理解，本发明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，该获得机软件产品存储在一个存储介质中，包括若干指令用以使得一台获得机机器(可以是个人获得机，服务器，或者网络机器等)执行本发明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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。