脑部生理数据的处理方法、设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种脑部生理数据的处理方法、设备及存储介质。

背景技术

脑电图是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映，其包含了大量的生理与疾病信息，随着医疗技术的飞速发展，对脑电信号的研究也越来越广泛。在对脑电信号进行研究时，由于脑电信号(electroencephalogram，简称EEG)是一种强度很弱的电生理信号，一般在微伏数量级，并且由于脑电导联(是指在记录脑电信号时，探测电极在人体的放置位置以及探测电极与放大器的连接方式)方式更容易受到干扰，常见的干扰分为：眼动干扰、心电干扰、肌电干扰、工频干扰和高频伪差干扰等等，在医学上通常把这些干扰称为伪差或伪迹。因此，在分析脑电信号时，必须注意混入脑电图记录中的脑电活动以外的活动，以避免伪差数据对脑电信号分析识别的准确性造成影响。

发明内容

本申请的多个方面提供一种脑部生理数据的处理方法、设备及存储介质，用以去除脑部生理数据中的伪差部分，提高对脑部生理数据进行分析的质量和效率。

第一方面，本申请实施例提供了一种脑部生理数据的处理方法，包括：

获取脑部生理数据；

将所述脑部生理数据划分为多个数据片段；

识别所述多个数据片段各自对应的数据类型；

在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

第二方面，本申请实施例提供了一种脑部生理数据的处理装置，包括：

第一获取模块，用于获取脑部生理数据；

第一划分模块，用于将所述脑部生理数据划分为多个数据片段；

第一识别模块，用于识别所述多个数据片段各自对应的数据类型；

第一确定模块，用于在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

第三方面，本发明实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的脑部生理数据的处理方法。

第四方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的脑部生理数据的处理方法。

在本申请实施例中，通过获取脑部生理数据，将所述脑部生理数据划分为多个数据片段，识别所述多个数据片段各自对应的数据类型，而后基于多个数据片段各自对应的数据类型在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据，从而有效地实现了对正常有用的脑部生理数据进行的提取操作，并且，所提取出的脑部生理数据已经过滤掉大部分无重要意义的数据片段，即去除了脑部生理数据中的伪差部分，这样不仅保证了脑部生理数据的质量，并且也提高了对脑部生理数据进行分析的准确率和效率。

第五方面，本申请实施例提供了一种模型训练方法，包括：

获取多个脑部生理数据，所述多个脑部生理数据对应于多种预设数据类型；

对所述多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

第六方面，本申请实施例提供了一种模型训练装置，包括：

第二获取模块，用于获取多个脑部生理数据，所述多个脑部生理数据对应于多种预设数据类型；

训练模块，用于对所述多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

第七方面，本发明实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第五方面中的模型训练方法。

第八方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第五方面中的模型训练方法。

在本申请实施例中，通过获取多个脑部生理数据，所获取的多个脑部生理数据对应于多种预设数据类型，而后对所述多个脑部生理数据进行有监督训练，从而可以准确、有效地获得用于识别脑部生理数据的数据类型的分类模型，并且，在获得分类模型之后，可以利用分类模型识别脑部生理数据的数据类型，进而提高了该方法的实用性。

第九方面，本申请实施例提供了一种数据的处理方法，其特征在于，包括：

获取待处理数据；

将所述待处理数据划分为多个数据片段；

识别所述多个数据片段各自对应的数据类型；

在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

第十方面，本申请实施例提供了一种脑部生理数据的处理装置，包括：

第三获取模块，用于获取待处理数据；

第三划分模块，用于将所述待处理数据划分为多个数据片段；

第三识别模块，用于识别所述多个数据片段各自对应的数据类型；

第三确定模块，用于在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

第十一方面，本发明实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第九方面中的数据的处理方法。

第十二方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第九方面中的数据的处理方法。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一示例性实施例的脑部生理数据处理系统的结构示意图；

图2a为本申请一示例性实施例的脑部生理数据的处理方法的应用场景示意图；

图2b为本申请一示例性实施例的脑部生理数据的处理方法的流程示意图；

图3为本申请一示例性实施例的确定与所述脑部生理数据相对应的目标数据的示意图一；

图4为本申请一示例性实施例的确定与所述脑部生理数据相对应的目标数据的示意图二；

图5为本申请另一示例性实施例提供的脑部生理数据的处理方法的流程示意图；

图6为本申请又一示例性实施例的脑部生理数据的处理方法的流程示意图；

图7为本申请一示例性实施例的模型训练方法的流程示意图；

图8为本申请一示例性实施例的脑部生理数据的处理装置的结构示意图；

图9为与图8所示实施例提供的脑部生理数据的处理装置对应的电子设备的结构示意图；

图10为本申请一示例性实施例的模型训练装置的结构示意图；

图11为与图10所示实施例提供的模型训练装置对应的电子设备的结构示意图；

图12为本申请一示例性实施例的数据的处理方法的流程示意图；

图13为本申请一示例性实施例的数据的处理装置的结构示意图；

图14为与图13所示实施例提供的数据的处理装置对应的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

在原有脑部生理数据的分析流程中，脑部生理数据中往往包括有伪差数据或者伪迹数据，例如：脑部生理数据中包括有眼动干扰数据、心电干扰数据等，当脑部生理数据包括伪差数据或者伪迹数据时，所存在的伪差数据或者伪迹数据会影响对脑部生理数据进行分析识别的准确性。

本申请实施例提供了一种脑部生理数据的处理方法，可以实现对伪差数据的检测和去除操作，具体的，在获取脑部生理数据之后，基于脑部生理数据的长程特点，可以将脑部生理数据划分为多个数据片段，识别多个数据片段各自对应的数据类型，如：阿尔法波、伪差波，基于所有数据片段各自对应的数据类型，针对整个脑部生理数据可以提取出目标数据，该目标数据即为正常、有用的脑部生理数据，并该目标数据中已经过滤掉大部分无重要意义的数据片段，而后可以将目标数据作为新的脑部生理数据进行分析处理操作，从而提高了脑部生理数据的质量以及脑部生理数据的分析效率。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请一示例性实施例的脑部生理数据处理系统的结构示意图。如图1所示，该脑部生理数据处理系统100可以包括：脑电采集设备101以及服务器102。需要注意的是，上述的脑部生理数据可以包括：脑电信号、脑血流量、颅内压等等，其中，脑电信号是指在记录大脑活动时所获得的电信号；脑血流量是指单位时间内血液通过脑血管某横截面积的流量；颅内压是指颅腔内脑脊液的压力。为了便于说明，下面以脑电信号作为脑部生理数据为例进行说明。

具体的，脑电采集设备101用于采集人体104的脑电信号，具体的，脑电采集设备101可以连接有多个探测电极(例如，多个探测电极包括：探测电极103a、探测电极103b、探测电极103c)，探测电极可以按照国际10-20系统的电极放置法进行分布。在采集过程中，可以将探测电极103a、探测电极103b、探测电极103c固定在人体104的头部各个位置处。在脑电采集设备101的接口105与探测电极103a、探测电极103b、探测电极103c连接之后，脑电采集设备101可以采集到人体104的脑电信号。此外，脑电采集设备101还可以连接有显示装置106，在采集到人体104的脑电信号之后，可以通过显示装置106进行实时显示。当然，脑电采集设备101的具体形状结构仅是示例性的，还可以包括头盔、帽子、寝具、封装后的便携探测电极等其他多种装置，本申请在此不做限制。

服务器102是指可以在网络虚拟环境中提供计算处理服务的设备，通常是指利用网络进行信息规划的服务器。在物理实现上，服务器102可以是任何能够提供计算服务，响应服务请求，并进行数据处理的设备，例如：可以是常规服务器、云服务器、云主机、虚拟中心等。服务器102的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。

在本申请实例中，脑电采集设备101，用于采集脑电信号，并将脑电信号传输至服务器102；服务器102，用于接收脑电信号，将脑电信号划分为多个数据片段；而后，识别多个数据片段各自对应的数据类型，并确定与脑电信号相对应的目标数据，此时，所确定的目标数据中包括多个数据片段中的至少两个连续的第一类型数据，至少两个连续的第一类型数据的数据类型为非伪差数据，可以理解的是，伪差数据是指在脑电信号中存在的干扰信号，例如：眼动干扰、心电干扰、肌电干扰、工频干扰和高频伪差干扰等等。非伪差数据即为脑电信号中不是干扰信号的数据，例如：α波数据、β波数据等等。

在一些实例中，在获取到至少两个连续的第一类型数据之后，可以对至少两个连续的第一类型数据进行处理，例如：可以进行数据异常检测处理、疾病预测处理、异常放电信号检测处理等，从而可以获取到该脑电信号的数据异常检测结果、疾病预测结果、异常放电信号检测结果等处理结果，基于所获取的处理结果，有效地实现了基于脑电信号实现进行脑疾病的预防、早期诊断和早期干预。

在一些实例中，在服务器102将脑电信号划分为多个数据片段时，服务器102可以获取滑窗长度以及相邻窗口之间的窗口重叠率；基于滑窗长度和窗口重叠率，利用滑窗算法将脑电信号划分为多个数据片段。

在一些实例中，在服务器102识别多个数据片段各自对应的数据类型时，服务器102可以根据卷积神经网络模型，识别多个数据片段各自对应的数据类型；其中，卷积神经网络模型被训练用于识别多种预设数据类型的脑电信号。

其中，多种预设数据类型可以包括以下至少一种：阿尔法波数据、伪差波数据、其他类型波数据。需要说明的是，其他类型波数据可以是指除了阿尔法波数据和伪差波数据之外的任何类型数据，例如：β波数据、θ波数据和δ波数据等等。

在一些实例中，在一些实例中，在服务器102可以获取：至少两个连续的第一类型数据在脑电信号中的数据位置；获取确定与至少两个连续的第一类型数据各自相对应的导联位置；对所述数据位置、导联位置与所述至少两个连续的第一类型数据进行关联存储。

在一些实例中，在服务器102获取至少两个连续的第一类型数据在脑电信号中的数据位置时，该服务器102可以获取脑电信号的数据长度；基于数据长度、滑窗长度和窗口重叠率，确定至少两个连续的第一类型数据在脑电信号中的数据位置。

在一些实例中，在至少两个连续的第一类型数据中包括数据类型为阿尔法波数据的数据片段时，服务器102，还可以确定数据类型为阿尔法波数据的数据片段在至少两个连续的第一类型数据中的占比；在占比小于预设阈值时，则对至少两个连续的第一类型数据进行修正。

在一些实例中，在服务器102对至少两个连续的第一类型数据进行修正时，该服务器102可以获取至少两个连续的第一类型数据中首个数据片段的类型数据；在首个数据片段的类型数据为其他类型波数据时，删除首个数据片段。

在一些实例中，在服务器102对至少两个连续的第一类型数据进行修正时，该服务器102可以获取至少两个连续的第一类型数据中末位数据片段的类型数据；在末位数据片段的类型数据为其他类型波数据时，删除末位数据片段。

在一些实例中，在服务器102获取脑电信号时，该服务器102可以获取脑电采集设备采集的所有通道的脑电信号；对每个通道的脑电信号进行滤波处理，获得脑电信号。

在一些实施例中，脑电采集设备101可以与服务器102进行网络连接，该网络连接可以是无线或有线网络连接。若脑电采集设备101与服务器102是通信连接，该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax等中的任意一种。

下面结合方法实施例，针对服务器102对脑电信号进行处理的过程进行详细说明。

图2a为本申请一示例性实施例的脑部生理数据的处理方法的应用场景示意图；图2b为本申请一示例性实施例的脑部生理数据的处理方法的流程示意图；参考附图2a-图2b所示，本申请实施例提供的脑部生理数据的处理方法200可以由服务器102执行，该方法200包括以下步骤：

S201：获取脑部生理数据。

S202：将脑部生理数据划分为多个数据片段。

S203：识别多个数据片段各自对应的数据类型。

S204：在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

以下针对上述步骤进行详细阐述：

S201：获取脑部生理数据。

其中，脑部生理数据可以包括：脑电信号、脑血流量、颅内压等等，下面以脑电信号作为脑部生理数据为例进行说明。所获取的脑电信号可以是由脑电采集设备发送至服务器的数据，该脑电信号可以为实时的数字脑电信号数据流，例如：01001011010、1011100011等等。在利用脑电采集设备采集脑电信号时，对于脑电采集设备的信号采样率和导联数量不做限制，例如：脑电采集设备的导联数量可以包括8导、24导、64导等多种数量规格；并且，所采集的脑电信号的格式包括但不限于：脑电图(Electroencephalogram，简称EEG)格式、分形图像格式(Fractal Image Format，简称FIF)、欧洲数据格式(European Data Format，简称EDF)格式等等。

在一些实例中，该脑电信号可以是经过滤波处理后的数据，即脑电采集设备通过多个探测电极采集到多个通道的脑电信号之后，可以对所有通道的脑电信号进行滤波处理，具体的，可以将每个通道的脑电信号输入至滤波器，通过滤波器实现对每个通道的脑电信号进行独立的带通滤波处理，以滤除脑电信号中包括的某些高频信号和/或某些低频信号，举例来说，可以是指带通滤波器的频率为0.5-40Hz，此时，在利用带通滤波器对脑电信号进行滤波处理之后，可以滤波脑电信号中包括的低于0.5Hz的低频信号和高于40Hz的高频信号，从而可以获得经过滤波处理后的脑电信号。可以理解的是，带通滤波器的频率并不限于上述举例说明，本领域技术人员可以根据具体的应用场景进行设置，例如：在一个示例中，可以设置带通滤波器的频率为0.2-40Hz。

在获取到滤波处理后的脑电信号之后，脑电采集设备可以将脑电信号发送至服务器，此时，服务器可以接收到经过滤波处理后的脑电信号。

在一些实例中，该脑电信号也可以是未经过滤波处理的数据，即脑电采集设备通过多个探测电极采集到多个通道的脑电信号之后，直接将多个通道的脑电信号发送至服务器，此时，服务器可以获取到脑电采集设备采集的所有通道的脑电信号，而后，可以对每个通道的脑电信号进行滤波处理，具体的，可以将每个通道的脑电信号输入至滤波器，通过滤波器实现对每个通道的脑电信号进行独立的带通滤波处理，以滤除脑电信号中包括的某些高频信号和/或某些低频信号，从而可以经过滤波处理后的脑电信号。

S202：将脑部生理数据划分为多个数据片段。

其中，在获取到脑电信号之后，可以将脑电信号按照预设规则划分为多个数据片段，本实施例中对于数据片段的具体个数不做限定，本领域技术人员可以根据具体的应用需求和设计需求进行设置，例如：数据片段的个数可以为8个、10个或者12个等等。

另外，本实施例对于将脑电信号划分为多个数据片段的具体实现方式不做限定，本领域技术人员可以根据具体的应用场景进行任意设置，例如：可以配置与多个数据片段各自对应的片段起始位置，通过多个数据片段各自对应的片段起始位置，将脑电信号划分为多个数据片段。

在一些实例中，将脑电信号划分为多个数据片段可以包括：获取滑窗长度以及相邻窗口之间的窗口重叠率；基于滑窗长度和窗口重叠率，利用滑窗算法将脑电信号划分为多个数据片段。

其中，滑窗长度和相邻窗口之间的窗口重叠率可以根据具体的应用场景和应用需求进行配置，在一些实例中，可以通过卷积神经网络模型来确定滑窗长度和窗口重叠率，其中，卷积神经网络模型用于识别多种预设数据类型的脑电信号；具体的，可以基于卷积神经网络模型设定滑窗初始值和步长信息，例如：滑窗初始值为0.5s，步长信息为0.1，而后可以利用卷积神经网络模型对基于上述滑窗初始值所获取到的数据片段进行分析识别，并获取分析识别的准确率；在准确率小于预设阈值时，则可以基于步长信息对滑窗初始值进行调整，并利用卷积神经网络模型对基于调整后的滑窗长度所获取到的数据片段进行分析识别，并获取分析识别的准确率，重复操作，而后可以将识别准确率较高的滑窗长度确定为目标滑窗长度，从而实现了滑窗长度的具体实现过程。

另外，通过卷积神经网络模型来确定窗口重叠率的具体实现过程与上述确定滑窗长度的具体实现过程相类似，在此不再赘述。

在一些实例中，还可以综合脑电信号的长度来配置滑窗长度和窗口重叠率，例如：脑电信号长度为10s时，滑窗长度可以为2s，窗口重叠率可以为50％，此时，相邻窗口之间重叠1s。在脑电信号长度为20s时，滑窗长度可以为3s，窗口重叠率可以为50％，此时，相邻窗口之间重叠1.5s。需要注意的是，窗口重叠率小于100％。

在获取到滑窗长度和窗口重叠率之后，可以利用滑窗算法将脑电信号划分为多个数据片段，例如：在脑电信号长度为10s，滑窗长度为2s，窗口重叠率为50％时，此时，可以利用滑窗算法将脑电信号划分为9个数据片段，每个数据片段的长度均相等，从而实现了将脑电信号划分为多个定长的数据片段。

S203：识别多个数据片段各自对应的数据类型。

在获取到多个数据片段之后，可以对多个数据片段进行分析处理，以识别多个数据片段各自对应的数据类型，其中，一个数据片段可以对应有一个数据类型，而多个数据片段所对应的数据类型可以包括：阿尔法波数据、伪差波数据、其他类型波数据。

在一些实例中，识别多个数据片段各自对应的数据类型可以包括：根据卷积神经网络模型，识别多个数据片段各自对应的数据类型；其中，卷积神经网络模型被训练用于识别多种预设数据类型的脑电信号。具体的，多种预设数据类型包括以下至少一种：阿尔法波数据、伪差波数据、其他类型波数据。

其中，卷积神经网络模型是预先被训练的、用于识别多种预设数据类型的脑电信号的模型。在对卷积神经网络模型进行训练时，可以包括：获取多个脑电信号，多个脑电信号对应于多种预设数据类型；此时，多种预设数据类型包括：阿尔法波数据、伪差波数据、其他类型波数据。而后，对多个脑电信号进行有监督训练，即可以获得用于识别脑电信号的数据类型的卷积神经网络模型。

具体的，在利用卷积神经网络识别多个数据片段各自对应的数据类型时，可以每个数据片段对应预设类型数据的概率信息；而后将概率信息最大的预设类型信息确定数据片段所对应的数据类型。举例来说：预设类型数据包括阿尔法波数据、伪差波数据和其他类型波数据，对于一个数据片段而言，为阿尔法波数据的概率L1为70％，为伪差波数据的概率L2为10％，为其他类型波数据的概率L3的概率为20％，其中，L1+L2+L3＝1；通过比较可知，上述三个概率之间的关系为L1>L3>L2，因此，则确定该数据片段的数据类型为阿尔法波数据。

在一些实例中，在识别多个数据片段各自对应的数据类型之后，可以基于多个数据片段各自对应的数据类型，将多个数据片段添加上类型标记信息。举例来说：脑电信号长度为10s，滑窗长度为2s，窗口重叠率为50％，即重叠1s，此时，整个脑电信号可以划分为9个数据片段，在卷积神经网络模型，识别多个数据片段各自对应的数据类型之后，假定：阿尔法波数据标记为0，伪差波数据标记为1，其他类型波数据标记为2，此时，则可以获取到与9个数据片段相对应的类型标记序列为1，2，0，0，0，1，1，1，2。

S204：在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

其中，在获取到多个数据片段各自对应的数据类型之后，可以基于多个数据片段各自对应的数据类型，在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据，两个连续的数据片段是指相邻的两个数据片段，非伪差数据可以包括阿尔法波类型数据和其他类型波数据；为了便于说明，可以将至少两个连续的第一类型数据称为目标数据。

举例来说，阿尔法波数据标识为0，伪差波数据标识为1，其他类型波数据标识为2，将脑电信号划分为多个数据片段，依次为片段a、片段b、片段c、片段d、片段e和片段f，如图3所示，若上述数据片段各自对应的数据类型依次为：0、1、2、0、1、0，通过上述数据片段各自对应的数据类型，可以确定目标数据为两个连续的片段c和片段d。如图4所示，若上述数据片段各自对应的数据类型依次为：1、0、2、0、1、2时，通过上述数据片段各自对应的数据类型，可以确定目标数据为三个连续的片段b、片段c和片段d。

本实施例提供的脑部生理数据的处理方法，通过获取脑部生理数据，将所述脑部生理数据划分为多个数据片段，识别所述多个数据片段各自对应的数据类型，而后基于多个数据片段各自对应的数据类型在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据，从而有效地实现了对正常有用的脑部生理数据进行的提取操作，并且，所提取出的脑部生理数据已经过滤掉大部分无重要意义的数据片段，即去除了脑部生理数据中的伪差部分，这样不仅保证了脑部生理数据的质量，并且也提高了对脑部生理数据进行分析的准确率和效率。

图5为本申请另一示例性实施例提供的脑部生理数据的处理方法的流程示意图。在上述实施例的基础上，继续参考附图5所示，本实施例中的方法包括：

S501：获取所述至少两个连续的第一类型数据在所述脑部生理数据中的数据位置。

S502：获取确定与所述至少两个连续的第一类型数据各自相对应的导联位置。

S503：对所述数据位置、导联位置与所述至少两个连续的第一类型数据进行关联存储。

具体的，一个脑电信号中可以包括一个或多个目标数据，每个目标数据中即为至少两个连续的第一类型数据，为了便于对至少两个连续的第一类型数据进行提取操作，可以先获取至少两个连续的第一类型数据在脑电信号中的位置信息；在一些实例中，获取至少两个连续的第一类型数据在脑电信号中的数据位置可以包括：获取脑电信号的数据长度；基于数据长度、滑窗长度和窗口重叠率，确定至少两个连续的第一类型数据在脑电信号中的数据位置。

需要注意的是，在识别出脑电信号中包括的至少两个连续的第一类型数据之后，由于相邻窗口之间存在窗口重叠率，也即，一个数据片段中会包含前一数据片段中的部分数据和后一数据片段中的部分数据，因此，对于至少两个连续的第一类型数据中的首个数据片段而言，需要去除所包含的前一数据片段中伪差波数据；同理的，对于至少两个连续的第一类型数据中的末尾数据片段而言，也需要去除所包含后一数据片段中的伪差波数据，而后即可以获取至少两个连续的第一类型数据在脑电信号中的数据位置。

举例来说，假定阿尔法波数据标识为0，伪差波数据标识为1，其他类型波数据标识为2；脑电信号的长度为10s、滑窗长度为2s，窗口重叠率为50％，即重叠1s，此时，整个脑电信号可以划分为9个数据片段，9个数据片段相对应的类型标记序列为(1、2、0、0、0、1、1、1、2)，9个数据判断在脑电信号中的位置分别为第1-2s、第2-3s、第3-4s、第4-5s、第5-6s、第6-7s、第7-8s、第8-9s、第9-10s。

通过对上述9个数据片段各自对应的数据类型，可以确定至少两个连续的第一类型数据为(2，0，0，0)，针对上述确定的至少两个连续的第一类型数据，去除首个数据片段和末尾数据片段所包括的伪差波数据，则可以确定在整个10s的脑电信号中，第3-5s所对应的数据片段为至少两个连续的第一类型数据，即获取到至少两个连续的第一类型数据在脑电信号中的数据位置。

另外，在获取至少两个连续的第一类型数据时，还需要获取确定与至少两个连续的第一类型数据各自相对应的导联位置，其中，导联是指记录脑电信号时，探测电极在人体的放置位置及探测电极与放大器的连接方式。可以理解的是，一个探测电极可以对应有一个导联位置，多个探测电极对应有多个不同的导联位置。

具体的，在获取脑电信号时，脑电信号中即包括有导联标识信息，通过导联标识信息即可以确定导联位置，例如：在确定至少两个连续的第一类型数据之后，获取到至少两个连续的第一类型数据所对应的导联标识信息为F1和F3，此时，则可以通过导联标识信息确定与至少两个连续的第一类型数据各自相对应的导联位置为F1导联和F3导联。

在获取到基于数据位置和导联位置之后，即可以在脑电信号中，确定唯一的至少两个连续的第一类型数据，从而实现了对目标数据中包括的至少两个连续的第一类型数据进行确定的准确可靠性。

在一些实例中，获取到至少两个连续的第一类型数据的数据位置和导联位置之后，可以对至少两个连续的第一类型数据的数据位置、导联位置与所述至少两个连续的第一类型数据进行关联存储，例如：可以将至少两个连续的第一类型数据的数据位置和导联位置写入预设文件。在需要读取/查找/查看/提取相应的数据片段时，可以通过所存储的数据位置和导联位置直接定位到至少两个连续的第一类型数据，从而实现了对脑电信号中至少两个连续的第一类型数据的读取和提取操作。

图6为本申请又一示例性实施例的脑部生理数据的处理方法的流程示意图。在上述实施例的基础上，参考附图6所示，在至少两个连续的第一类型数据中包括数据类型为阿尔法波数据的数据片段时，本实施例中的方法还可以包括：

S601：确定数据类型为阿尔法波数据的数据片段在至少两个连续的第一类型数据中的占比。

S602：在占比小于预设阈值时，则对至少两个连续的第一类型数据进行修正。

其中，在至少两个连续的第一类型数据中包括数据类型为阿尔法波数据的数据片段(以下简称“特定数据片段”)时，可以获取特定数据片段在至少两个连续的第一类型数据中的占比，举例来说，假定阿尔法波数据标识为0，伪差波数据标识为1，其他类型波数据标识为2；在至少两个连续的第一类型数据为2，0，0，0时，则可以确定特定数据片段在至少两个连续的第一类型数据中的占比为3/4＝75％；在至少两个连续的第一类型数据为2、0时，则可以确定特定数据片段在至少两个连续的第一类型数据中的占比为1/2＝50％。

在获取到占比之后，可以将占比与预设阈值进行分析比较，其中，预设阈值为至少两个连续的第一类型数据中包括特定数据片段的最小限值，在不同的应用场景中，预设阈值的数据范围可以不同，例如：预设阈值可以为50％、60％或者70％等等。在将占比与预设阈值进行分析比较时，若占比大于或等于预设阈值，则说明此时的至少两个连续的第一类型数据中包括的特定数据片段满足预设要求。若占比小于预设阈值，则说明此时的至少两个连续的第一类型数据中包括的特定数据片段比较少，此时，可以对至少两个连续的第一类型数据进行修正。

具体的，本实施例对于实现对至少两个连续的第一类型数据进行修正的具体方式不做限定，本领域技术人员可以根据具体的应用场景和设计需求进行设置，在一些实例中，对至少两个连续的第一类型数据进行修正可以包括：获取至少两个连续的第一类型数据中首个数据片段的类型数据；在首个数据片段的类型数据为其他类型波数据时，删除首个数据片段。

举例来说，假定预设阈值为60％，在至少两个连续的第一类型数据为2、0、2、0时，此时，特定数据片段在至少两个连续的第一类型数据中的占比为2/4＝50％，由于50％<60％，则可以对上述的至少两个连续的第一类型数据进行修正。具体的，可以识别至少两个连续的第一类型数据中的首个数据片段的数据类型，识别的结果为首个数据片段的数据类型为2，即首个数据片段的数据类型为其他类型波数据，此时，则可以将的至少两个连续的第一类型数据中的首个数据片段删除，从而获得修正后的数据片段为0、2、0，此时，特定数据片段在至少两个连续的第一类型数据中的占比为2/3＝66.67％，占比66.67％>60％，此时的至少两个连续的第一类型数据满足预设要求。

在另一些实例中，对至少两个连续的第一类型数据进行修正可以包括：获取至少两个连续的第一类型数据中末位数据片段的类型数据；在末位数据片段的类型数据为其他类型波数据时，删除末位数据片段。

举例来说，假定预设阈值为60％，在至少两个连续的第一类型数据为0、2、0、2时，此时，特定数据片段在至少两个连续的第一类型数据中的占比为2/4＝50％，由于50％<60％，则可以对上述的至少两个连续的第一类型数据进行修正，具体的，可以识别至少两个连续的第一类型数据中的末位数据片段的数据类型，识别的结果为末位数据片段的数据类型为2，即末位数据片段的数据类型为其他类型波数据，此时，则可以将的至少两个连续的第一类型数据中的末位数据片段删除，从而获得修正后的数据片段为0、2、0，此时，特定数据片段在至少两个连续的第一类型数据中的占比为2/3＝66.67％，占比66.67％>60％，此时的至少两个连续的第一类型数据满足预设要求。

可以理解的是，对至少两个连续的第一类型数据进行修正的实现方式并不限于上述举例说明，本领域技术人员还可以采用其他的方式来实现，例如，可以同时对至少两个连续的第一类型数据中的首位数据片段和末位数据片段的数据类型进行识别，在首位数据片段和末位数据片段的数据类型均为其他类型波数据时，可以同时删除首位数据片段和末位数据片段。或者，还可以直接识别至少两个连续的第一类型数据中包括的其他类型波数据的数据片段，在相邻的至少两个数据片段均为其他类型波数据时，则可以删除其中任意一个或几个数据片段等等。当然的，本领域技术人员还可以采用其他的实现方式，只要能够使得特定数据片段在至少两个连续的第一类型数据中的占比满足预设要求即可，在此不再赘述。

本实施例中，通过确定数据类型为阿尔法波数据的数据片段在至少两个连续的第一类型数据中的占比，在占比小于预设阈值时，则对至少两个连续的第一类型数据进行修正，有效地保证了数据类型为阿尔法波数据的数据片段在至少两个连续的第一类型数据中的占比，进一步提高了对脑部生理数据进行分析处理的准确可靠性。

图7为本申请一示例性实施例的模型训练方法的流程示意图。本申请实施例提供的模型训练方法700可以由模型训练装置来执行，可以理解的是，该模型训练装置可以实现为软件、或者软件和硬件的组合，具体应用时，该模型训练装置可以设置于服务器102中。具体的，该模型训练方法700包括以下步骤：

S701：获取多个脑部生理数据，多个脑部生理数据对应于多种预设数据类型。

S702：对多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

以下针对上述步骤进行详细阐述：

S701：获取多个脑部生理数据，多个脑部生理数据对应于多种预设数据类型。

其中，获取的多个脑电信号对应于多种预设数据类型，多种预设数据类型包括：阿尔法波数据、伪差波数据、其他类型波数据。为了便于对脑电信号进行监督训练，在一次训练的过程中，多个脑电信号的长度可以是固定不变的，而脑电信号的具体长度可以根据模型训练的反馈信息而进行调整，并且，在获取多个脑电信号时，本实施例对应获取多个脑电信号的信号采样率和导联数量均不做限定，并且，对于所获取到的多个脑电信号的数据格式不做限定，例如，EEG数据格式包括但不限于eeg格式、fif格式、edf格式等。

在一些实例中，为了提高模型训练的质量和效果，获取多个脑电信号可以包括：获取脑电采集设备采集的所有通道的脑电信号；对每个通道的脑电信号进行滤波处理，获得多个脑电信号。

具体的，在模型训练装置获取到脑电采集设备采集的所有通道的脑电信号之后，可以对每个通道的脑电信号进行滤波处理，具体实现时，可以将所有通道的脑电信号输入至滤波器中，利用滤波器对每个通道的脑电信号进行独立的带通滤波处理操作，从而可以获取到经过滤波处理后的多个脑电信号。

S702：对多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

在获取到多个脑电信号之后，可以对多个脑电信号进行监督训练，具体实现时，可以将多个脑电信号以及所对应的多种预设数据类型输入至卷积神经网络(ConvolutionalNeural Networks,简称CNN)中进行学习训练，其中，CNN网络层数不做限定，从而可以获得用于识别脑电信号的数据类型的分类模型。

在一些实施例中，本实施例中的方法还可以包括：获取分类模型针对目标数据类型的脑电信号的识别准确率，目标数据类型包含在多种预设数据类型之中；在识别准确率小于预设阈值时，生成用于识别目标数据类型的脑电信号的子模型。

在获取到用于识别脑电信号的数据类型的分类模型之后，则可以利用分类模型对脑电信号进行分析识别，此时，可以获取分类模型针对脑电信号进行分析识别的识别准确率，并可以根据识别准确率来判断是否对分类模型进行优化操作。

举例来说，假定预设数据类型之中包括目标数据类型，在利用分类模型对目标数据类型的脑电信号进行分析识别时，可以获取识别准确率，而后将识别准确率与预设阈值进行分析比较，在识别准确率大于或等于预设阈值时，则说明分类模型对目标数据类型的脑电信号进行分析识别的准确率较高。在识别准确率小于预设阈值时，则说明分类模型对目标数据类型的脑电信号进行分析识别的准确率较低，此时，为了能够保证对目标数据类型的脑电信号进行分析识别，可以生成用于识别目标数据类型的脑电信号的子模型。

在一些实施例中，生成用于识别目标数据类型的脑电信号的子模型可以包括：将目标数据类型的脑电信号作为正样本，将非目标数据类型的脑电信号作为负样本，训练用于识别目标数据类型的脑电信号的子模型。

可以理解的是，子模型的数量可以为一个或多个，并且，子模型可以集成在分类模型中，在对脑电信号进行分析识别时，可以先利用子模型对脑电信号进行分析识别，而后再利用分类模型对脑电信号进行分析识别，这样有效地提高了对脑电信号的数据类型进行识别的准确率。

本实施例提供的模型训练方法，通过获取多个脑部生理数据，所获取的多个脑部生理数据对应于多种预设数据类型，而后对所述多个脑部生理数据进行有监督训练，从而可以准确、有效地获得用于识别脑部生理数据的数据类型的分类模型，并且，在获得分类模型之后，可以利用分类模型识别脑部生理数据的数据类型，进而提高了该方法的实用性。

图8为本申请一示例性实施例的脑部生理数据的处理装置的结构示意图。参考附图8所示，本实施例提供了一种脑部生理数据的处理装置800，其中，脑部生理数据可以包括：脑电信号、脑血流量、颅内压等等，其中，脑电信号是指在记录大脑活动时所获得的电信号；脑血流量是指单位时间内血液通过脑血管某横截面积的流量；颅内压是指颅腔内脑脊液的压力。具体的，在脑电生理数据包括脑电信号时，该装置800可以应用于脑电采集设备中，该装置800包括第一获取模块801、划分模块802、识别模块803以及确定模块804，以下针对各个模块的功能进行详细的阐述：

第一获取模块801，用于获取脑部生理数据；

第一划分模块802，用于将脑部生理数据划分为多个数据片段；

第一识别模块803，用于识别多个数据片段各自对应的数据类型；

第一确定模块804，用于在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

在一些实例中，在第一划分模块802将脑部生理数据划分为多个数据片段时，该第一划分模块802用于：获取滑窗长度以及相邻窗口之间的窗口重叠率；基于滑窗长度和窗口重叠率，利用滑窗算法将脑部生理数据划分为多个数据片段。

在一些实例中，在第一识别模块803识别多个数据片段各自对应的数据类型时，该第一识别模块803用于：根据卷积神经网络模型，识别多个数据片段各自对应的数据类型；其中，卷积神经网络模型被训练用于识别多种预设数据类型的脑部生理数据。

在一些实例中，多种预设数据类型包括以下至少一种：阿尔法波数据、伪差波数据、其他类型波数据。

在一些实例中，第一确定模块804可以用于：获取至少两个连续的第一类型数据在脑部生理数据中的数据位置；获取确定与至少两个连续的第一类型数据各自相对应的导联位置；对所述数据位置、导联位置与所述至少两个连续的第一类型数据进行关联存储。

在一些实例中，在第一确定模块804获取至少两个连续的第一类型数据在脑部生理数据中的数据位置时，该第一确定模块804可以用于：获取脑部生理数据的数据长度；基于数据长度、滑窗长度和窗口重叠率，确定至少两个连续的第一类型数据在脑部生理数据中的数据位置。

在一些实例中，至少两个连续的第一类型数据中包括数据类型为阿尔法波数据的数据片段，本实施例中的第一确定模块804还用于：确定数据类型为阿尔法波数据的数据片段在至少两个连续的第一类型数据中的占比；在占比小于预设阈值时，则对至少两个连续的第一类型数据进行修正。

在一些实例中，在第一确定模块804对至少两个连续的第一类型数据进行修正时，该第一确定模块804可以用于执行：获取至少两个连续的第一类型数据中首个数据片段的类型数据；在首个数据片段的类型数据为其他类型波数据时，删除首个数据片段。

在一些实例中，在第一确定模块804对至少两个连续的第一类型数据进行修正时，该第一确定模块804可以用于执行：获取至少两个连续的第一类型数据中末位数据片段的类型数据；在末位数据片段的类型数据为其他类型波数据时，删除末位数据片段。

在一些实例中，在第一获取模块801获取脑部生理数据时，该第一获取模块801可以用于：获取脑电采集设备采集的所有通道的脑部生理数据；对每个通道的脑部生理数据进行滤波处理，获得脑部生理数据。

图8所示装置可以执行图1-图6所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图6所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图8所示脑部生理数据的处理装置的结构可实现为一电子设备，该电子设备可以是脑电采集设备、服务器等各种设备。如图9所示，该电子设备可以包括：处理器901和存储器902。其中，存储器902用于存储相对应电子设备执行上述图1-图6所示实施例中提供的脑部生理数据的处理方法的程序，处理器901被配置为用于执行存储器902中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器901执行时能够实现如下步骤：

获取脑部生理数据；

将脑部生理数据划分为多个数据片段；

识别多个数据片段各自对应的数据类型；

在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

进一步的，处理器91还用于执行前述图1-图6所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括通信接口903，用于电子设备与其他设备或通信网络通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图1-图6所示方法实施例中脑部生理数据的处理方法所涉及的程序。

图10为本申请一示例性实施例的模型训练装置的结构示意图。参考附图10所示，本实施例提供了一种模型训练装置1000，该模型训练装置100可以应用于服务器中，该模型训练装置1000可以包括：第二获取模块1001和训练模块1002，以下针对各个模块的功能进行详细的阐述：

第二获取模块1001，用于获取多个脑部生理数据，多个脑部生理数据对应于多种预设数据类型。

训练模块1002，用于对多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

在一些实例中，多种预设数据类型包括以下至少一种：阿尔法波数据、伪差波数据、其他类型波数据。

在一些实例中，在第二获取模块1001获取多个脑部生理数据时，该第二获取模块1001可以用于执行：获取脑电采集设备采集的所有通道的脑部生理数据；对每个通道的脑部生理数据进行滤波处理，获得多个脑部生理数据。

在一些实例中，第二获取模块1001和训练模块1002还可以用于执行以下步骤：

第二获取模块1001，用于获取分类模型针对目标数据类型的脑部生理数据的识别准确率，目标数据类型包含在多种预设数据类型之中。

训练模块1002，用于在识别准确率小于预设阈值时，生成用于识别目标数据类型的脑部生理数据的子模型。

在一些实例中，在训练模块1002生成用于识别目标数据类型的脑部生理数据的子模型时，该训练模块1002可以用于执行：将目标数据类型的脑部生理数据作为正样本，将非目标数据类型的脑部生理数据作为负样本，训练用于识别目标数据类型的脑部生理数据的子模型。

图10所示装置可以执行图7所示实施例的方法，本实施例未详细描述的部分，可参考对图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图7所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图10所示模型训练装置的结构可实现为一电子设备，该电子设备可以是手机、终端设备、服务器等各种设备。如图11所示，该电子设备可以包括：处理器1101和存储器1102。其中，存储器1102用于存储相对应电子设备执行上述图7所示实施例中提供的模型训练方法的程序，处理器1101被配置为用于执行存储器1102中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器1101执行时能够实现如下步骤：

获取多个脑部生理数据，多个脑部生理数据对应于多种预设数据类型；

对多个脑部生理数据进行有监督训练，以获得用于识别脑部生理数据的数据类型的分类模型。

进一步的，处理器1101还用于执行前述图7所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括通信接口1103，用于电子设备与其他设备或通信网络通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图7所示方法实施例中模型训练方法所涉及的程序。

图12为本申请一示例性实施例的数据的处理方法的流程示意图。参考附图12所示，本实施例提供了一种数据的处理方法1200，该数据的处理方法1200可以由获取到待处理数据的服务器执行。具体的，该方法1200可以包括：

S1201：获取待处理数据。

S1202：将所述待处理数据划分为多个数据片段。

S1203：识别所述多个数据片段各自对应的数据类型。

S1204：在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

在一些实例中，所述待处理数据包括以下至少一种类型：脑部生理数据、心电信号、胃电信号。具体的，在待处理数据包括心电信号时，本实施例即提供了一种心电信号的处理方法，其具体的实现过程、实现原理和实现效果与上述的脑部生理数据的处理方法的实现过程、实现原理和实现效果相类似，具体可参考上述陈述内容，在此不再赘述。同理的，在待处理数据包括胃电信号时，本实施例即提供了一种胃电信号的处理方法，其具体的实现过程、实现原理和实现效果与上述的脑部生理数据的处理方法的实现过程、实现原理和实现效果相类似，具体可参考上述陈述内容，在此不再赘述。

可以理解的是，本实施例中的待处理数据并不限于上述所举例的数据，还可以包括其他类型的数据，本领域技术人员可以根据具体的应用需求和设计需求进行任意设置，只要能够实现去除待处理数据中包括的伪差数据，获得与待处理数据相对应的目标数据即可，在此不再赘述。

需要注意的是，本实施例中的方法还可以包括上述图1-图6所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图6所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图6所示实施例中的描述，在此不再赘述。

图13为本申请一示例性实施例的数据的处理装置的结构示意图。参考附图13所示，本实施例提供了一种数据的处理装置1300，该数据的处理装置1300可以应用于服务器中，具体的，该处理装置1300可以包括：第三获取模块1301、第三划分模块1302、第三识别模块1303和第三确定模块1304，以下针对各个模块的功能进行详细的阐述：

第三获取模块1301，用于获取待处理数据；

第三划分模块1302，用于将所述待处理数据划分为多个数据片段；

第三识别模块1303，用于识别所述多个数据片段各自对应的数据类型；

第三确定模块1304，用于在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

在一些实例中，所述待处理数据包括以下至少一种类型：脑电信号、心电信号、胃电信号。

图13所示装置可以执行图12所示实施例的方法，本实施例未详细描述的部分，可参考对图12所示实施例的相关说明。该技术方案的执行过程和技术效果参见图12所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图13所示数据的处理装置的结构可实现为一电子设备，该电子设备可以是手机、终端设备、服务器等各种设备。如图14所示，该电子设备可以包括：处理器1401和存储器1402。其中，存储器1402用于存储相对应电子设备执行上述图12所示实施例中提供的数据的处理方法的程序，处理器1401被配置为用于执行存储器1402中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被处理器1401执行时能够实现如下步骤：

获取待处理数据。

将所述待处理数据划分为多个数据片段。

识别所述多个数据片段各自对应的数据类型。

在所述多个数据片段中，确定至少两个连续的第一类型数据，所述第一类型数据为非伪差数据。

进一步的，处理器1401还用于执行前述图12所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括通信接口1403，用于电子设备与其他设备或通信网络通信。

此外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图12所示方法实施例中数据的处理方法所涉及的程序。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如201、202、203等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程多媒体数据计算设备的处理器以产生一个机器，使得通过计算机或其他可编程多媒体数据计算设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程多媒体数据计算设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程多媒体数据计算设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

最后应说明的是：以上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精神和范围。