腭咽部手术疗效的预测方法及装置

技术领域

本申请涉及手术疗效预测技术领域，特别涉及一种腭咽部手术疗效的预测方法及装置。

背景技术

当前包括悬雍垂腭咽成形术(Uvulo Palato Pharyngo Plasty，UPPP)及其各种改良术式 在内的腭咽部手术是治疗阻塞性睡眠呼吸暂停(Obstructive Sleep Apnea，OSA)的主流手 术方式，但成功率仅为40％。UPPP手术成功的定义为术后呼吸暂停低通气指数(Apnea Hypopnea Index，AHI)小于术前AHI的50％且术后AHI小于20。Friedman等人建立了一 个以身体质量指数、舌位和扁桃体大小三种预测因子为基础的手术疗效评分系统。该系统 简单实用，被国内外广泛采用。针对UPPP手术有效率Friedman的分型结果为：I型为80％、 II型为38％、III型仅为8.0％。但是这个分级系统的一个局限之处在于其并未纳入除专科 体检数据以外的其他检查数据，因此对手术疗效的预测造成较大的误差。

在Friedman分级系统的基础上，叶京英等人建立了一个以扁桃体大小、下颌骨下缘距 舌骨下缘的垂直距离(MH)和最低血氧饱和度三个预测因子为基础的TCM评分系统。依据此评分系统对每例患者评分，公式为：总分＝2.7×扁桃体(评分)+2.2×CT90(评分)+1.6×HM (评分)。评分为＜14分、14-17分、17-22分、≥22分的患者有效率分别为100％，76.3％、 48.1％以及10％。该系统的不足之处是对于总分大于17分的患者没有提供重要的预测价值。

以上两个预测系统均是预测手术成功与否，而无法准确预测患者术后AHI，不能为医 生提供更加精准的决策信息。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一目的在于提出一种腭咽部手术疗效的预测方法，解决了相关技术 中选择的预测因子不全面且均是评分系统，预测结果仅能提供患者在一定评分内的单一有 效率，无法针对患者进行个体化预测的问题。

本申请的第二个目的在于提出一种腭咽部手术疗效的预测装置。

本申请的第三个目的在于提出一种电子设备。

本申请的第四个目的在于提出一种非临时性计算机可读存储介质。

为达到上述目的，本申请第一方面实施例提供一种腭咽部手术疗效的预测方法，包括 以下步骤：获取患者术前的专科体检数据、睡眠监测数据与影像学检查数据；从所述专科 体检数据、所述睡眠监测数据与所述影像学检查数据中提取专科体检特征、睡眠监测特征 与影像学检查特征；将所述专科体检特征、所述睡眠监测特征与所述影像学检查特征输入 至预先训练的XGBoost预测模型，得到腭咽部手术疗效的预测结果。

可选地，在本申请的一个实施例中，在将所述专科体检特征、所述睡眠监测特征与所 述影像学检查特征输入至所述预先训练的XGBoost预测模型之前，还包括：基于XGBoost算法，利用训练数据集中的专科体检特征、睡眠监测特征与影像学检查特征进行模型训练，确定XGBoost预测模型的模型参数；通过均方根误差得到所述模型的性能评价结果，并根据所述性能评价结果调整所述模型的参数，直至所述均方根误差小于或等于预设阈值，得到所述预先训练的XGBoost预测模型。

可选地，在本申请的一个实施例中，在提取所述专科体检特征、所述睡眠监测特征与 所述影像学检查特征之后，还包括：对所述专科体检特征、所述睡眠监测特征与所述影像 学检查特征进行预处理，筛选出满足预测条件的专科体检特征、睡眠监测特征与影像学检 查特征。

可选地，在本申请的一个实施例中，所述预测条件为数据置信度大于预设阈值，且在 筛选出满足所述预测条件的专科体检特征、睡眠监测特征与影像学检查特征之后，还包括： 对满足预设类别的特征进行独热编码处理。

可选地，在本申请的一个实施例中，所述专科体检特征包括性别、年龄、身体质量指 数、颈围、扁桃体大小、Friedman舌位分型中的一项或多项；所述睡眠监测特征包括呼吸暂停低通气指数、仰卧位呼吸暂停低通气指数、REM期呼吸暂停低通气指数、NREM期呼 吸暂停低通气指数、最低血氧饱和度、血氧饱和度小于90％的时间比例中的一项或多项； 所述影像学检查特征包括气道长度特征和舌骨距下颌骨垂直距离特征中的至少一项。

为达到上述目的，本申请第二方面实施例提供一种腭咽部手术疗效的预测装置，包括： 数据采集模块，用于获取患者术前的专科体检数据、睡眠监测数据与影像学检查数据；特 征提取模块，用于从所述专科体检数据、所述睡眠监测数据与所述影像学检查数据中提取 专科体检特征、睡眠监测特征与影像学检查特征；手术疗效模型预测模块，用于将所述专 科体检特征、所述睡眠监测特征与所述影像学检查特征输入至预先训练的XGBoost预测模 型，得到腭咽部手术疗效的预测结果。

可选地，在本申请的一个实施例中，还包括：训练模块，用于基于XGBoost算法，利用训练数据集中的专科体检特征、睡眠监测特征与影像学检查特征进行模型训练，确定XGBoost预测模型的模型参数；手术疗效模型建模模块，用于通过均方根误差得到所述模型的性能评价结果，并根据所述性能评价结果调整所述模型的参数，直至所述均方根误差小于或等于预设阈值，得到所述预先训练的XGBoost预测模型。

可选地，在本申请的一个实施例中，还包括：数据预处理模块，用于对所述专科体检 特征、所述睡眠监测特征与所述影像学检查特征进行预处理，筛选出满足预测条件的专科 体检特征、睡眠监测特征与影像学检查特征。

为达到上述目的，本申请第三方面实施例提供一种电子设备，包括：至少一个处理器； 以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少 一个处理器执行的指令，所述指令被设置为用于执行如上述实施例所述的腭咽部手术疗效 的预测方法。

为达到上述目的，本申请第四方面实施例提供一种非临时性计算机可读存储介质，所 述非临时性计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行 如上述实施例所述的腭咽部手术疗效的预测方法。

本申请实施例的腭咽部手术疗效的预测方法及装置，以患者术前的专科体检特征、睡 眠监测特征、影像学检查特征为依据，通过XGBoost模型对术后呼吸暂停低通气指数进行 预测，有助于筛选患者，有效提高手术成功率，为患者提供个性化诊疗，直接预测患者术 后AHI，量化手术疗效，从根本上反应手术疗效等信息。解决了相关技术中选择的预测因子不全面且均是评分系统，预测结果仅能提供患者在一定评分内的单一有效率，无法针对患者进行个体化预测的问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解，其中：

图1为根据本申请实施例提供的一种腭咽部手术疗效的预测方法的流程图；

图2为根据本申请实施例的提供的一种气道长度特征和舌骨距下颌骨垂直距离特征示 意图；

图3为根据本申请实施例提供的一种具体地腭咽部手术疗效的预测方法流程图；

图4为根据本申请实施例的提供的一种五种模型不同数据中的5折交叉验证的均方根 误差结果图；

图5为根据本申请实施例的腭咽部手术疗效的预测装置的示例图；

图6为根据本申请实施例的提供的一种具体地腭咽部手术疗效的预测装置示意图；

图7为本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参照附图描述根据本申请实施例提出的腭咽部手术疗效的预测及装置。

首先将参照附图描述根据本申请实施例提出的腭咽部手术疗效的预测。

具体而言，图1为根据本申请实施例提供的一种腭咽部手术疗效的预测方法的流程图。

如图1所示，该腭咽部手术疗效的预测包括以下步骤：

在步骤S101中，获取患者术前的专科体检数据、睡眠监测数据与影像学检查数据。

可选地，在本申请的一个实施例中，在提取专科体检特征、睡眠监测特征与影像学检 查特征之后，还包括：对专科体检特征、睡眠监测特征与影像学检查特征进行预处理，筛选出满足预测条件的专科体检特征、睡眠监测特征与影像学检查特征。

可选地，在本申请的一个实施例中，预测条件为数据置信度大于预设阈值，且在筛选 出满足预测条件的专科体检特征、睡眠监测特征与影像学检查特征之后，还包括：对满足 预设类别的特征进行独热编码处理。

具体地，对所采集的数据进行预处理，包括剔除异常数据，对性别等分类变量进行独 热编码处理。

利用莱茵达准则(3σ准则)对手术成功和失败两个类别的数据进行判断，将超过置信 度99％的数据作为异常剔除。即数据均值为μ，标准差为σ，正常数据分布在(μ-3σ，μ+3σ)， 超出(μ-3σ，μ+3σ)区间范围的数据作为异常数据。

性别男对应向量[0,1],性别女对应向量[1,0]。

在步骤S102中，从专科体检数据、睡眠监测数据与影像学检查数据中提取专科体检特 征、睡眠监测特征与影像学检查特征。

可选地，在本申请的一个实施例中，专科体检特征包括性别、年龄、身体质量指数(BMI)、颈围、扁桃体大小、Friedman舌位分型中的一项或多项；睡眠监测特征包括呼吸 暂停低通气指数AHI、仰卧位呼吸暂停低通气指数、REM期呼吸暂停低通气指数、NREM 期呼吸暂停低通气指数、最低血氧饱和度(LSaO2)、血氧饱和度小于90％的时间比例(CT90) 中的一项或多项；影像学检查特征包括气道长度特征和舌骨距下颌骨垂直距离特征中的至 少一项。

对影像学检查数据进行特征提取，在上气道水平面CT影像中，提取腭后区(鼻棘点至 腭垂尖点)最小截面积特征和舌后区(以腭垂尖点至会厌尖)最小截面积特征。在上气道正中矢状位CT影像，根据图2所示提取气道长度特征和舌骨距下颌骨垂直距离(MH)特 征。

可选地，在本申请的一个实施例中，在将专科体检特征、睡眠监测特征与影像学检查 特征输入至预先训练的XGBoost预测模型之前，还包括：基于XGBoost算法，利用训练数据集专科体检特征、睡眠监测特征与影像学检查特征进行模型训练，确定XGBoost预测模型的模型参数；通过均方根误差得到模型的性能评价结果，并根据性能评价结果调整模型的参数，直至均方根误差小于或等于预设阈值，得到预先训练的XGBoost预测模型。

具体地，结合图3所示，基于XGBoost算法，对数据预处理后的数据进行模型训练，确定模型参数，通过均方根误差RMSE对回归预测模型的性能进行评价，并根据评价结果 对回归预测模型进一步调整。

均方根误差RMSE的计算公式为：

其中，N代表输入样本总例数，prediction

RMSE用来衡量预测值与真实值之间的偏差，RMSE越接近于0表示模型的预测精度越高。当均方根误差RMSE大于设定阈值时，则需要对XGBoost预测模型中的参数进一步 调整。

具体地，本申请的实施例采用XGBoost算法对术后AHI进行回归预测，对训练数据进 行模型训练，确定模型参数。

XGBoost是2016年由陈天奇和Guestrin提出的用于树增强算法的可扩展机器学习系 统，在各领域的数据挖掘和机器学习中被广泛认可，其运行速度是传统机器学习方法(支 持向量机、K近邻算法)的10倍以上。传统的Boosting树模型只使用一阶导数信息，而XGBoost使用二阶导数信息。XGBoost对损失函数进行二阶Taylor展开，可以自动使用 CPU的多线程进行并行计算。此外，XGBoost使用了多种方法来避免过度拟合。下面简 要介绍XGBoost算法。

首先是多个树模型相加，输入变量为x

目标函数是：

其中，l是损失函数，代表真实值与预测值之间的误差。Ω是用来防止过拟合的正则化 函数。

这里T代表每棵树叶子的数量，ω代表叶子的权重，最佳值为：

因为在实践中，很难计算所有可能的树结构，所以使用以下公式：

这里，I＝I

实验中，可以对以下参数进行调整，使模型表现出最佳性能：

(1)迭代次数(n_estimators)

迭代次数过小容易出现欠拟合，模型性能不佳，然而，迭代次数过大容易出现过拟合

(2)最小叶节点的样本权重之和(min_child_weight)

用来防止过拟合。

(3)最大深度(max_depth)

树的深度越大，树模型越复杂，拟合能力越强，但同时模型更容易过拟合。

(4)特征采样率(colsamole_bytree)

用来控制每棵树(每列是一个特征)随机采样的列数的占比。

(5)学习率(learning_rate)

学习率在大多数算法中是一个非常重要的参数，极大地影响模型的性能。可以减少每 一步的重量，使模型更加强壮。

(6)样本平衡系数(scale_pos_weight)

当样本非常不平衡时，该系数为负样本/正样本。

(7)Gamma(γ)

当最小损失函数下降至Gamma，节点开始分裂。

通过均方根误差RMSE对回归预测模型的性能进行评价，并根据评价结果对回归预测 模型进一步调整。

均方根误差RMSE的计算公式为：

其中，N代表输入样本总例数，prediction

RMSE用来衡量预测值与真实值之间的偏差，RMSE越接近于0表示模型的预测精度越高。当均方根误差RMSE大于设定阈值时，则需要对XGBoost预测模型中的参数进一步 调整。

针对本实例设置模型参数分别为：迭代100次，最小叶节点的样本权重之和为1，最大 深度为7，学习率为0.1，特征采样率为1，样本平衡系数为1，Gamma为0。此时模型预 测效果最佳。

在步骤S103中，将专科体检特征、睡眠监测特征与影像学检查特征输入至预先训练的 XGBoost预测模型，得到腭咽部手术疗效的预测结果。

通过使用本申请，可以实现以下效果：以患者术前的专科体检、睡眠监测、影像学检 查数据为依据，通过XGBoost预测模型对术后AHI进行预测，给出手术能否成功的结论。

实验选取了在回归问题预测中常用的模型作为对照：人工神经网络(ANN)、最近邻算 法(KNN)、支持向量回归算法(SVR)、决策树(CART)、同本申请的算法(XGBoost)进行预测性能对比。

图4是五种模型不同数据中的5折交叉验证的均方根误差。五种方法的均方误差均在5 以下，预测较为准确，XGBoost算法性能最优，可应用于实际。

根据本申请实施例提出的腭咽部手术疗效的预测方法，以患者术前的专科体检特征、 睡眠监测特征、影像学检查特征为依据，通过XGBoost模型对术后呼吸暂停低通气指数进 行预测，有助于筛选患者，有效提高手术成功率，为患者提供个性化诊疗，直接预测患者术后AHI，量化手术疗效，从根本上反应手术疗效等信息。解决了相关技术中选择的预测 因子不全面且均是评分系统，预测结果仅能提供患者在一定评分内的单一有效率，无法针 对患者进行个体化预测的问题。

其次参照附图描述根据本申请实施例提出的腭咽部手术疗效的预测装置。

图5为根据本申请实施例的腭咽部手术疗效的预测装置的示例图。

如图5所示，该腭咽部手术疗效的预测装置10包括：数据采集模块100、特征提取模块200和手术疗效模型预测模块300。

其中，数据采集模块100，用于获取患者术前的专科体检数据、睡眠监测数据与影像学 检查数据。特征提取模块200，用于从专科体检数据、睡眠监测数据与影像学检查数据中 提取专科体检特征、睡眠监测特征与影像学检查特征。手术疗效模型预测模块300，用于将专科体检特征、睡眠监测特征与影像学检查特征输入至预先训练的XGBoost预测模型，得到腭咽部手术疗效的预测结果。

可选地，在本申请的实施例中，腭咽部手术疗效的预测装置10还包括：训练模块，用 于基于XGBoost算法，利用训练数据集中的专科体检特征、睡眠监测特征与影像学检查特 征进行模型训练，确定XGBoost预测模型的模型参数；手术疗效模型建模模块，用于通过均方根误差得到模型的性能评价结果，并根据性能评价结果调整模型的参数，直至均方根误差小于或等于预设阈值，得到预先训练的XGBoost预测模型。

可选地，在本申请的实施例中，腭咽部手术疗效的预测装置10还包括：数据预处理模 块，用于对专科体检特征、睡眠监测特征与影像学检查特征进行预处理，筛选出满足预测 条件的专科体检特征、睡眠监测特征与影像学检查特征。

可选地，在本申请的实施例中，预测条件为数据置信度大于预设阈值，且在筛选出满 足预测条件的专科体检特征、睡眠监测特征与影像学检查特征之后，还包括：对满足预设 类别的特征进行独热编码处理。

可选地，在本申请的实施例中，专科体检特征包括性别、年龄、身体质量指数、颈围、 扁桃体大小、Friedman舌位分型中的一项或多项；睡眠监测特征包括呼吸暂停低通气指数、 仰卧位呼吸暂停低通气指数、REM期呼吸暂停低通气指数、NREM期呼吸暂停低通气指数、 最低血氧饱和度、血氧饱和度小于90％的时间比例中的一项或多项；影像学检查特征包括 气道长度特征和舌骨距下颌骨垂直距离特征中的至少一项。

如图6所示，展示了一种具体地腭咽部手术疗效的预测装置结构。包括身高体重测试 仪、多导睡眠监测仪、电子计算机断层扫描仪、数据采集器、中央处理器和计算机；身高体重测试仪的输出端、睡眠监测仪器的输出端、电子计算机断层扫描仪的输出端连接至中央处理器的输入端，中央处理器的输出端至计算机，显示预测结果。通过预测腭咽部手术疗效的方法，完成对OSA患者腭咽部手术术后AHI的预测。

其中，身高体重测试仪用于计算BMI。多导睡眠监测仪用于计算睡眠监测数据。电子 计算机断层扫描仪用于采集影像学图像。中央处理器用于根据导入的数据进行腭咽部手术 疗效预测，中央处理器内嵌入有若干模块，包括：数据采集模块、特征提取模块、数据预 处理模块、手术疗效模型建模模块和手术疗效模型预测模块。计算机用于显示预测得到的 术后AHI。

需要说明的是，前述对腭咽部手术疗效的预测方法实施例的解释说明也适用于该实施 例的腭咽部手术疗效的预测装置，此处不再赘述。

根据本申请实施例提出的腭咽部手术疗效的预测装置，以患者术前的专科体检特征、 睡眠监测特征、影像学检查特征为依据，通过XGBoost模型对术后呼吸暂停低通气指数进 行预测，有助于筛选患者，有效提高手术成功率，为患者提供个性化诊疗，直接预测患者术后AHI，量化手术疗效，从根本上反应手术疗效等信息。解决了相关技术中选择的预测 因子不全面且均是评分系统，预测结果仅能提供患者在一定评分内的单一有效率，无法针 对患者进行个体化预测的问题。

图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。

处理器702执行程序时实现上述实施例中提供的腭咽部手术疗效的预测方法。

进一步地，电子设备还包括：

通信接口703，用于存储器701和处理器702之间的通信。

存储器701，用于存放可在处理器702上运行的计算机程序。

存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent， 简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称 为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中 仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通 信。

处理器702可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特 定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本 申请实施例的一个或多个集成电路。

本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该 程序被处理器执行时实现如上的腭咽部手术疗效的预测方法。

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”、“具体示例”、 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 含于本申请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N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。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者 隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐 含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三 个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个 或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分， 并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序， 包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的 实施例所属技术领域的技术人员所理解。

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指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令 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指令执行 系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、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指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。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N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。

应当理解，本申请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，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或 固件来实现。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。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可 以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中， 该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既 可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以 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，也可以存储在一个计算机可读 取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了 本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制， 本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。