基于自适应学习算法的混氧控制方法、装置、设备及介质

技术领域

本发明涉及呼吸机支持设备技术领域，尤其涉及一种基于自适应学习算法的混氧控制方法、装置、设备及介质。

背景技术

呼吸支持设备的作用在于代替患者呼吸，帮助呼吸衰竭的患者渡过危重的阶段，维持呼吸，保证重要的脏器氧气供应。一方面改善患者缺氧状态，另一方面帮助患者排除体内过多的二氧化碳，纠正呼吸衰竭。提供氧气的速度及精确控氧，是呼吸支持设备的重要指标。

目前的呼吸设备在供氧方案上主要方式，是在氧气比例阀后端放置一个流量传感器，并进行比例阀的开合度与流量关系的标定，在出气口末端同样放置一个流量传感器，进行流量数据的标定。通过指定公式与多项式函数得出所需的氧气流量与比例阀的开阀值，再通过输出口的氧浓度值，利用模糊控制或PI对比例阀进行调节。

但上述方法的缺点是：比例阀受生产一致性以及比例阀控制电流与流量关系，并不完全符合以上多项式函数。故在控制上完全采用此多项式函数进行比例阀控制值的估算，不能达到完全匹配的效果。

发明内容

有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种基于自适应学习算法的混氧控制方法、装置、设备及介质。

本发明提供如下技术方案：

第一方面，本公开实施例中提供了一种基于自适应学习算法的混氧控制方法，应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，所述方法包括:

通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量；

根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据；

将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据；

根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。

进一步地，所述进气管路包括氧气输入口与空气输入口，所述根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，包括：

利用预设空氧混合公式根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出对应的多个需要输入的氧气流量，其中，所述预设空氧混合公式为：

式中，F为所述需要输入的氧气流量，E为所述空氧混合氧浓度值，G为所述空氧混合流量，a为所述氧气输入口的氧气浓度，b为所述空气输入口的氧气浓度。

进一步地，所述根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，包括：

利用预设多项式函数根据各所述需要输入的氧气流量，计算出对应的多个控制电流，其中，所述预设多项式函数为：

F＝A×I

式中，F为所述需要输入的氧气流量，I为所述控制电流，A、B、C为预设二次方程式系数。

进一步地，所述反向传播神经网络包括输入层、隐含层与输出层，所述隐含层的传递函数为tansig激活函数，所述输出层的传递函数为线性函数。

进一步地，所述将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据之前，还包括：

对各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量进行数据归一化处理，得到多个所述输入数据。

进一步地，所述根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型，包括：

对所述反向传播神经网络的权值和阈值进行随机初始化，得到初始权值和初始阈值；

根据所述输入数据与所述输出数据对所述反向传播神经网络进行训练，并根据训练后的反向传播神经网络对所述比例阀的开合数据进行预测，得到预测数据；

根据所述预测数据与所述开合数据的误差调整所述初始权值和所述初始阈值，得到所述自适应学习模型。

第二方面，本公开实施例中提供了一种基于自适应学习算法的混氧控制装置，应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，所述装置包括：

采集模块，用于通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量；

计算模块，用于根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据；

训练模块，用于将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据；

建模模块，用于根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。

进一步地，所述进气管路包括氧气输入口与空气输入口，所述基于自适应学习算法的混氧控制装置还包括：

流量计算模块，用于利用预设空氧混合公式根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出对应的多个需要输入的氧气流量，其中，所述预设空氧混合公式为：

式中，F为所述需要输入的氧气流量，E为所述空氧混合氧浓度值，G为所述空氧混合流量，a为所述氧气输入口的氧气浓度，b为所述空气输入口的氧气浓度。

第三方面，本公开实施例中提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中所述的基于自适应学习算法的混氧控制方法的步骤。

第四方面，本公开实施例中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存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中所述的基于自适应学习算法的混氧控制方法的步骤。

本申请的有益效果：

本申请实施例提供的基于自适应学习算法的混氧控制方法，应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，方法包括：通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量；根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据；将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据；根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。本申请通过自适应学习算法可以准确预测不同情况下比例阀的开合数据，减小了与实际结果的误差。

为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在各个附图中，类似的构成部分采用类似的编号。

图1示出了本申请实施例提供的一种基于自适应学习算法的混氧控制方法的流程图；

图2示出了本申请实施例提供的一种基于自适应学习算法的混氧控制装置的结构示意图；

图3示出了本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。相反，当元件被称作“直接在”另一元件“上”时，不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

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一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例1

如图1所示，为本申请实施例中的一种基于自适应学习算法的混氧控制方法的流程图，本申请实施例提供的基于自适应学习算法的混氧控制方法应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，具体包括以下步骤：

步骤S110，通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量。

在本实施例中，呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，进气管路又分为氧气输入口和空气输入口。

通过氧气输入口端的氧源压力传感器采集进气管路处的多个氧源压力，通过出气管路端的氧浓度传感器采集不同氧源压力下的多个空氧混合氧浓度值，通过出气管路端的流量传感器采集不同氧源压力下的多个空氧混合流量。

步骤S120，根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据。

具体地，采集到氧源压力、空氧混合氧浓度值与空氧混合流量后，利用预设空氧混合公式计算出对应的多个需要输入的氧气流量，其中，预设空氧混合公式为：

式中，F为需要输入的氧气流量，E为空氧混合氧浓度值，G为空氧混合流量，a为氧气输入口的氧气浓度，b为空气输入口的氧气浓度。

可以理解的是，一般来说，氧气输入口的氧气浓度通常约在100％左右，空气输入口的氧气浓度通常约在21％左右，因此，在本实施例中，取a＝100％，b＝21％，具体的数值可根据实际情况确定，本申请实施例对此不作限定。

进一步地，计算出需要输入地氧气流量后，每次在开启呼吸支持系统时，利用预设多项式函数计算出对应的多个控制电流，其中，预设多项式函数为：

F＝A×I

式中，F为需要输入的氧气流量，I为控制电流，A、B、C为预设二次方程式系数，可以根据实验测试数据提前拟合得出。

根据各控制电流，获取比例阀的多个开合数据，例如计算出控制电流为200mA，此时比例阀的开合数据为100％，那么当控制电流为100mA时，比例阀地开合数据就是50％。

步骤S130，将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据。

通过采用步骤S110与步骤S120的方法，采用自适应学习算法记录不同氧源压力下，不同的空氧混合氧浓度值、空氧混合流量与需要输入的氧气流量，不同的比例阀的开合数据。

在申请中采用反向传播神经网络进行预测，将各氧源压力、各空氧混合氧浓度值、各空氧混合流量与各需要输入的氧气流量作为反向传播神经网络的输入数据，将各开合数据作为所反向传播神经网络的输出数据，即输入数据为4维，输出为1维，所以反向传播神经网络结构为4-8-1结构。隐含层有8个节(可以根据情况调整)。并选取tansig激活函数为隐含层的传递函数，线性函数f(x)＝x为输出层的传递函数。

在一种可选的实施方式中，在将各氧源压力、各空氧混合氧浓度值、各空氧混合流量与各需要输入的氧气流量作为反向传播神经网络的输入数据之前，还需要对各氧源压力、各空氧混合氧浓度值、各空氧混合流量与各需要输入的氧气流量进行数据归一化处理，即把所有数据都转化为[0,1]之间的数，其目的是消除数据间数量级差别，避免因输入输出数据数量级差别较大导致网络预测误差较大，最后得到多个输入数据。

需要说明的是，在本实施例中，数据归一化处理采用的是最大最小归一化方法，具体的归一化方法可根据实际情况确定，本申请实施例对此不做限定。

步骤S140，根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。

假设已采集到N组数据(在本实施例中，取N为120)，取前100组的数据作为训练数据用来训练反向传播神经网络，来判定反向传播神经网络的预测性能；最后20组的数据作为测试数据用来预测比例阀的开合数据。

具体地，对反向传播神经网络的权值和阈值进行随机初始化，得到初始权值和初始阈值，再根据前100组训练数据的输入数据与输出数据对反向传播神经网络进行训练，并根据训练后的反向传播神经网络对比例阀的开合数据进行预测，得到预测数据；根据预测数据与开合数据的误差调整初始权值和初始阈值，得到自适应学习模型。

将后20组测试数据输入自适应学习模型，利用训练好的反向传播网络预测对应的比例阀开合数据。从测试数据的结果，反向传播神经网络测试的最大误差比较小，与实际结果接近。

本申请实施例提供的基于自适应学习算法的混氧控制方法，应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，所述方法包括：通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量；根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据；将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据；根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。本申请通过自适应学习算法可以准确预测不同情况下比例阀的开合数据，减小了与实际结果的误差。

实施例2

如图2所示，为本申请实施例中的一种基于自适应学习算法的混氧控制装置200的结构示意图，其装置应用于呼吸支持系统，所述呼吸支持系统包括进气管路、比例阀、流量传感器、氧源压力传感器、氧浓度传感器和出气管路，具体包括：

采集模块210，用于通过所述氧源压力传感器采集所述进气管路处的多个氧源压力，通过所述氧浓度传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合氧浓度值，通过所述流量传感器采集各所述氧源压力下所述出气管路处对应的多个空氧混合流量；

计算模块220，用于根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出所述进气管路处对应的多个需要输入的氧气流量，根据各所述需要输入的氧气流量，计算出所述比例阀的多个控制电流，并根据各所述控制电流，获取所述比例阀的多个开合数据；

训练模块230，用于将各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量作为反向传播神经网络的输入数据，将各所述开合数据作为所述反向传播神经网络的输出数据；

建模模块240，用于根据所述反向传播神经网络的输入数据与输出数据进行建模，得到自适应学习模型。

可选地，上述基于自适应学习算法的混氧控制装置200还包括：

流量计算模块，用于利用预设空氧混合公式根据各所述空氧混合氧浓度值与各所述空氧混合流量，计算出对应的多个需要输入的氧气流量，其中，所述预设空氧混合公式为：

式中，F为所述需要输入的氧气流量，E为所述空氧混合氧浓度值，G为所述空氧混合流量，a为所述氧气输入口的氧气浓度，b为所述空气输入口的氧气浓度。

可选地，上述基于自适应学习算法的混氧控制装置200还包括：

电流计算模块，用于利用预设多项式函数根据各所述需要输入的氧气流量，计算出对应的多个控制电流，其中，所述预设多项式函数为：

F＝A×I

式中，F为所述需要输入的氧气流量，I为所述控制电流，A、B、C为预设二次方程式系数。

可选地，上述基于自适应学习算法的混氧控制装置200还包括：

归一化模块，用于对各所述氧源压力、各所述空氧混合氧浓度值、各所述空氧混合流量与各所述需要输入的氧气流量进行数据归一化处理，得到多个所述输入数据。

可选地，上述基于自适应学习算法的混氧控制装置200还包括：

初始化模块，用于对所述反向传播神经网络的权值和阈值进行随机初始化，得到初始权值和初始阈值；

预测模块，用于根据所述输入数据与所述输出数据对所述反向传播神经网络进行训练，并根据训练后的反向传播神经网络对所述比例阀的开合数据进行预测，得到预测数据；

调整模块，用于根据所述预测数据与所述开合数据的误差调整所述初始权值和所述初始阈值，得到所述自适应学习模型。

本申请实施例提供的基于自适应学习算法的混氧控制装置可实现实施例1中基于自适应学习算法的混氧控制方法的步骤，本实施例在此不再赘述。

本申请实施例提供的基于自适应学习算法的混氧控制装置，通过自适应学习算法可以准确预测不同情况下比例阀的开合数据，减小了与实际结果的误差。

实施例3

本申请实施例还提供一种计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。

所述计算机设备3包括通过系统总线相互通信连接存储器31、处理器32、网络接口33。需要指出的是，图中仅示出了具有组件31-33的计算机设备3，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D插槽兼容性测试存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器31可以是所述计算机设备3的内部存储单元，例如该计算机设备3的硬盘或内存。在另一些实施例中，所述存储器31也可以是所述计算机设备3的外部存储设备，例如该计算机设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括其外部存储设备。本实施例中，所述存储器31通常用于存储安装于所述计算机设备3的操作系统和各类应用软件，例如插槽兼容性测试方法的计算机可读指令等。此外，所述存储器31还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器32在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他基于自适应学习算法的混氧控制芯片。该处理器32通常用于控制所述计算机设备3的总体操作。本实施例中，所述处理器32用于运行所述存储器31中存储的计算机可读指令或者处理数据，例如运行所述插槽兼容性测试方法的计算机可读指令。

所述网络接口33可包括无线网络接口或有线网络接口，该网络接口33通常用于在所述计算机设备3与其他电子设备之间建立通信连接。

本实施例中提供的计算机设备可以执行上述基于自适应学习算法的混氧控制方法，本实施例在此不再赘述。

实施例4

本实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中基于自适应学习算法的混氧控制方法的步骤，本实施例在此不再赘述。

本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算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，在作为替换的实现方式中，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，结构图和/或流程图中的每个方框、以及结构图和/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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所述功能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，该计算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计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质可以是非易失性存储介质，也可以是易失性存储介质，例如所述存储介质可以为：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。