昏迷患者的实时体征监测系统及其方法

技术领域

本申请涉及医疗信息处理技术领域，且更为具体地，涉及一种昏迷患者的实时体征监测系统及其方法。

背景技术

昏迷，作为完全意识丧失的一种严重临床表现，是临床诊疗中常见的危重症之一。昏迷患者的脑皮质功能严重受损，导致其无法维持正常的意识状态，对外部刺激的反应也变得迟钝或完全丧失。然而，即使在这种状态下，患者仍然保持基本的呼吸和心跳功能。此外，由于昏迷患者的生理状态极不稳定，因此，昏迷患者的实时体征监测是重症医学领域的重要研究方向。

现有的昏迷患者监护技术主要依赖于医护人员定期检查和记录患者的生命体征数据。然而，这种人工观察和记录数据的方式容易受到人为因素的影响，存在误差和遗漏的可能性。并且，这种方式无法实现实时、连续的监测，难以捕捉到患者生命体征的细微变化和潜在风险。因此，期待一种优化的昏迷患者的实时体征监测系统及其方法。

发明内容

为了解决上述技术问题，提出了本申请。

相应地，根据本申请的一个方面，提供了一种昏迷患者的实时体征监测系统，其包括：

生命体征监测模块，用于通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值、体温值和脉搏值；

生命体征时域分析模块，用于对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图；

局部特征分解模块，用于将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列；

生命体征稳定性表征模块，用于提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量；

病情状态识别模块，用于基于所述生命体征时序稳定性表征特征向量，确定患者病情的识别结果；

其中，所述生命体征稳定性表征模块，包括：

锚定参考特征构造单元，用于计算所述生命体征局部时序关联特征向量的序列的按位置均值向量作为锚定参考特征向量；

语义波动度量单元，用于计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数以得到由多个生命体征时序语义波动系数组成的所述生命体征时序稳定性表征特征向量。

在上述昏迷患者的实时体征监测系统中，所述生命体征时域分析模块，包括：生命体征数据整合单元，用于将所述生命体征数据的时间序列按照时间维度和参数样本维度排列为生命体征时序框架整合矩阵；时域模式特征提取单元，用于提取所述生命体征时序框架整合矩阵的时域模式特征以得到所述生命体征时序局部关联特征图。

在上述昏迷患者的实时体征监测系统中，所述时域模式特征提取单元，用于：将所述生命体征时序框架整合矩阵通过基于卷积神经网络模型的生命体征时域模式特征提取器以得到所述生命体征时序局部关联特征图。

在上述昏迷患者的实时体征监测系统中，所述局部特征分解模块，用于：将所述生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到所述生命体征局部时序关联特征向量的序列。

在上述昏迷患者的实时体征监测系统中，所述语义波动度量单元，用于：计算所述锚定参考特征向量中各个特征值的对数以得到对数转换锚定参考特征向量；将所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量和所述对数转换锚定参考特征向量分别进行对应元素相乘以得到多个语义波动特征向量；分别计算所述多个语义波动特征向量中各个语义波动特征向量的全局均值以得到所述多个生命体征时序语义波动系数。

在上述昏迷患者的实时体征监测系统中，所述病情状态识别模块，用于：将所述生命体征时序稳定性表征特征向量通过基于分类器的病情状态识别器以得到所述识别结果，所述识别结果用于表示病情是否发生恶化。

在上述昏迷患者的实时体征监测系统中，还包括用于对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练的训练模块。

在上述昏迷患者的实时体征监测系统中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被监控昏迷患者的训练生命体征数据的时间序列，以及真实的生命体征时序稳定性表征特征向量和病情是否发生恶化的真实值，其中，所述训练生命体征数据包括心率值、血压值、体温值和脉搏值；训练数据时序整合单元，用于将所述训练生命体征数据的时间序列按照时间维度和参数样本维度排列为训练生命体征时序框架整合矩阵；训练数据时域模式特征提取单元，用于将所述训练生命体征时序框架整合矩阵通过所述基于卷积神经网络模型的生命体征时域模式特征提取器以得到训练生命体征时序局部关联特征图；训练数据特征散化单元，用于将所述训练生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到训练生命体征局部时序关联特征向量的序列；训练锚定参考特征构造单元，用于计算所述训练生命体征局部时序关联特征向量的序列的按位置均值向量作为训练锚定参考特征向量；训练数据语义波动计算单元，用于计算所述训练生命体征局部时序关联特征向量的序列中的各个所述训练生命体征局部时序关联特征向量相对于所述训练锚定参考特征向量的训练生命体征时序语义波动系数以得到由多个训练生命体征时序语义波动系数组成的训练生命体征时序稳定性表征特征向量；分类损失单元，用于将所述训练生命体征时序稳定性表征特征向量通过所述基于分类器的病情状态识别器以得到分类损失函数值；交叉熵损失单元，用于计算真实的生命体征时序稳定性表征特征向量与所述训练生命体征时序稳定性表征特征向量之间的交叉熵损失函数值；模型训练单元，用于以所述分类损失函数值和所述交叉熵损失函数值的加权和作为差异损失函数值来对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练生命体征时序稳定性表征特征向量进行迭代优化。

根据本申请的另一个方面，提供了一种昏迷患者的实时体征监测方法，其包括：

通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值、体温值和脉搏值；

对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图；

将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列；

提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量；

基于所述生命体征时序稳定性表征特征向量，确定患者病情的识别结果；

其中，提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量，包括：

计算所述生命体征局部时序关联特征向量的序列的按位置均值向量作为锚定参考特征向量；

计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数以得到由多个生命体征时序语义波动系数组成的所述生命体征时序稳定性表征特征向量。

与现有技术相比，本申请提供的昏迷患者的实时体征监测系统及其方法，其采用基于深度学习的人工智能技术对昏迷患者的生命体征数据进行持续监测分析，捕捉到患者生命体征的时序变化模式，挖掘出患者生命体征的时序稳定性信息，从而智能判断患者病情是否发生恶化。这样，可以及时掌握患者的病情变化以便采取相应的治疗措施，从而提高昏迷患者的医疗护理效率和质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的昏迷患者的实时体征监测系统的框图。

图2为根据本申请实施例的昏迷患者的实时体征监测系统的架构示意图。

图3为根据本申请实施例的昏迷患者的实时体征监测系统中生命体征时域分析模块的框图。

图4为根据本申请实施例的昏迷患者的实时体征监测系统中生命体征稳定性表征模块的框图。

图5为根据本申请实施例的昏迷患者的实时体征监测系统中训练模块的框图。

图6为根据本申请实施例的昏迷患者的实时体征监测方法的流程图。

具体实施方式

下面，将结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。同时，附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

如上述背景技术所言，当前的昏迷病患监护方式主要依赖于医护人员定期对患者的生命体征数据进行人工检查和记录。然而，这种依赖于人工的观察和记录方式容易受到人为因素的影响，可能导致数据误差和遗漏。此外，由于人力资源的限制，此类方法无法实现实时、连续的监测，从而难以捕捉到患者生命体征的细微变化和潜在风险。针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术对昏迷患者的生命体征数据进行持续监测分析，捕捉到患者生命体征的时序变化模式，挖掘出患者生命体征的时序稳定性信息，从而智能判断患者病情是否发生恶化。这样，可以及时掌握患者的病情变化以便采取相应的治疗措施，从而提高昏迷患者的医疗护理效率和质量。

图1为根据本申请实施例的昏迷患者的实时体征监测系统的框图。图2为根据本申请实施例的昏迷患者的实时体征监测系统的架构示意图。如图1和图2所示，根据本申请实施例的昏迷患者的实时体征监测系统100，包括：生命体征监测模块110，用于通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值、体温值和脉搏值；生命体征时域分析模块120，用于对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图；局部特征分解模块130，用于将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列；生命体征稳定性表征模块140，用于提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量；病情状态识别模块150，用于基于所述生命体征时序稳定性表征特征向量，确定患者病情的识别结果。

在上述昏迷患者的实时体征监测系统100中，所述生命体征监测模块110，用于通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值、体温值和脉搏值。应可以理解，心率、血压、体温和脉搏是反映人体生理状态的基本指标，涵盖了心血管系统、呼吸系统等多个方面。在本申请的技术方案中，通过综合监测昏迷患者的这些生命体征数据，可以全面了解患者的生理状态。进而，利用深度学习技术来分析昏迷患者的生命体征数据的时序变化特性，可以准确地判断昏迷患者的病情状态，及时发现病情恶化的迹象，从而提供及时的医疗护理和救治措施。

在上述昏迷患者的实时体征监测系统100中，所述生命体征时域分析模块120，用于对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图。其中，图3为根据本申请实施例的昏迷患者的实时体征监测系统中生命体征时域分析模块的框图。如图3所示，所述生命体征时域分析模块120，包括：生命体征数据整合单元121，用于将所述生命体征数据的时间序列按照时间维度和参数样本维度排列为生命体征时序框架整合矩阵；时域模式特征提取单元122，用于提取所述生命体征时序框架整合矩阵的时域模式特征以得到所述生命体征时序局部关联特征图。

具体地，所述生命体征数据整合单元121，用于将所述生命体征数据的时间序列按照时间维度和参数样本维度排列为生命体征时序框架整合矩阵。应可以理解，考虑到生命体征数据具有时序特性，即各项指标在不同时间点上的数值都会发生变化，而这种变化反映了患者的生理状态变化。因此，在本申请的技术方案中，为了学习到不同指标参数之间的相互影响和变化规律，进一步将所述生命体征数据的时间序列按照时间维度和参数样本维度进行排列，以实现生命体征数据时序分布信息的整合，从而能够充分展现不同生命体征参数之间的时序关联性，更加直观地反映出患者的生命体征数据随时间变化的趋势和规律，为后续的患者生命体征时序关联模式的识别提供数据基础。

具体地，所述时域模式特征提取单元122，用于提取所述生命体征时序框架整合矩阵的时域模式特征以得到所述生命体征时序局部关联特征图。在本申请的一个具体示例中，提取所述生命体征时序框架整合矩阵的时域模式特征的处理方式是将所述生命体征时序框架整合矩阵通过基于卷积神经网络模型的生命体征时域模式特征提取器以得到所述生命体征时序局部关联特征图。应可以理解，卷积神经网络（CNN）是一种深度学习算法，具有出色的特征学习能力。在本申请的技术方案中，采用卷积神经网络模型构建生命体征时域模式特征提取器，使用卷积层、非线性激活层和池化层等网络结构对所述生命体征时序框架整合矩阵进行特征提取。其中，所述生命体征时域模式特征提取器基于局部卷积特性，能够有效地学习到所述生命体征时序框架整合矩阵中的局部关联特征，捕捉到生命体征数据的重要时域模式，挖掘出生命体征数据的时序变化信息和不同生命体征参数之间的关联性和依赖性，为后续的患者病情状态识别提供有力依据。

在上述昏迷患者的实时体征监测系统100中，所述局部特征分解模块130，用于将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列。在本申请的一个具体示例中，将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列的处理方式是将所述生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到所述生命体征局部时序关联特征向量的序列。应可以理解，所述生命体征时序局部关联特征图包含了多个特征通道，每个特征通道都反映了局部时间的生命体征时序关联变化信息。在本申请的技术方案中，为了更加深入地挖掘患者生命体征的时序稳定信息，以便于准确判断患者的病情状态，进一步将所述生命体征时序局部关联特征图沿着通道维度进行局部特征散化，以将其分解为生命体征局部时序关联特征向量的序列。这样，通过分析各个生命体征局部时序关联特征向量的语义波动性，可以进一步揭示患者生命体征的时序稳定性和变化趋势，为后续的患者病情状态识别提供更加准确和全面的依据。

在上述昏迷患者的实时体征监测系统100中，所述生命体征稳定性表征模块140，用于提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量。其中，图4为根据本申请实施例的昏迷患者的实时体征监测系统中生命体征稳定性表征模块的框图。如图4所示，所述生命体征稳定性表征模块140，包括：锚定参考特征构造单元141，用于计算所述生命体征局部时序关联特征向量的序列的按位置均值向量作为锚定参考特征向量；语义波动度量单元142，用于计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数以得到由多个生命体征时序语义波动系数组成的所述生命体征时序稳定性表征特征向量。

具体地，所述锚定参考特征构造单元141，用于计算所述生命体征局部时序关联特征向量的序列的按位置均值向量作为锚定参考特征向量。也就是，为了在生命体征数据中找到一个相对稳定的参考点，以便于评估患者生命体征的时序波动情况和稳定性，通过计算所述生命体征局部时序关联特征向量的序列的按位置均值向量，以得到用于反映患者生命体征数据的平均变化趋势的锚定参考特征向量。通过这种方式，消除了生命体征数据中的随机干扰和噪声，提取出了生命体征数据的稳定特征和核心信息，从而为各个所述生命体征局部时序关联特征向量的语义波动性度量提供可靠的参考数据。

具体地，所述语义波动度量单元142，用于计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数以得到由多个生命体征时序语义波动系数组成的所述生命体征时序稳定性表征特征向量。也就是，通过计算生命体征时序语义波动系数，来量化各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的波动程度，以所述生命体征时序语义波动系数的数值大小来反映了患者生命体征数据的时序稳定性，从而评估患者生理状态的时序变化情况。具体地，首先，对所述锚定参考特征向量进行对数转换，将数值映射到一个较小的范围内，以避免梯度爆炸或消失，并消除数据中的偏斜性，使其更接近正态分布，从而更符合统计分析的要求。接着，将所述生命体征局部时序关联特征向量和对数转换后的锚定参考特征向量进行按位置相乘并求均值，以捕获两者之间的关联性和差异性，从而得到各个生命体征局部时序关联特征向量对应的生命体征时序语义波动系数，以量化患者生命体征波动情况。进而，将多个生命体征时序语义波动系数组合成生命体征时序稳定性表征特征向量，以综合考虑患者生命体征的全局稳定性和整体变化趋势，提供更全面和综合的生理状态变化信息。

在本申请的一个具体示例中，所述语义波动度量单元142，用于：计算所述锚定参考特征向量中各个特征值的对数以得到对数转换锚定参考特征向量；将所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量和所述对数转换锚定参考特征向量分别进行对应元素相乘以得到多个语义波动特征向量；分别计算所述多个语义波动特征向量中各个语义波动特征向量的全局均值以得到所述多个生命体征时序语义波动系数。也就是，以如下语义波动度量公式计算所述生命体征局部时序关联特征向量的序列中的各个所述生命体征局部时序关联特征向量相对于所述锚定参考特征向量的生命体征时序语义波动系数，其中，所述语义波动度量公式为：

；

其中，

在上述昏迷患者的实时体征监测系统100中，所述病情状态识别模块150，用于基于所述生命体征时序稳定性表征特征向量，确定患者病情的识别结果。在本申请的一个具体示例中，基于所述生命体征时序稳定性表征特征向量确定患者病情的识别结果的实现方式是将所述生命体征时序稳定性表征特征向量通过基于分类器的病情状态识别器以得到所述识别结果，所述识别结果用于表示病情是否发生恶化。应可以理解，所述基于分类器的病情状态识别器通过对大量历史数据进行训练和学习，能够建立起生命体征数据与病情状态之间的映射关系，从而实现对当前患者病情的准确识别和判断。也就是说，将所述生命体征时序稳定性表征特征向量输入训练完成的病情状态识别器中，所述病情状态识别器能够根据所述生命体征时序稳定性表征特征向量的特征模式和训练过程学习到的映射关系将特征向量映射到相应的类别标签中，以得到用于表示病情是否发生恶化的识别结果。这样，一旦识别出患者存在病情恶化的迹象，即可立即发出警告，提醒医护人员及时采取救治措施，确保患者的生命安全。

应可以理解，在利用上述神经网络模型之前，需要对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练。也就是说，在本申请的昏迷患者的实时体征监测系统中，还包括用于对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练的训练模块。

图5为根据本申请实施例的昏迷患者的实时体征监测系统中训练模块的框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括被监控昏迷患者的训练生命体征数据的时间序列，以及真实的生命体征时序稳定性表征特征向量和病情是否发生恶化的真实值，其中，所述训练生命体征数据包括心率值、血压值、体温值和脉搏值；训练数据时序整合单元220，用于将所述训练生命体征数据的时间序列按照时间维度和参数样本维度排列为训练生命体征时序框架整合矩阵；训练数据时域模式特征提取单元230，用于将所述训练生命体征时序框架整合矩阵通过所述基于卷积神经网络模型的生命体征时域模式特征提取器以得到训练生命体征时序局部关联特征图；训练数据特征散化单元240，用于将所述训练生命体征时序局部关联特征图沿着通道维度进行局部特征散化以得到训练生命体征局部时序关联特征向量的序列；训练锚定参考特征构造单元250，用于计算所述训练生命体征局部时序关联特征向量的序列的按位置均值向量作为训练锚定参考特征向量；训练数据语义波动计算单元260，用于计算所述训练生命体征局部时序关联特征向量的序列中的各个所述训练生命体征局部时序关联特征向量相对于所述训练锚定参考特征向量的训练生命体征时序语义波动系数以得到由多个训练生命体征时序语义波动系数组成的训练生命体征时序稳定性表征特征向量；分类损失单元270，用于将所述训练生命体征时序稳定性表征特征向量通过所述基于分类器的病情状态识别器以得到分类损失函数值；交叉熵损失单元280，用于计算真实的生命体征时序稳定性表征特征向量与所述训练生命体征时序稳定性表征特征向量之间的交叉熵损失函数值；模型训练单元290，用于以所述分类损失函数值和所述交叉熵损失函数值的加权和作为差异损失函数值来对所述基于卷积神经网络模型的生命体征时域模式特征提取器和所述基于分类器的病情状态识别器进行训练，其中，在所述训练的每一轮迭代中，对所述训练生命体征时序稳定性表征特征向量进行迭代优化。

在本申请的技术方案中，所述训练生命体征局部时序关联特征向量的序列表达训练生命体征数据在局部通道域下的时序-样本交叉维度局部关联特征，而计算所述训练生命体征局部时序关联特征向量的序列的按位置均值向量得到的所述训练锚定参考特征向量表达训练生命体征数据在全局通道域下的维度聚合特征分布，由此，所述训练生命体征局部时序关联特征向量的序列中的各个所述训练生命体征局部时序关联特征向量相对于所述训练锚定参考特征向量的训练生命体征时序语义波动系数具有基于局部-全局通道域下维度展开-聚合交互的复杂特征关联表示维度，因此，相应地也会期望提升在模型迭代过程中对于复杂关联表示维度下的多维度特征表达效果。

基于此，在本申请的技术方案中，在每次模型的迭代过程中，在分类损失函数以外，进一步引入真实的生命体征时序稳定性表征特征向量与推断的所述训练生命体征时序稳定性表征特征向量之间的交叉熵损失函数，并在基于所述交叉熵损失函数进行反向传播经过所述训练生命体征时序稳定性表征特征向量时，以如下优化公式对所述训练生命体征时序稳定性表征特征向量进行优化，以得到优化后训练生命体征时序稳定性表征特征向量，其中，所述优化公式为：

；

其中，

这里，通过以包含由均值

综上，根据本申请实施例的昏迷患者的实时体征监测系统被阐明，其采用基于深度学习的人工智能技术对昏迷患者的生命体征数据进行持续监测分析，捕捉到患者生命体征的时序变化模式，挖掘出患者生命体征的时序稳定性信息，从而智能判断患者病情是否发生恶化。这样，可以及时掌握患者的病情变化以便采取相应的治疗措施，从而提高昏迷患者的医疗护理效率和质量。

图6为根据本申请实施例的昏迷患者的实时体征监测方法的流程图。如图6所示，根据本申请实施例的昏迷患者的实时体征监测方法，包括步骤：S1：通过生命体征监测设备采集被监控昏迷患者的生命体征数据的时间序列，其中，所述生命体征数据包括心率值、血压值、体温值和脉搏值；S2：对所述生命体征数据的时间序列进行时域特征分析以得到生命体征时序局部关联特征图；S3：将所述生命体征时序局部关联特征图分解为生命体征局部时序关联特征向量的序列；S4：提取所述生命体征局部时序关联特征向量的序列的语义波动特征以得到生命体征时序稳定性表征特征向量；S5：基于所述生命体征时序稳定性表征特征向量，确定患者病情的识别结果。

这里，本领域技术人员可以理解，上述昏迷患者的实时体征监测方法中的各个步骤的具体操作已经在上面参考图1到图5的昏迷患者的实时体征监测系统的描述中得到了详细介绍，并因此，将省略其重复描述。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，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。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。

另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。

最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。