本發(fā)明涉及生物特征身份識別領(lǐng)域的方法和系統(tǒng)，尤其涉及一種用于ecg身份識別的特征學(xué)習(xí)方法和系統(tǒng)。

背景技術(shù)：

隨著互聯(lián)網(wǎng)熱潮的沖擊，信息技術(shù)的快速發(fā)展，人們對信息安全以及財產(chǎn)安全的重視不斷提高，而身份識別又是信息安全最重要的環(huán)節(jié)。生物特征識別一般是指根據(jù)人類的生理特征(如指紋、虹膜和面部特征等)和行為特征(如眨眼、點頭和搖頭等)來進行個人身份的鑒定。由于人類的生理特性是獨一無二的，所以采用生物特性識別比傳統(tǒng)的身份認證方式更具有安全性和可靠性。傳統(tǒng)的身份認證方式比較容易出校丟失、遺忘或者毀壞的情況，而個人身份識別技術(shù)不會出現(xiàn)這些情況。

心電信號(ecg信號)是一種活體生理信號，主要描繪心臟起搏的電活動過程，反映了人體潛在的生理特征。由于它不僅蘊涵了個體豐富生理信息還包括個體差異性信息。因此心電信號可以作為身份識別的生物特征。

很多學(xué)者對ecg信號用于身份識別進行了探討，早期的研究工作主要圍繞健康人群開展，在身體安靜的狀態(tài)下采集心電信號，然后提取特征，采用pca進行特征降維，將降維后的特征進行身份識別，并且取得了很高的識別準確率。然而，現(xiàn)實生活中采集時個體的身體(例如心律失常，劇烈運動)心理和情緒狀態(tài)各不相同，以上這些方法在心電異常狀態(tài)下的效果并不好；并且采用pca需要求訓(xùn)練集和測試集組成特征矩陣的協(xié)方差矩陣，而測試集需要現(xiàn)場采集才能獲得，因此傳統(tǒng)方法在實際應(yīng)用中具有局限性。

此外，特征學(xué)習(xí)法算法通常需要較大的運算量開銷，實時性差，并不適合直接應(yīng)用在對實時性和便攜性有著較高要求身份識別領(lǐng)域。

技術(shù)實現(xiàn)要素：

本發(fā)明結(jié)合ecg身份識別實際應(yīng)用場景，采集的過程中每個個體的心率、身體健康狀況和情緒狀態(tài)不受限制，采用形態(tài)學(xué)和小波的組合特征作為系統(tǒng)的初始特征，雖然提高了身份識別的準確率，但同時也造成特征維度急劇增加從而引入了過多特征冗余，導(dǎo)致身份識別模型的計算復(fù)雜度高、存儲空間消耗大，識別效率低下，因此結(jié)合特征學(xué)習(xí)的方法從冗余特征中自動學(xué)習(xí)具有個體身份鑒別性的的特征，從而解決傳統(tǒng)心電信號身份識別算法無法應(yīng)用于實際場景，自動分類運算量過大的問題，提供了一種低維形態(tài)學(xué)特征向量以及基于這種特征向量的心電圖特征提取方法。關(guān)鍵技術(shù)包括心電信號預(yù)處理、提取形態(tài)學(xué)和小波的組合特征，構(gòu)建心拍數(shù)據(jù)庫及標準化處理、特征學(xué)習(xí)模型初始參數(shù)選取，識別模型全局參數(shù)反向微調(diào)、識別模型參數(shù)尋優(yōu)，最終身份識別模塊。

根據(jù)本發(fā)明的一個方面，提供了一種用于ecg身份識別的特征學(xué)習(xí)方法，包括以下步驟：獲取個體的心電信號；對該個體的心電信號進行濾波處理；提取濾波后的該心電信號的形態(tài)學(xué)特征和小波特征；基于個體的心電信號的該形態(tài)學(xué)特征和小波特征，建立稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)。

優(yōu)選地，該對該個體的心電信號進行濾波處理的步驟，包括以下子步驟：利用九層小波變換的方式去除測得該個體的心電信號的噪聲，其中小波類型為db4。

優(yōu)選地，該提取個體的心電信號的形態(tài)學(xué)特征和小波特征的步驟，包括以下子步驟：利用差分閾值法獲取該心電信號的r波的波峰位置；以一r波的波峰值點為基準，在一個心動周期之內(nèi)分別向前截取70個點以及向后截取180個點，以作為該心電信號的形態(tài)學(xué)特征。

優(yōu)選地，該提取個體的心電信號的形態(tài)學(xué)特征和小波特征的步驟，還包括以下子步驟：以該心電信號的r波為基準點，截取包括了多個心動周期的心拍信號數(shù)據(jù)點；對截取的心拍信號數(shù)據(jù)點進行九層小波分解，然后提取3、4、5、6層的高頻系數(shù)作為小波特征；對該形態(tài)學(xué)特征和小波特征的每一維度特征進行去極化處理。

優(yōu)選地，該基于個體的心電信號的該形態(tài)學(xué)特征和小波特征，建立稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)的步驟，包括以下子步驟：設(shè)置特征學(xué)習(xí)稀疏因子和稀疏化懲罰系數(shù)，稀疏因子＝0.1，懲罰系數(shù)為＝5；設(shè)置隱含層的個數(shù)本文設(shè)置為50，隱含層神經(jīng)元的個數(shù)小于輸入層神經(jīng)元的個數(shù)。

優(yōu)選地，該基于個體的心電信號的該形態(tài)學(xué)特征和小波特征，建立稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)的步驟，還包括以下子步驟：利用bp算法全局反向微調(diào)該稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)；利用l-bfgs擬牛頓算法優(yōu)化該稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)中參數(shù)。

優(yōu)選地，還包括步驟：獲取待測用戶的心電信號，根據(jù)稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)，識別對應(yīng)該待測用戶的心電信號的個體。

根據(jù)本發(fā)明的另一方面，提供了一種用于ecg身份識別的特征學(xué)習(xí)系統(tǒng)，包括：獲取信號模塊，用于獲取個體的心電信號；去噪處理模塊，用于對該個體的心電信號進行濾波處理；特征提取模塊，用于提取濾波后的該心電信號的形態(tài)學(xué)特征和小波特征；識別模塊，基于個體的心電信號的該形態(tài)學(xué)特征和小波特征，建立稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)。

本發(fā)明的有益效果為：利用根據(jù)個體的心電信號形態(tài)學(xué)特征和小波特征來建立識別神經(jīng)網(wǎng)絡(luò)，在降低特征維度的同時提高了身份識別的精度；采用特征學(xué)習(xí)算法相對于傳統(tǒng)的識別算法，能夠提供更高的實時性高和實用性；稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)能夠降低心電信號特征的維度，降低運算量；本發(fā)明采用l-bfgs擬牛頓算法來避免求hessian矩陣的逆矩陣，用于優(yōu)化特征學(xué)習(xí)網(wǎng)絡(luò)中參數(shù)，提高運算速度，降低存儲開銷，提高身份識別的實時性。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1所示為根據(jù)本發(fā)明一實施例的用于ecg身份識別的特征學(xué)習(xí)方法的示意圖；

圖2所示為檢測r波的流程圖；

圖3所示為自編碼神經(jīng)網(wǎng)絡(luò)的示意圖；

圖4所示為特征學(xué)習(xí)網(wǎng)絡(luò)的示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

下面結(jié)合附圖1-4對本發(fā)明作詳細的描述：

步驟一，獲取個體的心電信號，即獲取用于建立特征網(wǎng)絡(luò)的個體的原始ecg數(shù)據(jù)：

在本實施例中，示例性地采用ecg-id數(shù)據(jù)庫中的心電數(shù)據(jù)作為實驗數(shù)據(jù)，ecg-id采集了90個體共310段心電信號，在采集的過程中每個個體的心率、身體健康狀況和情緒狀態(tài)不受限制。每個人至少采集兩段心電信號，每段心電信號采集20秒，各段信號采集間隔在6個月之內(nèi)，采樣頻率為500hz，采集電壓范圍為-10mv-10mv，分辨率為12bit。90個個體包括44個男性，46個女性，年齡在13-75周歲之間。以上數(shù)據(jù)涵蓋了心電正常狀態(tài)和心電異常狀態(tài)下的心電信號。本領(lǐng)域技術(shù)人員應(yīng)當理解，亦可以利用心電監(jiān)測儀器，從實際的試驗對象身上提取符合上述要求的心電信號。

步驟二，對個體的心電信號進行濾波處理，從而對心電信號去噪

由于心電信號為弱生物電信號容易受各種低頻高頻噪聲干擾，因此需要對心電信號進行預(yù)處理。噪聲主要來源分別是：基線漂移其主要頻率分布在0.1hz左右；工頻干擾其主要頻率在50hz；肌電干擾等噪聲其主要頻率在30-300hz。根據(jù)噪聲的頻段，和信號的采用頻率，確定采用九層小波變換進行噪聲去除，采用的小波類型為db4；方法為加權(quán)軟閾值法，具體過程如圖2的流程圖所示：

軟閾值的閾值的設(shè)計公式

權(quán)重設(shè)計為：

在去除基線漂移時把小波第九層的低頻系數(shù)(頻率在0-0.5hz)置零，把第一層的高頻系數(shù)(頻率在125-250hz)置零，其他層系數(shù)采用加權(quán)閾值法進行剔除噪聲。

小波去噪的參考偽代碼如下：

輸入：含噪聲的原始信號x

過程：

1：選擇小波類型lsdb4＝liftwave('db4')；

2:進行第一層小波變換[ca{1，1}，cd{1，1}]＝lwt(x，lsdb4)；

3:進行2到layer層小波分解：采用加權(quán)閾值法進行去噪

4:將大于125hz系數(shù)置零

cd{1，1}＝zeros(1，length(cd{1，1}))；

5：小于0.5hz置零

ca{layer，1}＝zeros(1，length(ca{layer，1}))；

6：小波重構(gòu)

fori＝1:layer-1

ca{layer-i，1}＝ilwt(ca{layer-i+1，1}，cd{layer-i+1，1}，lsdb4)；

end

輸出：去噪后信號

denoise_ecg＝ilwt(ca{1，1}，cd{1，1}，lsdb4)

步驟三，提取濾波后的心電信號的形態(tài)學(xué)特征和小波特征

在提取濾波后的心電信號的形態(tài)學(xué)特征和小波特征前，需先對濾波后的心電信號做以下預(yù)處理：

(一)采用二階差分閾值法進行r波監(jiān)測；

(1)判斷r波是否倒置：將去噪后的信號平均分成若干份(本例中分每段信號為20分)，對每一份分別求出該片段的最大值和最小值，然后在分別求該段信號全部最大值和最小值的平均值，最后分別對最大值和最小值的平均值求絕對值，如果最大值的絕對值小于最小值的絕對值者r波倒置，反之r波正常。

(2)四點平滑求二階差分：先將原信號x(n)進行四點平滑消除高頻噪聲影響，得到平滑后信號y(n)，再對平滑后的原始信號y(n)進行一階差分得到d(n)，然后同樣的對一階差分信號d(n)進行四點平滑處理，得到平滑后的一階差分信號d1(n)，再對平滑后的一階差分信號d1(n)進行差分處理，求二階差分得到e(n)，最后對二階差分信號e(n)進行相同的進行四點平滑處理得到e1(n)

(3)獲得閾值：以信號的采樣頻率大小的0.75倍為窗口將二階平滑后信號e1(n)分割成k段，如果r波正常者分別求出每個窗口內(nèi)e1(n)片段的最小值，然后將上部最小值取均值，將均值的0.5倍作為閾值，如果r波倒置者求取各個窗口的最大值，然后同樣的將最大值均值的0.5倍設(shè)為閾值。以下以r波正常為例其閾值為：

幅值閾值以信號的采樣頻率大小為窗口將y(n)分割成k段，求出每個窗口的最大值和最小值的差值，然后將差值的均值作為閾值，其表達式為：

(4)r波檢測：r波正常時如果同時滿足閾值e1(i)<th1且0.5th2<y(i)<1.5th2判斷此點為r波峰值點，記錄下此點的位置，r波倒置時情況相反。

(5)漏檢多檢檢查：根據(jù)不應(yīng)期和幅值條件進行多檢和漏檢檢查，具體操作為在正常一個心拍周期的0.5倍時間內(nèi)如果檢測到由兩個或兩個以上的r波位置，者判斷為r波多檢，此時根據(jù)幅值條件(如果小于幅值的一半這認為此點不是r波)進行多檢剔除，如果檢測到相鄰的兩個r波位置之差大于正常一個心拍周期的2.5倍以上者認為此處可能有漏檢的r波，此時應(yīng)以根據(jù)幅值條件的0.3倍從新對該段區(qū)域進行搜索，看看是否有漏檢的r波存在，如果有者補上。

(6)r波調(diào)整：由于用了平滑會帶來延時，導(dǎo)致r波波峰檢測不準，故需要進行r波波峰調(diào)整，具體操作是在平滑后的原始信號以初始檢測的r波位置為中心加一個很小的窗口，然后在這個窗口內(nèi)搜索r波的極值點，者該點的位置就是r波波峰的位置。

(二)形態(tài)學(xué)特征提取

以r波波峰位置為基準，在一個心動周期內(nèi)分別向前截取70個心拍數(shù)據(jù)點和向后截取180個心拍數(shù)據(jù)點，以此做為形態(tài)學(xué)特征，形態(tài)學(xué)特征為250維。

當根據(jù)數(shù)據(jù)集的采樣頻率500hz時，這些點都在一個心動周期之內(nèi)，從形態(tài)學(xué)波形看這個區(qū)域比較集中體現(xiàn)了良好的差異性。

(三)提取小波特征

1)以r波為基準點前后截取600個心拍數(shù)據(jù)點(采樣率為500hz的情況下大約包含為3-4個心拍)

2)對截取的心拍進行九層小波分解，然后提取3、4、5、6層的高頻系數(shù)作為小波特征，小波特征為280維

(四)構(gòu)造心拍特征數(shù)據(jù)庫模塊

1)將提取的形態(tài)學(xué)特征和小波特征組合在一起形成組合特征(組合特征為530維)構(gòu)成心拍特征數(shù)據(jù)庫，此初始特征數(shù)據(jù)庫比單一的特征展現(xiàn)更好的完整性。

2)對心拍特征數(shù)據(jù)庫的每一維度特征進行去極化處理，然后將其大小放縮在[-1，1]之間防止后續(xù)處理過程中進行迭代運算時造成數(shù)值溢出

步驟四，基于個體的心電信號的所述形態(tài)學(xué)特征和小波特征，建立稀疏自編碼識別神經(jīng)網(wǎng)絡(luò)

特征學(xué)習(xí)方法可以從原始心拍中自動學(xué)習(xí)利于分類的特征，既保證了分類的準確性又去除了沒有分類貢獻征，降低特征維度，從而提高提高系統(tǒng)的時效性。并且特征學(xué)習(xí)屬于無監(jiān)督學(xué)習(xí)，不需要先驗知識，因此適用面廣。特別地，當有標簽數(shù)據(jù)相對缺乏時，心拍的無監(jiān)督學(xué)習(xí)算法可以同樣表達出圖像視覺層次的特征學(xué)習(xí)能力，并且對于心拍的急劇變化，尺度平移等有著很好的魯棒性。

稀疏自編碼神經(jīng)網(wǎng)絡(luò)是一種典型的特征學(xué)習(xí)模型，其特點是經(jīng)過學(xué)習(xí)其輸入層等于輸出層，然后取其隱含層作為學(xué)習(xí)得到的特征。當隱含層的神經(jīng)元個數(shù)多余輸入層相當于把原始特征映射到高維空間，當隱含層的神經(jīng)元個數(shù)少于輸入特征維度相當于獲得原始信號的壓縮表示。在特征學(xué)習(xí)模塊處理之后，表達的特征展現(xiàn)了更好的穩(wěn)定性，可以為后期的分類提供良好的特征輸入。

4.1首先，關(guān)于特征學(xué)習(xí)模型初始參數(shù)選取，

1)設(shè)置特征學(xué)習(xí)稀疏因子和稀疏化懲罰系數(shù)，稀疏因子ρ＝0.1，懲罰系數(shù)為β＝5；

(1)設(shè)置隱含層的個數(shù)本文設(shè)置為50，為了獲得特征的壓縮表示隱含層神經(jīng)元的個數(shù)要小于輸入層神經(jīng)元的個數(shù)。

(2)采用訓(xùn)練稀疏自編碼網(wǎng)絡(luò)如圖3所示得到的參數(shù)，作為特征學(xué)習(xí)的初始參數(shù)其中其損失函數(shù)為

殘差為：

損失函數(shù)的關(guān)于權(quán)重項偏導(dǎo)數(shù)為

損失函數(shù)的關(guān)于偏置項偏導(dǎo)數(shù)為

4.2識別模型全局參數(shù)反向微調(diào)；

1)利用bp算法(即backpropagation算法，也稱為反向傳播算法)對特征網(wǎng)絡(luò)如圖4所示進行全局反向微調(diào)

(1)采用隨機初始化神經(jīng)網(wǎng)絡(luò)參數(shù)，打破網(wǎng)絡(luò)的對稱性，然后逐層計算各層上的激活度(激勵響應(yīng))。

(2)對輸出層(n1層)，令

因為分類層采用的是softmax分類器，所以其中i為類別標簽，而p為求得的歸為該類概率。

(3)對l＝ni-1，n2-2，nl-3，…，2令

δ^(t)＝((w^(l)tδ⁽ⁱ⁺¹⁾)·f′(z^(l))

(4)計算所需的偏導(dǎo)數(shù)：

4.3識別模型參數(shù)尋優(yōu)模塊

1)特征學(xué)習(xí)網(wǎng)絡(luò)為無約束優(yōu)化問題，在本領(lǐng)域通常采用梯度下降法和牛頓法進行參數(shù)尋優(yōu)，相較于一次收斂速率的梯度下降法，牛頓法為二次收斂，收斂速度特別快，但牛頓法需要求取hessian矩陣及其逆矩陣，該運算不僅帶來巨大的時間開銷，在存儲hessian上還會引入大量的空間復(fù)雜度?；谝陨峡紤]并針對身份識別應(yīng)用強調(diào)實時性的特點，本文采取收斂速度介于梯度下降法與牛頓法之間的l-bfgs擬牛頓算法來避免求hessian矩陣的逆矩陣的問題，用于優(yōu)化特征學(xué)習(xí)網(wǎng)絡(luò)中參數(shù)，提高運算速度，降低存儲開銷，以提高身份識別的實時性。

牛頓法迭代規(guī)則如下：

上式中要求hessian矩陣的逆，過程復(fù)雜使得計算量增大，采用一個正定的近似矩陣來代替hessian矩陣的逆矩陣，則擬牛頓法迭代規(guī)則變換為：

需要求取每一步的bi+1，假設(shè)si＝xi+1-xi，則迭代規(guī)則為：

其中，

上式為bfgs算法的迭代規(guī)則。但是由于心拍數(shù)據(jù)量過多導(dǎo)致sae模型中參數(shù)規(guī)模較大，進而采用l-bfgs減少存儲空間。在l-bfgs算法中，每次迭代無需存儲當前矩陣bk，而是存儲最近m次迭代的曲率信息構(gòu)成的向量，即sk和tk。利用前m次的曲率信息來估算真實hessian矩陣的大小，調(diào)整當前尋優(yōu)搜索方向，使其搜索方向沿著正確的方向進行。則l-bfgs算法中迭代更新規(guī)則如下：

其中，每次迭代在實踐中常用的初始值設(shè)定方法為：

其中

步驟五，身份識別

1)獲取待測用戶的心電信號，根據(jù)該心電信號構(gòu)建心拍數(shù)據(jù)庫并標準化處理；

2)處理后的心電信號輸入訓(xùn)練好的識別網(wǎng)絡(luò)；

3)如果用于預(yù)測的同一個體心拍數(shù)據(jù)庫中一半以上的心拍分到同一個類別(假設(shè)分到類別i)上，則認為此待測用戶的類別為個體i；反之則認為無此個體。

采用本方法帶來的有益效果

為了檢驗本發(fā)明提出的一種特征學(xué)習(xí)ecg身份識別方法的性能，采用ecg-id數(shù)據(jù)作為實驗仿真的數(shù)據(jù)來源，對90個個體采用廣泛使用的k最近鄰分類器(knn)、支持向量機分類器(svm)、softmax分類器、bp神經(jīng)網(wǎng)絡(luò)(bp)、梯度下降法(g-d)特征學(xué)習(xí)網(wǎng)絡(luò)和擬牛頓法(l-bfgs)特征學(xué)習(xí)網(wǎng)絡(luò)多種分類器對本方法進行分類性能測試。如表1所示可以發(fā)現(xiàn)采用特征學(xué)網(wǎng)絡(luò)心拍識別準確率提高了10％左右，身份識別準確率也有了明顯提高。采用l-bfgs算法的時間比g-d算法所用運行時間明顯降低。

表1特征學(xué)習(xí)網(wǎng)絡(luò)與其他分類算法效果對比圖

下面給出帶參數(shù)微調(diào)和不帶參數(shù)微調(diào)的仿真實驗結(jié)果如表2所示，通過對比可以發(fā)現(xiàn)不帶參數(shù)調(diào)整的特征學(xué)習(xí)網(wǎng)絡(luò)在特征維度降到100維以下后，網(wǎng)絡(luò)的識別性急劇下降，而帶參數(shù)調(diào)整的特征學(xué)習(xí)網(wǎng)絡(luò)在特征維度降到50維后還具有較強的識別精度，在相同維度下帶參數(shù)微調(diào)的特征學(xué)習(xí)網(wǎng)絡(luò)比不帶參數(shù)微調(diào)的特征學(xué)習(xí)網(wǎng)絡(luò)心拍分類準確率要提高20％左右。綜上可知帶參數(shù)調(diào)整的特征學(xué)習(xí)網(wǎng)絡(luò)無論在健壯性還是在識別效果上都比不帶參數(shù)調(diào)整的實現(xiàn)效果好。因此，本發(fā)明能夠顯著改善在現(xiàn)實生活中采集心電信號時，因個體的身體(例如心律失常，劇烈運動)心理和情緒狀態(tài)等心電異常狀態(tài)導(dǎo)致的身份識別精度下降的問題。

表2特征學(xué)習(xí)網(wǎng)絡(luò)有無參數(shù)調(diào)整的識別性能對比

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機軟件和電子硬件的結(jié)合來實現(xiàn)。例如本公開可以具體實現(xiàn)為以下形式，即：完全的硬件、完全的軟件(包括固件、駐留軟件、微代碼等)，或者硬件和軟件結(jié)合的形式。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的系統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接相合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元可以集成在二個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在二個計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可以是個人計算機，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、移動硬盤、只讀存儲器(rom)、隨機存取存儲器(ram)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)所述以權(quán)利要求的保護范圍為準。