基于GPT-2模型的智能分诊与医疗问答方法及其装置与流程

基于gpt
‑
2模型的智能分诊与医疗问答方法及其装置
技术领域
1.本发明属于计算机技术领域，尤其涉及基于gpt
‑
2模型的智能分诊与医疗问答方法及其装置。


背景技术：

2.在我国看病难成了大众较为担忧的问题之一。在治疗以及后续治疗的过程中，医生往往能够较为高效率地接收与处理病患，而在挂号与分诊阶段，却经常出现由于病患不知道挂什么号以及分诊人员不足等原因而造成的堵塞，另外在医院较为嘈杂的环境中，病患难以与分诊人员在有限的时间内进行有效的交流，这也浪费了大量的时间。并且，患者往往在分诊时就已经产生了大量的疑惑，这些疑问被迫拖至在治疗时向医生寻求解答，导致耽误了医疗时间。国内自动分诊的分析与研究方面，已经有大量的企业与科研机构将目光投向了自动分诊系统的开发，包括：北京左医科技有限公司所开发的一系列智能导诊系统，通过采取询问患者一系列的问题的方式，从而不断缩小范围，最后得到具体的科室，已经服务于全国各大医院，缺点是耗时较长，需要进行多轮对话，百度集团开发的百度医生项目，通过图解人体结构，用户从中选择患处，从而实现分诊，主要优点是操作方便，不足之处在于病源与患处的位置并不统一，目前市场上所使用自动分诊技术大体上都近似于以上两种方法。
3.以上对于分诊系统的研究与开发，偏重于直接对于患者进行分诊服务，没有重视于患者疑问的初步解惑上，即没有对于患者挂号时所提及的信息，给出初步的疑惑解答。疑惑解答能够提升后续医疗服务中的效率，节省患者与医生大量的时间。所以需要一种既能够自动化对患者进行分诊，又能够智能回答患者疑惑的方法及其装置。


技术实现要素：

4.本发明目的在于提供基于gpt
‑
2模型的智能分诊与医疗问答方法及其装置，能高效地进行分诊并初步解决患者的疑惑，可以在分诊与挂号阶段节省大量的时间，以至于使整个看病就医的时间得到缩短，进而提升整个医院的服务效率。
5.本发明的1、一种基于gpt
‑
2模型的智能分诊与医疗问答方法，其特征在于，所述方法包括：
6.获取gpt
‑
2分诊网络模型及gpt
‑
2医疗问答网络模型；
7.接收所述患者信息；
8.根据所述患者信息，利用所述gpt
‑
2分诊网络模型及所述gpt
‑
2医疗问答网络模型确定所述患者的分诊分类及问诊答案；
9.统计分析分诊分类及问诊答案。
10.进一步的，所述步骤1中的gpt
‑
2分诊网络模型训练采用中文gpt
‑
2分诊预训练模型；所述中文gpt
‑
2分诊预训练模型的训练包括：分类训练数据标注和gpt
‑
2分诊网络模型自动化训练；
11.进一步的，所述分类训练数据标注的处理包括：编码处理和去噪处理；所述gpt
‑
2分诊网络模型自动化训练，具体步骤如下：
12.(1)经分类训练数据标注后形成的分诊分类数据，通过gpt
‑
2预训练模型自带的bert编码器进行词向量编码；
13.(2)在编码后的数据集上进行分类训练任务,将所有的n个文本数据视为(x1，x2,...,xn),将每个文本内容都认为是可变长度的符号序列(s1,s2,...,sm)，所有的k个类别记为(y1,y2,...,yk)，随后对每个s进行联合概率分布的计算,即得到每个文本内容出现的联合概率分布,同时联合概率可以拆分为多个条件概率的乘积,如下公式：
[0014][0015]
在文本内容为x的情况下，可能类别的概率为p(y|x)；
[0016]
(3)在训练过程中,对于文本内容x，对所有类别y的形如p(y
i
∣s1,s2,
…
,s
n
‑
k
‑1)的条件概率，进行估计；
[0017]
(4)训练完成后，获得gpt
‑
2分诊网络模型。
[0018]
进一步的，所述步骤2中的gpt
‑
2医疗问答网络模型训练采用中文gpt
‑
2医疗问答预训练模型；所述中文gpt
‑
2医疗问答预训练模型的训练包括：医疗问答训练数据的获取和gpt
‑
2医疗问答网络模型自动训练。
[0019]
进一步的，所述医疗问答训练数据的获取方法包括:编码处理和去噪处理；所述gpt
‑
2医疗问答网络模型自动训练，具体步骤如下：
[0020]
(1)医疗问答训练数据的获取后形成的医疗问答数据，通过gpt
‑
2预训练模型自带的bert编码器进行词向量编码；
[0021]
(2)在编码后的数据集进上行文本生成训练任务,将所有的n个文本数据视为(x1，x2,...,xn),将每个文本内容都认为是可变长度的符号序列(s1,s2,...,sm)，随后对每个s进行联合概率分布的计算,即得到每个文本内容出现的联合概率分布,同时联合概率可以拆分为多个条件概率的乘积,如下公式：
[0022][0023]
(3)在训练过程中,允许对p(x)以及形如p(s
n
‑
k
,
…
,s
n
∣s1,s2,
…
,s
n
‑
k
‑1)的所有条件概率设置可以追溯的取样和估计值，根据条件概率逐步使用gpt
‑
2解码器解码；
[0024]
(4)训练完成后，获得gpt
‑
2医疗问答网络模型。
[0025]
进一步的，所述步骤3中的患者分诊分类包括：
[0026]
患者问题输入：患者将想要得到回答的问题输入到系统中，输送至gpt
‑
2分诊网络模型进行调用；
[0027]
分诊网络模型调用：将患者的问题输入到分诊网络模型中，并将生成的分诊类别储存下来。
[0028]
进一步的，所述根据所述患者信息，利用所述gpt
‑
2分诊网络模型及所述gpt
‑
2医疗问答网络模型确定所述患者的分诊分类及问题答案，包括：
[0029]
获取所述患者信息中的分诊问题，将所述分诊问题输入所述gpt
‑
2分诊网络模型
生成分诊分类，并存储所述分诊问题与所述分诊类别。
[0030]
进一步的，所述根据所述患者信息，利用所述gpt
‑
2分诊网络模型及所述gpt
‑
2医疗问答网络模型确定所述患者的分诊分类及问诊答案，包括：
[0031]
获取所述患者信息中的问诊问题，将所述问诊问题输入所述gpt
‑
2分诊网络模型生成问诊答案，并存储所述问诊问题与所述问诊答案。
[0032]
进一步的，所述方法还包括：采用信息显示方式将储存下来的分诊分类结果及问诊答案显示给患者。
[0033]
进一步的，所述统计分析分诊分类及问诊答案，包括：
[0034]
在医疗结束后，接收所述患者对分诊分类与问诊答案的打分；
[0035]
获取所述患者针对分诊分类与问诊答案进行的评论；
[0036]
根据打分及评论进行统计分析，调整智能分诊与医疗问答方法。
[0037]
本发明还提供一种基于gpt
‑
2模型的智能分诊与医疗问答的装置，包括：gpt
‑
2分诊网络模型训练模块、gpt
‑
2医疗问答网络模型训练模块、患者分诊分类模块、患者疑问解答模块、智能分诊与医疗回答模块、分诊与回答效果统计模块；所述gpt
‑
2分诊网络模型训练模块包括：中文gpt
‑
2预训练模型单元、分类训练数据标注单元、gpt
‑
2分诊网络模型自动训练单元；所述gpt
‑
2医疗问答网络模型训练模块包括：中文gpt
‑
2预训练模型单元、问答训练数据获取单元、gpt
‑
2医疗问答网络模型自动训练单元；所述患者分诊分类模块包括：患者问题输入单元、分诊网络模型调用单元、所述患者疑问解答模块包括：患者问题输入单元、医疗问答网络模型调用单元；所述智能分诊与医疗回答模块包括信息显示单元；所述分诊与回答效果统计模块包括：患者打分单元、患者评论单元。
[0038]
有益效果
[0039]
本发明的基于gpt
‑
2模型的智能分诊与医疗问答方法及其装置，具有以下优点：
[0040]
1、本发明采用gpt
‑
2网络模型进行分诊网络模型训练，借助gpt
‑
2中文预训练模型的高度预训练性，再加以分诊分类数据进行微调训练，从而得到了符合智能分诊问题的分诊网络模型，能够快速进行分诊，提高患者就诊效率。
[0041]
2、本发明采用gpt
‑
2网络模型进行医疗问答网络模型训练，借助gpt
‑
2中文预训练模型的高度预训练性，再加以医疗问答数据进行微调训练，从而得到了符合医疗问答问题的医疗问答模型，对于患者挂号时所提及的信息，给出初步的疑惑解答。疑惑解答能够提升后续医疗服务中心的效率，节省患者与医生大量的时间。
[0042]
3、本发明的患者分诊分类，从而系统地将gpt
‑
2分诊网络模型用于分诊分类问题中，快速根据患者的问题生成患者应该前往的科室；
[0043]
4、本发明的对患者疑问解答，从而系统地将gpt
‑
2医疗问答网络模型用于医疗问答问题中，快速根据患者的问题生成患者想要获取的回答；
[0044]
5、本发明的智能分诊与医疗回答，将分诊网络模型与医疗问答网络模型产生的结果快速反馈给患者，从而使患者即时进行反应；
[0045]
6、本发明的分诊与回答效果统计，可以有效地获取患者对于系统结果有效性的反馈，从而在后续继续对智能分诊与医疗问答系统进行改进。
[0046]
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明
书,权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0047]
图1是本发明基于gpt
‑
2模型的智能分诊与医疗问答方法的示意图；
[0048]
图2是本发明基于gpt
‑
2模型的智能分诊与医疗问答方法的数据标注示例图；
[0049]
图3是本发明基于gpt
‑
2模型的智能分诊与医疗问答方法的gpt
‑
2分诊网络模型自动化训练流程图；
[0050]
图4是本发明基于gpt
‑
2模型的智能分诊与医疗问答方法的gpt
‑
2医疗问答网络模型自动化训练流程图；
[0051]
图5是本发明gpt
‑
2模型的智能分诊与医疗问答装置的示意图。
具体实施方式
[0052]
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明的基于gpt
‑
2模型的智能分诊与医疗问答方法及其装置做进一步详细的描述。
[0053]
本发明提出的基于gpt
‑
2模型的智能分诊与医疗问答方法，采用gpt
‑
2网络模型对医疗及其问答数据进行训练，形成gpt
‑
2分诊网络模型和gpt
‑
2医疗问答网络模型，达到对患者进行智能分诊和患者疑问解答的目的，提高了就诊的效率，如图1所示，该方法的具体步骤如下：
[0054]
步骤1：gpt
‑
2分诊网络模型训练；
[0055]
将医疗数据进行预处理后输入到指定的模型训练模块中采用gpt
‑
2网络模型进行大量训练，得到一个能够根据患者的问题进行分诊分类的神经网络模型，即gpt
‑
2分诊网络模型m1；
[0056]
gpt
‑
2网络模型(简称gpt
‑
2模型)能够创作出逻辑清晰且激情盎然的文章，远远超出了人们对当前语言模型创造力的预期；gpt
‑
2网络模型能够生成各种文本,这些文本已经高度接近人类的语言逻辑，所以本发明采用gpt
‑
2网络模型进行训练。
[0057]
步骤2：gpt
‑
2医疗问答网络模型训练；
[0058]
将医疗问答数据进行编码与预处理后输入到指定的问答模型训练模块中采用gpt
‑
2网络模型进行批量训练，得到一个能够根据患者的问题进行智能回答的神经网络模型，即gpt
‑
2医疗问答网络模型m2；
[0059]
步骤3：患者分诊分类；
[0060]
通过调用gpt
‑
2分诊网络模型m1，根据患者的问题，生成可能需要分诊到的科室分类，并储存起来，形成患者分诊分类模块m3，在智能分诊与医疗回答环节使用；
[0061]
步骤4：患者疑问解答；
[0062]
通过调用gpt
‑
2医疗问答网络模型m2，根据患者的问题，生成对应的回答文本，并储存起来，形成患者疑问解答模块m4，供患者智能分诊与医疗回答环节使用；
[0063]
步骤5：智能分诊与医疗回答；
[0064]
将患者分诊分类与患者疑惑解答步骤中所产生的类别以及文本通过媒介展现给患者，形成智能分诊与医疗回答模块m5；
[0065]
步骤6：分诊与回答效果统计；
[0066]
在患者就医后，请患者对系统进行打分与评价，形成分诊与回答效果统计模块m6，实现对效果进行评估。
[0067]
进一步的，步骤1中所述的gpt
‑
2分诊网络模型采用中文gpt
‑
2分诊预训练模型：所述中文gpt
‑
2分诊预训练模型基于原始gpt
‑
2模型架构在大量中文文本语料库中进行训练后所产生的预训练模型，所述中文gpt
‑
2分诊预训练模型的训练包括：根据患者所问问题以及最后的分诊结果进行的分类训练数据标注和在分诊分类数据集上进行微调优化自动化训练的gpt
‑
2分诊网络模型自动化训练。
[0068]
中文gpt
‑
2网络模型能够出色的完成翻译、分类、问答、自动摘要、阅读、理解等任务，不需要使用这些特定领域的训练数据，不需要从原始文本开始学习，而只需要使用特定领域内的数据进行微调训练即可。
[0069]
本发明通过复用gpt网络模型的原始架构,使用在大量中文文本语料数据集，主要包括：清华大学自然语言处理与社会人文计算实验室发布的thucnews数据集、中文百度百科中文文本数据集和中文维基百科中文文本数据集上训练而成的中文gpt
‑
2分诊预训练模型，再进行后续的微调训练。
[0070]
进一步的，如图2所示示例，gpt
‑
2分诊网络模型的分类训练数据标注中由于部分问题文本长度较长，因此需要进行缩短和预处理工作，所述预处理包括：编码处理和去噪处理。编码处理中采用通用性较高的utf
‑
8编码方式来进行编码，以便在不同的系统上能够方便使用，最后得到utf
‑
8格式文本；去噪处理中数据集的部分文本存在较多的大小写错误、无意义标点符号、中英文缩写问题、错词漏字问题。所以需要采用去噪处理工具,以枚举的方法对每个噪声发生点进行去除噪声。
[0071]
如图3所示，所述gpt
‑
2分诊网络模型自动化训练，具体步骤如下：
[0072]
(1)经分类训练数据标注后形成的分诊分类数据，通过gpt
‑
2预训练模型自带的bert编码器进行词向量编码；
[0073]
(2)在编码后的数据集进上行分类训练任务,将所有的n个文本数据视为(x1，x2,...,xn),将每个文本内容都认为是可变长度的符号序列(s1,s2,...,sm)，所有的k个类别记为(y1,y2,...,yk)，随后对每个s进行联合概率分布的计算,即得到每个文本内容出现的联合概率分布,同时联合概率可以拆分为多个条件概率的乘积,如下公式：
[0074][0075]
在文本内容为x的情况下，可能类别的概率为p(y|x)。
[0076]
(3)在训练过程中,对于文本内容x，对所有类别y的形如p(y
i
∣s1,s2,
…
,sn
‑
k
‑
1)的条件概率，进行估计。
[0077]
(4)训练完成后，获得gpt
‑
2分诊网络模型。
[0078]
本发明采用准确率(acc)、精确率(p)作为评价标准，对gpt
‑
2分诊网络模型自动训练的有效性进行评价，其计算公式如下,c表示每个类别分类正确数量，n表示所有类别的总数，tp表示该类别分类正确的样本数，fp表示错分为该类别的样本数：
[0079][0080]
[0081]
指定模型在10000条测试集中进行测试，实验结果如表1和表2所示。
[0082]
表1全部测试集准确率
[0083]
数据准确率acc全部测试集76.84％
[0084]
表2各科室数据准确率
[0085]
数据类别精确率p内科82.31％儿科81.62％外科79.73％男科80.11％妇产科69.27％肿瘤科85.72％平均值79.79％
[0086]
进一步的，步骤2中所述gpt
‑
2医疗问答网络模型采用中文gpt
‑
2医疗问答预训练模型。所述中文gpt
‑
2医疗问答预训练模型基于原始gpt
‑
2模型架构在大量中文文本语料库中进行训练后所产生的预训练模型；所述中文gpt
‑
2医疗问答预训练模型的训练包括：根据患者所问问题以及医生所给准确回答进行配对的医疗问答训练数据的获取和gpt
‑
2医疗问答网络模型自动训练。
[0087]
进一步的，所述问答训练数据的获取方法包括:
[0088]
(1)编码处理:数据集采用通用性较高的utf
‑
8编码方式来进行编码，以便在不同的系统上能够方便使用，最后得到utf
‑
8格式文本；
[0089]
(2)去噪处理:部分数据集的文本存在较多的大小写错误、无意义标点符号、中英文缩写问题、错词漏字问题。采用去噪处理,以枚举的方法对每个噪声发生点进行了去除工作。
[0090]
所述的gpt
‑
2医疗问答网络模型自动训练采用医疗问答训练数据的获取后形成的医疗问答数据进行微调优化自动化训练，如图4中所示，具体步骤如下：
[0091]
(1)医疗问答训练数据的获取后形成的医疗问答数据，通过gpt
‑
2预训练模型自带的bert编码器进行词向量编码；
[0092]
(2)在编码后的数据集上进行文本生成训练任务,将所有的n个文本数据视为(x1，x2,...,xn),将每个文本内容都认为是可变长度的符号序列(s1,s2,...,sm)，随后对每个s进行联合概率分布的计算,即得到每个文本内容出现的联合概率分布,同时联合概率可以拆分为多个条件概率的乘积,如下公式：
[0093][0094]
(3)在训练过程中,允许对p(x)以及形如p(s
n
‑
k
,
…
,s
n
∣s1,s2,
…
,s
n
‑
k
‑1)的所有条件概率设置可以追溯的取样和估计值，根据条件概率逐步使用gpt
‑
2解码器解码；
[0095]
(4)训练完成后，获得gpt
‑
2医疗问答网络模型。
[0096]
本发明采用bleu作为gpt
‑
2医疗问答网络模型自动化训练的有效性评价标准，其
计算公式如下，lc表示生成回答的长度，lr表示参考回答的长度，wn表示n
‑
gram的权重，pn指n
‑
gram的精确率:
[0097][0098][0099]
h
i
(c):n_gram i在c里面出现的次数
[0100]
h
i
(s
j
):n_gram i在第j个参考回答出现的次数
[0101]
i:c里面的n_gram
[0102]
指定模型在10000条测试集中进行测试，实验结果如表3所示。
[0103]
表3各科室bleu评价标准情况
[0104]
数据类别bleu内科45.59％儿科49.32％外科52.08％男科42.53％妇产科47.81％肿瘤科51.89％均值48.20％
[0105]
进一步的，步骤3中所述患者分诊分类包括：
[0106]
患者问题输入：患者将想要得到回答的问题输入到系统中，输送至gpt
‑
2分诊网络模型进行调用；所述问题文本相当于gpt
‑
2分诊网络模型中的训练数据所用问题文本数据。
[0107]
分诊网络模型调用：将患者的问题输入到分诊网络模型中，并将生成的分诊类别储存下来；生成的分诊类别相当于gpt
‑
2分诊网络模型中的训练数据所用类别。存储时采用(问题,类别)二元组的格式进行存储。
[0108]
进一步的，步骤4中所述患者疑问解答包括：
[0109]
患者问题输入：患者将想要得到回答的问题文本输入到系统中，输送至gpt
‑
2分诊网络模型进行调用；所述问题文本相当gpt
‑
2医疗问答网络模型中的训练数据所用问题文本数据。
[0110]
医疗问答网络模型调用：将患者的问题输入到医疗问答网络模型中，并将生成的相应回答储存下来。生成的分诊类别相当于gpt
‑
2医疗问答网络模型中的训练数据所用类别。存储时采用(问题,类别)二元组的格式进行存储。
[0111]
进一步的，在步骤5中所述智能分诊与医疗回答中采用信息显示方式将储存下来的患者分诊分类与患者疑问解答的结果显示给患者。即将步骤3和步骤4中产生并存储下来的(问题,类别)二元组和(问题,回答)二元组两个二元组以合适的格式显示在患者面前。
[0112]
进一步的，在步骤6中所述分诊与回答效果统计包括：
[0113]
患者打分：在医疗结束后，患者对智能分诊与医疗问答进行打分；使用五分制，五分最高，零分最低；
[0114]
患者评论：针对智能分诊与医疗问答的结果进行评论，管理人员根据评论内容对整个智能分诊与医疗问答系统加以改进。另外会将用户的评论单独存储起来，以便管理员后续查看。
[0115]
如图5所示，本发明还提供一种基于gpt
‑
2模型的智能分诊与医疗问答的装置，能够快速自动化对患者进行分诊并回答患者疑惑。该装置包括：
[0116]
gpt
‑
2分诊网络模型训练模块，将医疗数据进行预处理后输入到指定的模型训练模块中进行大量训练，得到一个能够根据患者的问题进行分诊分类的神经网络模型，即gpt
‑
2分诊网络模型；
[0117]
gpt
‑
2医疗问答网络模型训练模块：将医疗问答数据进行编码与预处理后输入到指定的问答模型训练模块中进行批量训练，得到一个能够根据患者的问题进行智能回答的神经网络模型，即gpt
‑
2医疗问答网络模型；
[0118]
患者分诊分类模块，通过调用gpt
‑
2分诊网络模型，根据患者的问题，生成可能需要分诊到的科室分类，并储存起来，在智能分诊与医疗回答环节使用；
[0119]
患者疑问解答模块，通过调用gpt
‑
2医疗问答网络模型，根据患者的问题，生成对应的回答文本，并储存起来，供患者智能分诊与医疗回答环节使用；
[0120]
智能分诊与医疗回答模块，将患者分诊分类与患者疑惑解答环节所产生的类别以及文本通过媒介展现给患者；
[0121]
分诊与回答效果统计模块，在患者就医后，让患者对系统进行打分与评价，后续对效果进行评估。
[0122]
所述gpt
‑
2分诊网络模型训练模块包括：
[0123]
中文gpt
‑
2预训练模型单元，通过分类训练数据标注处理和gpt
‑
2分诊网络模型自动训练后所产生的预训练模型部分；
[0124]
分类训练数据标注单元，根据患者所问问题以及最后的分诊结果进行标注部分；
[0125]
gpt
‑
2分诊网络模型自动训练单元，将进行标注后的分类训练数据输入到分诊网络模型中进行自动化训练部分，并根据各项指标判断训练的有效性；
[0126]
所述gpt
‑
2医疗问答网络模型训练模块包括：
[0127]
中文gpt
‑
2预训练模型单元，对获取的问答训练数据进行处理以及自动化训练后所产生的预训练模型部分；
[0128]
问答训练数据获取单元，根据患者所问问题以及医生所给准确回答进行配对的部分；
[0129]
gpt
‑
2医疗问答网络模型自动训练单元，将处理好的后的问答训练数据输入到问答模型中进行自动化训练部分，并根据各项指标判断训练的有效性；
[0130]
所述患者分诊分类模块包括：
[0131]
患者问题输入单元，患者将想要得到回答的问题输入到系统中，输送至gpt
‑
2分诊网络模型进行调用部分；
[0132]
分诊网络模型调用单元，将患者的问题输入到分诊网络模型中，并将生成的分诊类别储存下来部分；
[0133]
所述患者疑问解答模块包括：
[0134]
患者问题输入单元，患者将想要得到回答的问题输入到系统中，输送至gpt
‑
2分诊
网络模型进行调用部分；
[0135]
医疗问答网络模型调用单元，将患者的问题输入到医疗问答网络模型中，并将生成的相应回答储存下来部分。
[0136]
所述智能分诊与医疗回答模块包括：
[0137]
信息显示单元：将储存下来的患者分诊分类与患者疑问解答的结果显示给患者的部分。
[0138]
所述分诊与回答效果统计模块包括：
[0139]
患者打分单元，在医疗结束后，患者对智能分诊与医疗问答进行打分的部分；
[0140]
患者评论单元，针对智能分诊与医疗问答的结果进行评论的部分，管理人员根据评论内容对整个智能分诊与医疗问答系统加以改进。
[0141]
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块,电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
[0142]
对于软件实现,本发明中描述的技术可用执行本发明所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下﹐它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。