机器人多任务诊查技能策略生成方法、装置及存储介质与流程

1.本公开涉及医疗机器人领域，特别涉及一种机器人多任务诊查技能策略生成方法、装置及存储介质。


背景技术：

2.当前诸如超声扫查、听诊等医学检查操作是临床疾病诊断不可或缺的重要手段。随着医疗机器人技术的发展，部分医疗机器人已应用于超声扫查、听诊等诊断领域以减轻医生工作负担。然而目前机器人诊查操作的自主化和智能化程度依然不高，并且一种机器人只能完成某种特定的检查任务，机器人医疗操作技能训练成本也较为高昂。因此如何高效的提高机器人的智能化诊查操作技能水平，同时实现一台机器人可具备自主完成多种诊查操作的能力成为当前急需解决的重要问题。


技术实现要素：

3.本公开旨在解决上述问题之一。
4.为此，本公开第一方面实施例提供的可完成多种不同医疗诊查操作的机器人多任务诊查技能策略生成方法，包括：
5.构建诊查技能策略神经网络，采用最大化熵形式的强化学习方法对所述诊查技能策略神经网络进行预训练以获取最大熵诊查技能策略神经网络；
6.对于不同种类诊查任务均分别按照如下步骤得到相应的单任务诊查技能策略：
7.利用分而治之方法将同种诊查任务分成多种不同类别的子任务，针对不同类别的子任务分别复制所述最大熵诊查技能策略神经网络并分别采用强化学习方法进行训练，得到同种任务不同类别子任务对应的诊查技能策略神经网络，以获得同种任务不同类别的子任务诊查技能策略；利用策略蒸馏方法对所述同种任务不同类别的子任务诊查技能策略进行蒸馏得到单任务诊查技能策略；
8.利用策略蒸馏方法对多种不同种类的所述单任务诊查技能策略进行蒸馏得到多任务诊查技能策略。
9.本公开第一方面实施例提供的机器人多任务诊查技能策略生成方法，具有以下特点及有益效果：
10.本公开第一方面实施例提供的机器人多任务诊查技能策略生成方法，可高效便捷的实现多任务诊查技能策略的生成，以完成多种诊查任务。首先基于最大化熵形式的强化学习方法进行预训练增加策略熵，提高策略动作输出多样性，以有利于后续多任务诊查技能的学习。再采用分而治之思想，针对不同诊断操作学习获得相应的不同技能，利用策略蒸馏方法将多种不同的操作技能策略蒸馏到同一技能神经网络，以得到多任务诊查技能策略。
11.在一些实施例中，所述诊查技能策略神经网络的参数通过随机化的方式生成，基于式(1)采用最大化熵形式的强化学习方法对所述诊查技能策略神经网络的参数进行预训
练，以使所述最大熵诊查技能策略神经网络输出的动作具有多样性，所述式(1)为：
12.max∑
teπ
[r'(s
t
',a
t
')] h(π)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0013]
其中，s
t
',a
t
'分别表示在时刻t的第一状态和第一动作，r'(s
t
',a
t
')表示在第一状态s
t
'执行第一动作a
t
'后对应得到的第一奖赏值，π表示诊查技能策略，h(π)表示诊查技能策略π对应的熵，e
π
表示基于诊查技能策略π产生的数据计算期望值。
[0014]
在一些实施例中，所述分而治之方法为k-均值聚类方法，基于同种诊查任务特征属性，将同种诊查任务划分为成k个类别的子任务，针对每个类别的子任务分别进行训练，得到同种诊查任务不同类别的子任务诊查技能策略
[0015]
在一些实施例中，利用基于式(2)的策略蒸馏方法对所述同种任务不同类别的子任务诊查技能策略进行蒸馏得到所述单任务诊查技能策略：
[0016][0017]
其中，表示子任务诊查技能策略与单任务诊查技能策略πc之间的kl散度。
[0018]
在一些实施例中，所述诊查技能策略神经网络包括神经元个数分别为128,256,128,12的四层全连接层，各所述全连接层均采用relu激活函数，所述诊查技能策略神经网络的输入为(c 40)维的输入向量，所述输入向量的前c维用于编码诊查任务类型，所述输入向量的(c 1)到(c 6)维为机器人末端诊查执行器相对于诊查对象检测部位的六维位姿向量，所述输入向量的(c 7)到(c 12)维为机器人末端诊查执行器相对于诊查对象检测部位的六维速度量，所述输入向量的(c 13)到(c 28)维为机器人末端的六个关节角度值，所述输入向量的(c 29)到(c 34)维为机器人末端的六个关节角速度值，所述输入向量的(c 35)到(c 40)维为机器人末端诊查执行器受到的六维力/力矩值；所述诊查技能策略神经网络的输出为12维的输出向量，所述输出向量的1到6维为机器人末端诊查执行器应到达的六维姿态，所述输出向量的7到12维为机器人末端诊查执行器应施加到诊查对象检测部位的六维力/力矩值。
[0019]
在一些实施例中，随机生成的所述诊查技能策略神经网络的参数包括相邻两层所述全连接层的神经元之间连接的权重值及对应的偏置项参数。
[0020]
本公开第二方面实施例提供的机器人多任务诊查技能策略生成装置，包括：
[0021]
最大熵诊查技能策略神经网络获取模块，用于构建诊查技能策略神经网络，采用最大化熵形式的强化学习方法对所述诊查技能策略神经网络进行预训练以获取最大熵诊查技能策略神经网络；
[0022]
单任务诊查技能策略生成模块，用于针对不同种类诊查任务均分别按照如下操作得到相应的单任务诊查技能策略：利用分而治之方法将同种诊查任务分成多种不同类别的子任务，针对不同类别的子任务分别复制所述最大熵诊查技能策略神经网络并分别采用强化学习方法进行训练，得到同种任务不同类别的子任务诊查技能策略神经网络，以获得同种任务不同类别的子任务诊查技能策略；利用策略蒸馏方法对所述同种任务不同类别的子任务诊查技能策略进行蒸馏得到单任务诊查技能策略；
[0023]
多任务诊查技能策略生成模块，用于利用策略蒸馏方法对多种不同种类的单任务诊查技能策略进行蒸馏得到多任务诊查技能策略。
[0024]
本公开第三方面实施例提供的计算机可读存储介质，所述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上述机器人多任务诊查技能策略生成方法。
附图说明
[0025]
图1为本公开第一方面实施例提供的机器人多任务诊查技能策略生成方法的流程图。
[0026]
图2为本公开第三方面实施例提供的电子设备的结构示意图。
具体实施方式
[0027]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本技术，并不用于限定本技术。
[0028]
相反，本技术涵盖任何由权利要求定义的在本技术精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本技术有更好的了解，在下文对本技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本技术。
[0029]
参见图1，本公开第一方面实施例提供的机器人多任务诊查技能策略生成方法，包括：
[0030]
构建诊查技能策略神经网络，采用最大化熵形式的强化学习方法对诊查技能策略神经网络进行预训练以获取最大熵诊查技能策略神经网络；
[0031]
对于不同种类诊查任务均分别按照如下步骤得到相应的单任务诊查技能策略：
[0032]
利用分而治之方法将同种诊查任务分成多个不同类别的子任务，针对不同类别的子任务分别复制最大熵诊查技能策略神经网络并分别采用强化学习方法进行训练，得到同种任务不同类别的子任务诊查技能策略神经网络，以获得同种任务不同类别的子任务诊查技能策略；利用策略蒸馏方法对同种任务不同类别的子任务诊查技能策略进行蒸馏得到单任务诊查技能策略；
[0033]
利用策略蒸馏方法对多种不同种类的单任务诊查技能策略进行蒸馏得到多任务诊查技能策略，以此实现一个技能策略完成多任务诊查技能的目标。
[0034]
在一个实施例中，利用安装于诊查任务环境中的彩色深度相机获取全场景rgb图像和深度图像，基于fcn语义分割方法对rgb图像进行语义分割得到语义分割图，再借助深度图像提供的深度信息及空间坐标变换方法得到诊查对象待诊查身体部位在机器人坐标系下的六维空间坐标pi＝[p
x
,py,pz,r
x
,ry,rz]，p
x
,py,pz,r
x
,ry,rz分别为诊查对象待诊查身体部位在机器人坐标系下沿x,y,z轴的坐标分量以及绕x,y,z轴的转角。
[0035]
在一个实施例中，诊查技能策略神经网络用于实现听诊检查、低频超声扫查和高频超声扫查三种诊查任务，为此在机械臂的末端沿不同方向设有三种对应的诊查任务执行器(听诊器、低频超声探头及高频超声探头)，诊查技能策略神经网络包括神经元个数分别
为128,256,128,12的四层全连接层，各全连接层均采用relu激活函数，诊查技能策略神经网络的输入为42维的输入向量；其中，输入向量的前2维用于编码诊查任务类型，一种可行的方案是(0,0)用于编码听诊任务，(0,1)用于编码低频超声扫查任务，(1,0)用于编码高频超声扫查任务；输入向量的3到8维为机器人末端诊查执行器相对于诊查对象检测部位的六维位移量pr，其中pr＝p
e-pi，pe为机器人末端诊查执行器在机器人坐标系下的六维位姿向量；输入向量的9到14维为机器人末端诊查执行器相对于诊查对象检测部位的六维速度量vr，其中vr可通过当前采样时刻的六维位姿向量pr减去上一步采样时刻的六维位姿向量pr得到差值后再除以两次采样的时间间隔得到；输入向量的15到30维为机器人末端的六个关节角度值；输入向量的31到36维为机器人末端的六个关节角速度值；输入向量的37到42维为机器人末端诊查执行器受到的六维力/力矩值，通过设置于机械臂上的六维力/力矩传感器采集得到。诊查技能策略神经网络的输出为12维的输出向量；其中，输出向量的1到6维为机器人末端诊查执行器应到达的六维姿态；输出向量的7到12维为机器人末端诊查执行器应施加到诊查对象检测部位的六维力/力矩值。
[0036]
在一些实施例中，诊查技能策略神经网络的参数通过随机化的方式生成，随机生成的诊查技能策略神经网络的参数包括四层神经元个数分别为128、256、128和12的全连接神经网络中相邻两层神经网络神经元之间连接的权重值及对应的偏置项参数。
[0037]
在一些实施例中，采用最大化熵形式的强化学习方法对诊查技能策略神经网络进行预训练，可增加策略熵，使学习得到的最大熵诊查技能策略神经网络输出的动作具有多样性，以有利于后续多任务诊查技能的学习，具体包含以下步骤：
[0038]
s1：构建数据存储量大小为m'(m'＝1
×
105)的第一经验池r'，第一经验池r'中所存放的数据类型为状态转移对，记为第一状态转移对(s
t
',a
t
',r
t
',s
t 1
')，其中s
t
'表示t时刻的第一状态，a
t
'表示在t时刻执行的第一动作，r
t
'表示t时刻得到的第一奖赏值，该第一奖赏值通过第一奖赏函数r'(s
t
',a
t
')确定，若诊查技能策略成功执行完诊查任务则获得第一奖赏值为1，否则第一奖赏值均为-1，s
t 1
'表示在第一状态s
t
'执行第一动作a
t
'后到达的状态；初始化第一经验池r'为空集，初始的诊查技能策略随机化生成，作为当前诊查技能策略π；
[0039]
s2：执行当前诊查技能策略π，收集当前第一状态转移对(s
t
',a
t
',r
t
',s
t 1
')数据，并将当前第一状态转移对数据存放到第一经验池r'；
[0040]
s3：从第一经验池r'中采集数据，基于下式对诊查技能策略神经网络的参数进行更新，得到更新后的诊查技能策略神经网络：
[0041]
max∑
teπ
[r'(s
t
',a
t
')] h(π)
[0042]
其中，h(π)表示当前诊查技能策略π对应的熵，e
π
表示基于当前诊查技能策略π产生的数据计算期望值；
[0043]
令当前诊查技能策略π为更新后的诊查技能策略神经网络生成的诊查技能策略；
[0044]
s4：不断重复步骤s2～s3，直至成功率达到设定值(95％)或者迭代步数达到最大步数(10000步)，结束预训练过程，得到最大熵诊查技能策略神经网络。
[0045]
在一些实施例中，利用的分而治之方法是依据诊查任务特征的不同将同种诊查任务分成多个不同类别的子任务，其中一种可优选的诊查任务类别划分方案是采用k-均值聚类方法，基于同种诊查任务特征属性，将同种诊查任务划分为成k个类别的子任务，具体包
括以下步骤：
[0046]
针对某种诊查任务(例如对诊查对象的不同部位进行高频超声扫查)进行准确的示教诊查操作，记录该操作过程中诊查设备末端沿机器人坐标系x,y,z轴方向的位置坐标序列和欧拉角坐标序列同时记录示教操作中施加到诊查设备末端沿机器人坐标系x,y,z轴方向的力序列和力矩序列其中，t为示教操作的时间序列长度，表示从时刻i＝1到i＝t的序列{x1,x2,
…
,x
t
}，其它物理量序列含义类同。基于此计算得到空间六维位姿变化量特征δp＝[δx
max
,δy
max
,δz
max
,δrx
max
,δry
max
,δrz
max
]，其中]，其中]，其中]，其中同时计算空间六维力/力矩矩变化量特征δf＝{δfx
max
,δfy
max
,δfz
max
,δtx
max
,δty
max
,δtz
max
}，其中}，其中}，其中}，其中最后将六维位姿变化量特征δp和六维力/力矩变化量特征δf及时间t合成一个特征向量tf作为任务特征，其中任务特征tf表示为如下13维向量：
[0047]
tf＝[t,δx
max
,δy
max
,δz
max
,δrx
max
,δry
max
,δrz
max
,δfx
max
,δfy
max
,δfz
max
,δtx
max
,δty
max
,δtz
max
]。
[0048]
在一些实施例中，考虑到超声检查时诊查部位的分布位置及深浅并兼顾策略学习效率，对低频超声扫查任务取k＝4，对低频超声扫查任务取k＝4；由因临床检测中通常仅对肺和心脏做听诊检查，故对听诊任务取k＝2。
[0049]
在一些实施例中，针对每个子任务类别分别复制最大熵诊查技能策略神经网络并利用强化学习方法进行学习，得到针对不同类别的子任务诊查技能策略其中k＝1,2,
…
,k。具体学习过程包括以下步骤：
[0050]
s5：构建数据存储量大小为m(m＝2
×
105)的第二经验池r，第二经验池r中所存放数据类型为状态转移对，记为第二状态转移对(s
t
,a
t
,r
t
,s
t 1
)，其中s
t
表示t时刻的第二状态，a
t
表示在t时刻执行的第二动作，r
t
表示t时刻得到的第二奖赏值，该第二奖赏值通过第二奖赏函数r(s
t
,a
t
)确定，若诊查技能策略成功执行完诊查任务则获得第二奖赏值为1，否则第二奖赏值均为-1，s
t 1
表示在第二状态s
t
执行第二动作a
t
后到达的状态；初始化第二经验池r为空集，初始化当前子任务诊查技能策略的参数为复制的最大熵诊查技能策略神经网络参数；
[0051]
s6：执行当前子任务诊查技能策略并收集第二状态转移对(s
t
,a
t
,r
t
,s
t 1
)数据，并将第二状态转移对数据存放到第二经验池r；
[0052]
s7：从第二经验池中r中采集数据，基于下式对子任务诊查技能策略的神经网络参数进行更新，得到更新后的子任务诊查技能策略：
[0053][0054]
其中，表示基于子任务诊查技能策略产生的数据计算期望值；
[0055]
令当前子任务诊查技能策略为更新后的子任务诊查技能策略神经网络生成的子任务诊查技能策略；
[0056]
s8：多次执行更新后的子任务诊查技能策略并计算其成功率，当成功率大于95％后学习结束，否则继续依次重复步骤s6至s7。
[0057]
在一些实施例中，利用策略蒸馏方法对同种任务不同类别子任务诊查技能策略进行蒸馏得到单任务诊查技能策略πc，具体包括：
[0058]
将针对k种子任务类别对应的训练好的子任务诊查技能策略基于下式蒸馏得到单任务诊查技能策略πc：
[0059][0060]
其中，表示子任务诊查技能策略与单任务诊查技能策略πc之间的kl散度。
[0061]
在一些实施例中，采用多任务学习方法对c(c＝3)种不同的诊查任务(听诊检查、高频超声扫查及低频超声扫查)分别基于步骤s4、s5得到不同的单任务诊查技能策略πc(c＝1,2,
…
,c)。
[0062]
在一些实施例中，基于多种不同的单任务诊查技能策略πc(c＝1,2,
…
,c)，利用下式所蒸馏得到多任务诊查技能策略πg：
[0063][0064]
其中，d
kl
(πc||πg)表示单任务诊查技能策略πc与多任务诊查技能πg之间的kl散度。
[0065]
通过本公开第一方面实施例提供的机器人多任务诊查技能策略生成方法最终实现了由一个诊查多任务技能策略执行多种不断诊查操作任务的目标。
[0066]
本公开第二方面实施例提供的机器人多任务诊查技能策略生成装置，包括：
[0067]
最大熵诊查技能策略神经网络获取模块，用于构建诊查技能策略神经网络，采用最大化熵形式的强化学习方法对所述诊查技能策略神经网络进行预训练以获取最大熵诊查技能策略神经网络；
[0068]
单任务诊查技能策略生成模块，用于针对不同种类诊查任务均分别按照如下操作得到相应的单任务诊查技能策略：利用分而治之方法将同种诊查任务分成多种不同类别的子任务，针对不同类别的子任务分别复制所述最大熵诊查技能策略神经网络并分别采用强化学习方法进行训练，得到同种任务不同类别子任务对应的诊查技能策略神经网络，以获
得同种任务不同类别的子任务诊查技能策略；利用策略蒸馏方法对所述同种任务不同类别的子任务诊查技能策略进行蒸馏得到单任务诊查技能策略；
[0069]
多任务诊查技能策略生成模块，用于利用策略蒸馏方法对多种不同种类的单任务诊查技能策略进行蒸馏得到多任务诊查技能策略。
[0070]
为了实现上述实施例，本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，用于执行上述实施例。
[0071]
下面参考图2，其示出了适于用来实现本公开实施例的电子设备100的结构示意图。其中，需要说明的是，图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0072]
如图2所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储装置108加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram 103中，还存储有电子设备100操作所需的各种程序和数据。处理装置101、rom 102以及ram103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。
[0073]
通常，以下装置可以连接至i/o接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图2示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0074]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从rom 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
[0075]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的
程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0076]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0077]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：构建诊查技能策略神经网络，采用最大化熵形式的强化学习方法对所述诊查技能策略神经网络进行预训练以获取最大熵诊查技能策略神经网络；对于不同种类诊查任务均分别按照如下步骤得到相应的单任务诊查技能策略：利用分而治之方法将同种诊查任务分成多种不同类别的子任务，针对不同类别的子任务分别复制所述最大熵诊查技能策略神经网络并分别采用强化学习方法进行训练，得到同种任务不同类别的子任务诊查技能策略神经网络，以获得同种任务不同类别的子任务诊查技能策略；利用策略蒸馏方法对所述同种任务不同类别的子任务诊查技能策略进行蒸馏得到单任务诊查技能策略；利用策略蒸馏方法对多种不同种类的所述单任务诊查技能策略进行蒸馏得到多任务诊查技能策略。
[0078]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c 、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0079]
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技术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多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。
[0080]
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。在本技术的描述中，“多个”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。
[0081]
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，表示包括一个或更多个用于实现特定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，并且本技术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，这应被本技术的实施例所属技术领域的技术人员所理解。
[0082]
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：具有一个或多个布线的电连接部(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查，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程序，然后将其存储在计算机存储器中。
[0083]
应当理解，本技术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，多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。例如，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。
[0084]
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，可以通过程序来指令相关的硬件完成，所开发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。
[0085]
此外，在本技术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。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。
[0086]
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技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。