基于中医知识图谱的中医辅助诊疗的方法及系统与流程

1.本发明涉及知识图谱技术领域，特别涉及一种基于中医知识图谱的中医辅助诊疗的方法及系统。


背景技术：

2.中医是宝贵的医学财富，中医知识博大精深、体系庞大，中医医生很难全面掌握各种中医知识。中医医生在进行诊疗时，主要是依赖于丰富的临床经验，如何为中医医生提供更全面、更准确的中医知识，辅助中医医生进行诊疗，是一个亟待解决的技术问题。


技术实现要素：

3.本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的方法及系统，能够辅助用户进行中医疾病诊疗，提升中医疾病诊疗的效果。
4.第一方面，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的方法，该方法包括：
5.建立中医辅助诊疗模型，其中，所述中医辅助诊疗模型中包括深度学习神经网络、零次学习模型和中医知识图谱，所述中医知识图谱用于为所述中医辅助诊疗模型提供中医知识，所述深度学习神经网络，用于基于所述中医知识图谱提供的中医知识对输入的健康数据进行处理，生成零次学习特征，所述零次学习模型，用于对所述零次学习特征进行零次学习处理，生成辅助诊疗结果；
6.对所述中医辅助诊疗模型进行训练，生成训练后的所述中医辅助诊疗模型；
7.将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果。
8.在第一方面的第一种实现方式中，所述深度学习神经网络，包括：卷积神经网络和图卷积网络；
9.所述将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果，包括：
10.将所述当前健康数据输入到所述卷积神经网络中；
11.所述卷积神经网络提取所述当前健康数据中的健康特征；
12.所述卷积神经网络将所述健康特征发送给所述图卷积网络；
13.所述图卷积网络从所述中医知识图谱中获取与所述健康特征相关的第一中医知识；
14.所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征；
15.所述图卷积网络将所述中间特征发送给所述卷积神经网络；
16.所述卷积神经网络根据所述中间特征和所述健康特征，生成所述当前健康数据对应的零次学习特征；
17.所述卷积神经网络将所述零次学习特征输入到所述零次学习模型中；
18.所述零次学习模块对所述零次学习特征进行零次学习处理，生成所述当前健康数据对应的辅助诊疗结果。
19.在第一方面的第二种实现方式中，所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征，包括：
20.所述图卷积网络根据第一公式，确定出所述中间特征，所述第一公式为：
[0021][0022]
其中，所述图卷积网络包括至少一个图卷积网络块，bj为第j个图卷积网络块的输出的中间特征，bj为第j个图卷积网络块处理函数，c为所述健康特征，t为所述第一中医知识，d为所述图卷积网络的预设参数权重，f是一个压缩函数。
[0023]
在第一方面的第三种实现方式中，所述建立中医辅助诊疗模型中包括：
[0024]
建立所述中医知识图谱；
[0025]
其中，所述中医知识图谱的顶点为中医实体的属性，所述中医知识图谱的顶点相连的边为两种属性同时出现的概率。
[0026]
第二方面，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的系统，该系统包括：
[0027]
建立模块，用于建立中医辅助诊疗模型，其中，所述中医辅助诊疗模型中包括深度学习神经网络、零次学习模型和中医知识图谱，所述中医知识图谱用于为所述中医辅助诊疗模型提供中医知识，所述深度学习神经网络，用于基于所述中医知识图谱提供的中医知识对输入的健康数据进行处理，生成零次学习特征，所述零次学习模型，用于对所述零次学习特征进行零次学习处理，生成辅助诊疗结果；
[0028]
训练模块，用于对所述中医辅助诊疗模型进行训练，生成训练后的所述中医辅助诊疗模型；
[0029]
辅助模块，用于将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果。
[0030]
在第二方面的第一种实现方式中，所述深度学习神经网络，包括：卷积神经网络和图卷积网络；
[0031]
所述辅助模块，用于执行：
[0032]
将所述当前健康数据输入到所述卷积神经网络中；
[0033]
所述卷积神经网络提取所述当前健康数据中的健康特征；
[0034]
所述卷积神经网络将所述健康特征发送给所述图卷积网络；
[0035]
所述图卷积网络从所述中医知识图谱中获取与所述健康特征相关的第一中医知识；
[0036]
所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征；
[0037]
所述图卷积网络将所述中间特征发送给所述卷积神经网络；
[0038]
所述卷积神经网络根据所述中间特征和所述健康特征，生成所述当前健康数据对应的零次学习特征；
[0039]
所述卷积神经网络将所述零次学习特征输入到所述零次学习模型中；
[0040]
所述零次学习模块对所述零次学习特征进行零次学习处理，生成所述当前健康数据对应的辅助诊疗结果。
[0041]
在第二方面的第二种实现方式中，所述辅助模块，在执行所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征时，具体用于：
[0042]
所述图卷积网络根据第一公式，确定出所述中间特征，所述第一公式为：
[0043][0044]
其中，所述图卷积网络包括至少一个图卷积网络块，bj为第j个图卷积网络块的输出的中间特征，bj为第j个图卷积网络块处理函数，c为所述健康特征，t为所述第一中医知识，d为所述图卷积网络的预设参数权重，f是一个压缩函数。
[0045]
在第二方面的第三种实现方式中，所建立模块中包括图谱建立单元；
[0046]
所述图谱建立单元，用于建立所述中医知识图谱；
[0047]
其中，所述中医知识图谱的顶点为中医实体的属性，所述中医知识图谱的顶点相连的边为两种属性同时出现的概率。
[0048]
第三方面，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的装置，其特征在于，包括：至少一个存储器和至少一个处理器；
[0049]
所述至少一个存储器，用于存储机器可读程序；
[0050]
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面中任一所述的方法。
[0051]
第四方面，本发明实施例提供了一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面中任一所述的方法。
[0052]
本发明实例提供的一种基于中医知识图谱的中医辅助诊疗的装置，至少具有如下有益效果：
[0053]
1、在本发明实施例中，建立了中医辅助诊疗模型，该中医辅助诊疗模型的输入为健康数据，输出为中医辅助诊疗结果，该中医辅助诊疗模型基于中医知识图谱中的中医知识进行深度学习，利用深度学习神经网络、零次学习模型对健康数据进行处理，输出当前健康数据对应的辅助诊疗结果。中医知识图谱中包含了全面、准确的中医知识，解决了中医医生无法全面掌握各种中医知识的问题，基于中医知识图谱生成的辅助诊疗结果也更加准确，能够辅助中医医生提升中医疾病诊疗的效果。
[0054]
2、在本发明实施例中，中医辅助诊疗模型包括了零次学习模型，基于零次学习模型，可以在样本数据很少，甚至没有的情况下，对中医辅助诊疗模型进行训练，训练后的中医辅助诊疗模型仍然基于很高的准确性。并且，零次学习模型可以识别从未见过的类别，面对一些疑难杂症，零次学习模型也可以进行准确识别，并能够给出准确的辅助诊断结果。
[0055]
3、在本发明实施例中，深度学习神经网络由卷积神经网络和图卷积网络构成，卷
积神经网络和图卷积网络能够进行交互，卷积神经网络提取健康数据中的健康特征，该健康特征可以是健康数据的属性信息。图卷积网络基于健康特征从中医知识图谱中提取相关中医知识，并生成中间特征，也就是将健康数据的属性信息与中医知识图谱中的属性实体进行映射，生成包含健康数据和相关中医知识的中间特征，也就是将健康数据与中医知识图谱中的中医知识进行结合。卷积神经网络基于健康特征和携带相关的中医知识的中间特征，生成零次学习特征，卷积神经网络将包含中医知识和健康数据的零次学习特征输入到零次学习模型中，能够使得零次学习模型能够基于更加全面的数据生成更加准确的辅助诊疗结果。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
[0057]
图1是本发明一实施例提供的一种基于中医知识图谱的中医辅助诊疗的方法的流程图；
[0058]
图2是本发明一实施例提供的一种基于中医知识图谱的中医辅助诊疗的系统的示意图。
具体实施方式
[0059]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
中医是宝贵的医疗财富，中医在我国医疗体系中一直占有重要地位。中医诊疗对中医医生的临床经验要求很高，但是，中医知识博大精深，很难全面掌握，需要一种辅助中医诊疗的方案。
[0061]
为了能够辅助中医医生进行中医诊疗，如图1所示，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的方法，该方法包括：
[0062]
步骤101：建立中医辅助诊疗模型，其中，所述中医辅助诊疗模型中包括深度学习神经网络、零次学习模型和中医知识图谱，所述中医知识图谱用于为所述中医辅助诊疗模型提供中医知识，所述深度学习神经网络，用于基于所述中医知识图谱提供的中医知识对输入的健康数据进行处理，生成零次学习特征，所述零次学习模型，用于对所述零次学习特征进行零次学习处理，生成辅助诊疗结果；
[0063]
步骤102：对所述中医辅助诊疗模型进行训练，生成训练后的所述中医辅助诊疗模型；
[0064]
步骤103：将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果。
[0065]
在本发明实施例中，建立了中医辅助诊疗模型，该中医辅助诊疗模型的输入为健
康数据，输出为中医辅助诊疗结果，该中医辅助诊疗模型基于中医知识图谱中的中医知识进行深度学习，利用深度学习神经网络、零次学习模型对健康数据进行处理，输出当前健康数据对应的辅助诊疗结果。中医知识图谱中包含了全面、准确的中医知识，解决了中医医生无法全面掌握各种中医知识的问题，基于中医知识图谱生成的辅助诊疗结果也更加准确，能够辅助中医医生提升中医疾病诊疗的效果。
[0066]
在本发明实施例中，利用样本数据对中医辅助诊疗模型进行训练，在中医辅助诊疗模型输出的辅助诊疗结果的准确性满足要求后，得到训练后的中医辅助诊疗模型。在本发明实施例中，中医辅助诊疗模型包括了零次学习模型，基于零次学习模型，可以在样本数据很少，甚至没有的情况下，对中医辅助诊疗模型进行训练，训练后的中医辅助诊疗模型仍然基于很高的准确性。
[0067]
并且，零次学习模型可以识别从未见过的类别，面对一些疑难杂症，零次学习模型也可以进行准确识别，并能够给出准确的辅助诊断结果。
[0068]
在本发明实施例中，健康数据可以包括病人的症状文字描述、病人的病症图像(例如：舌部图像、面部图像、病变部位图像等)、病人的脉搏数据、病人的气味等。健康数据还可以包括病人生活环境的数据、病人生活习惯数据等。中医辅助诊疗模型对这些健康数据进行深度学习，确定出适合病人的辅助诊疗结果。
[0069]
在本发明实施例中，辅助诊疗结果可以包括病症的类别、病因、病症的治疗药剂、病症的调理方案等。中医医生可以参考辅助诊疗结果为病人进行诊疗。
[0070]
在本发明实施例中，该方案除了适用于中医医生外，该方案也适用于普通用户，例如用户通过语音或文字等方式描述疾病症状，中医辅助诊疗模型可以为用户提供辅助诊疗结果，用户可以参考辅助诊疗结果判断疾病状况。
[0071]
为了更好的将中医知识结合到辅助诊疗中，在本发明一实施例中，所述建立中医辅助诊疗模型中包括：
[0072]
建立所述中医知识图谱；
[0073]
其中，所述中医知识图谱的顶点为中医实体的属性，所述中医知识图谱的顶点相连的边为两种属性同时出现的概率。
[0074]
在本发明实施例中，基于中医实体的属性建立中医知识图谱，通过深度学习神经网络进行建模，提取健康数据中的属性信息，将健康数据的属性信息与中医知识图谱中的属性实体进行映射，实现健康数据与中医知识图谱中的中医知识进行结合。
[0075]
基于健康数据映射的属性实体在中医知识图谱中同时出现的概率，能够确定出健康数据对应的疾病类别，进而能够得到准确的辅助诊疗结果。
[0076]
为了准确地解析出健康数据中属性信息，在本发明一实施例中，所述深度学习神经网络，包括：卷积神经网络和图卷积网络；
[0077]
所述将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果，包括：
[0078]
将所述当前健康数据输入到所述卷积神经网络中；
[0079]
所述卷积神经网络提取所述当前健康数据中的健康特征；
[0080]
所述卷积神经网络将所述健康特征发送给所述图卷积网络；
[0081]
所述图卷积网络从所述中医知识图谱中获取与所述健康特征相关的第一中医知
识；
[0082]
所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征；
[0083]
所述图卷积网络将所述中间特征发送给所述卷积神经网络；
[0084]
所述卷积神经网络根据所述中间特征和所述健康特征，生成所述当前健康数据对应的零次学习特征；
[0085]
所述卷积神经网络将所述零次学习特征输入到所述零次学习模型中；
[0086]
所述零次学习模块对所述零次学习特征进行零次学习处理，生成所述当前健康数据对应的辅助诊疗结果。
[0087]
在本发明实施例中，深度学习神经网络由卷积神经网络和图卷积网络构成，卷积神经网络和图卷积网络能够进行交互，卷积神经网络提取健康数据中的健康特征，该健康特征可以是健康数据的属性信息。图卷积网络基于健康特征从中医知识图谱中提取相关中医知识，并生成中间特征，也就是将健康数据的属性信息与中医知识图谱中的属性实体进行映射，生成包含健康数据和相关中医知识的中间特征，也就是将健康数据与中医知识图谱中的中医知识进行结合。卷积神经网络基于健康特征和携带相关的中医知识的中间特征，生成零次学习特征，卷积神经网络将包含中医知识和健康数据的零次学习特征输入到零次学习模型中，能够使得零次学习模型能够基于更加全面的数据生成更加准确的辅助诊疗结果。
[0088]
在本发明一实施例中，所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征，包括：
[0089]
所述图卷积网络根据第一公式，确定出所述中间特征，所述第一公式为：
[0090][0091]
其中，所述图卷积网络包括至少一个图卷积网络块，bj为第j个图卷积网络块的输出的中间特征，bj为第j个图卷积网络块处理函数，c为所述健康特征，t为所述第一中医知识，d为所述图卷积网络的预设参数权重，f是一个压缩函数。
[0092]
在本发明实施例中，图卷积网络由多个图卷积网络块构成，通过各个图卷积网络对输入到图卷积网络的第一中医知识和健康特征进行处理。在第一公式中，通过c
⊕
f(b
j-1
)将健康特征与第j-1个图卷积网络块的输出进行合并，将合同后的特征输入到第j个图卷积网络块。f是一个压缩函数，通过该压缩函数能够缩小第j-1个图卷积网络块的输出的中间特征，降低了后续的图卷积网络块的计算量，提高了图卷积网络的处理速度。
[0093]
如图2所示，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的系统，该系统包括：
[0094]
建立模块201，用于建立中医辅助诊疗模型，其中，所述中医辅助诊疗模型中包括深度学习神经网络、零次学习模型和中医知识图谱，所述中医知识图谱用于为所述中医辅助诊疗模型提供中医知识，所述深度学习神经网络，用于基于所述中医知识图谱提供的中医知识对输入的健康数据进行处理，生成零次学习特征，所述零次学习模型，用于对所述零次学习特征进行零次学习处理，生成辅助诊疗结果；
[0095]
训练模块202，用于对所述中医辅助诊疗模型进行训练，生成训练后的所述中医辅助诊疗模型；
[0096]
辅助模块203，用于将当前健康数据输入到所述中医辅助诊疗模型中，利用所述中医辅助诊疗模型对所述当前健康数据进行处理，生成针对所述当前健康数据对应的辅助诊疗结果。
[0097]
在本发明一实施例中，所述深度学习神经网络，包括：卷积神经网络和图卷积网络；
[0098]
所述辅助模块，用于执行：
[0099]
将所述当前健康数据输入到所述卷积神经网络中；
[0100]
所述卷积神经网络提取所述当前健康数据中的健康特征；
[0101]
所述卷积神经网络将所述健康特征发送给所述图卷积网络；
[0102]
所述图卷积网络从所述中医知识图谱中获取与所述健康特征相关的第一中医知识；
[0103]
所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征；
[0104]
所述图卷积网络将所述中间特征发送给所述卷积神经网络；
[0105]
所述卷积神经网络根据所述中间特征和所述健康特征，生成所述当前健康数据对应的零次学习特征；
[0106]
所述卷积神经网络将所述零次学习特征输入到所述零次学习模型中；
[0107]
所述零次学习模块对所述零次学习特征进行零次学习处理，生成所述当前健康数据对应的辅助诊疗结果。
[0108]
在本发明一实施例中，所述辅助模块，在执行所述图卷积网络根据所述第一中医知识和所述健康特征，生成携带所述第一中医知识的中间特征时，具体用于：
[0109]
所述图卷积网络根据第一公式，确定出所述中间特征，所述第一公式为：
[0110][0111]
其中，所述图卷积网络包括至少一个图卷积网络块，bj为第j个图卷积网络块的输出的中间特征，bj为第j个图卷积网络块处理函数，c为所述健康特征，t为所述第一中医知识，d为所述图卷积网络的预设参数权重，f是一个压缩函数。
[0112]
在本发明一实施例中，所建立模块中包括图谱建立单元；
[0113]
所述图谱建立单元，用于建立所述中医知识图谱；
[0114]
其中，所述中医知识图谱的顶点为中医实体的属性，所述中医知识图谱的顶点相连的边为两种属性同时出现的概率。
[0115]
在本发明一实施例中，本发明实施例提供了一种基于中医知识图谱的中医辅助诊疗的系统，包括：至少一个存储器和至少一个处理器；
[0116]
所述至少一个存储器，用于存储机器可读程序；
[0117]
所述至少一个处理器，用于调用所述机器可读程序，执行本发明实施例中任一所述的基于中医知识图谱的中医辅助诊疗的方法。
[0118]
在本发明一实施例中，本发明实施例提供了一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行基于中医知识图谱的中医辅助诊疗的方法。
[0119]
可以理解的是，本发明实施例示意的结构并不构成对基于中医知识图谱的中医辅助诊疗的系统的具体限定。在本发明的另一些实施例中，基于中医知识图谱的中医辅助诊疗的系统可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
[0120]
上述装置内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
[0121]
本发明还提供了一种计算机可读介质，存储用于使一计算机执行如本文所述的基于中医知识图谱的中医辅助诊疗的系统方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0122]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0123]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0124]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0125]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
[0126]
本发明实施例提供一种基于中医知识图谱的中医辅助诊疗的方法及系统，至少具有如下有益效果：
[0127]
1、在本发明实施例中，建立了中医辅助诊疗模型，该中医辅助诊疗模型的输入为健康数据，输出为中医辅助诊疗结果，该中医辅助诊疗模型基于中医知识图谱中的中医知识进行深度学习，利用深度学习神经网络、零次学习模型对健康数据进行处理，输出当前健康数据对应的辅助诊疗结果。中医知识图谱中包含了全面、准确的中医知识，解决了中医医生无法全面掌握各种中医知识的问题，基于中医知识图谱生成的辅助诊疗结果也更加准确，能够辅助中医医生提升中医疾病诊疗的效果。
[0128]
2、在本发明实施例中，中医辅助诊疗模型包括了零次学习模型，基于零次学习模型，可以在样本数据很少，甚至没有的情况下，对中医辅助诊疗模型进行训练，训练后的中医辅助诊疗模型仍然基于很高的准确性。并且，零次学习模型可以识别从未见过的类别，面对一些疑难杂症，零次学习模型也可以进行准确识别，并能够给出准确的辅助诊断结果。
[0129]
3、在本发明实施例中，深度学习神经网络由卷积神经网络和图卷积网络构成，卷
积神经网络和图卷积网络能够进行交互，卷积神经网络提取健康数据中的健康特征，该健康特征可以是健康数据的属性信息。图卷积网络基于健康特征从中医知识图谱中提取相关中医知识，并生成中间特征，也就是将健康数据的属性信息与中医知识图谱中的属性实体进行映射，生成包含健康数据和相关中医知识的中间特征，也就是将健康数据与中医知识图谱中的中医知识进行结合。卷积神经网络基于健康特征和携带相关的中医知识的中间特征，生成零次学习特征，卷积神经网络将包含中医知识和健康数据的零次学习特征输入到零次学习模型中，能够使得零次学习模型能够基于更加全面的数据生成更加准确的辅助诊疗结果。
[0130]
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0131]
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0132]
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。