一种基于单通道脑电信号的精神压力检测系统及方法

1.本发明属于生理信号分析领域，尤其涉及一种基于单通道脑电信号的精神压力检测系统及方法。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.现代社会“内卷”严重，竞争充斥于各行各业，许多人承受着较大的精神压力。持续的心理压力如若得不到释放，将会对人的身心健康产生不良影响，严重时会诱发如抑郁症、焦虑症等一系列精神疾病。然而，临床上对精神压力的检测效果并不十分理想。一方面，许多人对自己的心理压力状态或不自知，或羞于表达，隐患很大；另一方面，临床上对精神压力及精神疾病的检测主要依靠心理测试量表和医生的经验判断，主观性较大。因此，通过采集人体生理信号，从中提取和精神压力有关的信息，进而客观地检测心理压力的存在，具有重要的现实意义和迫切的临床需求。
4.脑电信号的采集具有无创无损、价格低廉，操作相对简单等特性，广泛应用于对大脑活动的监测。脑电信号是对大脑神经电生理活动在大脑皮层的总体反映，其蕴含着丰富的与精神压力有关的信息，在精神疾病检测领域很有应用前景。现有技术多为通过在头部放置一系列的电极以记录许多通道的活动情况，操作复杂，个体不适感较强，可穿戴性能差，不利于大范围推广应用。
5.同时，由于脑电信号比较复杂，若仅总体分析脑电信号或在单一特征域上进行脑电信号分析，无法得到精确的脑电信号特征，也就无法精准地通过脑电信号检测得到精神压力状态。


技术实现要素：

6.为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于单通道脑电信号的精神压力检测系统及方法，其对脑电信号在时域、频域、时频域和非线性上多个特征域的联合分析，能够提高精神压力状态检测的准确性，有效提高脑电信号在精神压力及疾病检测方面的应用价值。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明的第一个方面提供一种基于单通道脑电信号的精神压力检测系统，包括：
9.脑电电极传感器单元，用于采集被测试者的单通道原始脑电信号；
10.脑电信号处理单元，用于对原始脑电信号进行放大和滤波，初步去除工频干扰和基线漂移，并经模数转换后无线传输至主控单元；
11.主控单元，包括数据处理模块和风险评估模块；
12.所述数据处理模块用于基于原始脑电信号去除所需频率范围外的噪声、工频干扰和眼电伪迹，得到总体脑电时间信号，将总体脑电时间信号按照不同频率范围划分为多个
子带脑电信号，在总体和子带脑电信号上分别提取时域、频域、时频域及非线性特征，将得到的多维特征联合构建特征集；
13.所述风险评估模块用于基于特征集和精神压力状态检测模型进行精神压力的分类，根据分类结果检测是否存在精神压力；
14.其中，所述精神压力状态检测模型构建时，采用基于函数扰动法思想的混合特征选择算法进行特征选择，根据嵌套的五折交叉验证结果，构建最优特征集，基于最优特征集采用支持向量机分类器进行精神压力的分类。
15.本发明的第二个方面提供一种基于单通道脑电信号的精神压力检测方法，包括如下步骤：
16.获取被测试者的单通道原始脑电信号；
17.对单通道原始脑电信号进行预处理获得总体脑电时间信号；
18.将总体脑电时间信号按照不同频率范围划分为多个子带脑电信号，在总体和子带脑电信号上分别提取时域、频域、时频域及非线性特征，将得到的多维特征联合构建特征集；
19.基于特征集和精神压力状态检测模型进行精神压力的分类，根据分类结果检测是否存在精神压力；
20.其中，所述精神压力状态检测模型构建时，采用基于函数扰动法思想的混合特征选择算法进行特征选择，根据嵌套的五折交叉验证结果，构建最优特征集，基于最优特征集采用支持向量机分类器进行精神压力的分类。
21.本发明的第三个方面提供一种计算机可读存储介质。
22.一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时实现如上述所述的一种基于单通道脑电信号的精神压力检测方法中的步骤。
23.本发明的第四个方面提供一种计算机设备。
24.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于单通道脑电信号的精神压力检测方法中的步骤。
25.与现有技术相比，本发明的有益效果是：
26.本发明通过将总体脑电时间信号按频率细分为五个频段的子带信号，由于脑电信号较为复杂，不同频率范围的信号反映不同的大脑活动信息，本发明不仅在总体上提取了脑电特征，还在不同频率的子带信号以及不同信号间提取了一系列脑电特征；不是仅在单一特征域上的特征分析，而是对脑电信号在时域、频域、时频域和非线性上多个特征域的联合分析。
27.本发明通过将特征输入压力状态检测模型后，根据输出检测个体的精神压力状态；通过本发明能够得到比之前研究更好的分类性能，能够提高精神压力状态检测的准确性，有效提高脑电信号在精神压力及疾病检测方面的应用价值，为患者带来福音。
28.本发明采集前额位置的单通道脑电信号，对时间和空间的要求低，具有较好的应用推广前景。
29.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
30.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
31.图1是本发明实施例基于单通道脑电信号的精神压力检测系统结构示意图；
32.图2是本发明实施例的无线脑电单通道信号采集装置硬件结构示意图；
33.图3是本发明基于单通道脑电信号的精神压力检测方法流程图。
具体实施方式
34.下面结合附图与实施例对本发明作进一步说明。
35.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
36.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
37.实施例一
38.如图1所示，本发明提供一种基于单通道脑电信号的精神压力检测系统，包括：脑电电极传感器单元100、脑电信号处理单元200和主控单元300；
39.所述脑电电极传感器单元放置在人体头部的脑电电极，用于采集被测试者的单通道原始脑电信号；
40.作为一种或多种实施例，如图2所示，所述脑电电极传感器单元100包括左额电极1a、左耳电极1b和额中央电极1c。
41.所述左额电极1a作为正电极依次附着在头皮的左前额，左耳电极1b作为负电极在左耳耳垂，额中央电极1c作为接地的参考电极附着在头皮的额头中央位置。
42.原始脑电信号经脑电电极采集后，送入脑电信号处理单元200。
43.所述脑电信号处理单元200包括信号放大和滤波电路模块201、嵌入式主控模块202和无线传输模块203；
44.作为一种或多种实施例，信号放大和滤波电路模块201用于对原始脑电信号进行放大和滤波处理，对原始信号去基线漂移和工频干扰。
45.嵌入式主控模块202将上述处理的脑电信号进行模数转换，并经无线传输模块203传输至主控单元300。
46.本实施例中，无线传输模块203的无线传输方式包括但不限于蓝牙和wifi等方式。
47.主控单元300，其用于接收无线传输的脑电数据，进行数据处理和特征提取与分类，并输出检测结果。
48.包括无线接收模块301、数据采集模块302、数据处理模块303、风险评估模块304和显示模块305。
49.无线接收模块301用于接收无线传输模块203传输的脑电数据，经数据采集模块302完成数据采集后，通过数据处理模块303进行数据处理；
50.所述数据处理模块用于去除所需频率范围外的噪声、工频干扰和眼电伪迹，得到总体脑电时间信号，将信号按频段分解，将总体脑电时间信号按照不同频率范围划分为多个子带脑电信号，在总体和子带脑电信号上分别提取时域、频域、时频域及非线性特征，将得到的多维特征联合构建特征集；
51.所述风险评估模块304用于基于特征集和精神压力状态检测模型进行精神压力的分类，根据分类结果检测是否存在精神压力，并通过显示模块305显示检测结果。
52.作为一种或多种实施例，所述数据处理模块303中包括滤波方式为0.5-50hz的带通滤波器和50hz的陷波滤波器；对脑电数据进行0.5～50hz的带通滤波，同时去除50hz的工频干扰，基于wt-eemd-ica算法，去除眼电伪影；最终得到所需的干净的脑电信号；
53.用于将脑电信号按照频率范围细分为δ(0.5-4hz)、θ(4-8hz)、α(0.5-4)、β(13-30hz)和γ(30-50hz)5个子带信号；用于分别在总频段的信号和子频段的信号上提取多特征域的单通道脑电特征。
54.进一步地，所述风险评估模块304通过将特征集输入精神压力状态检测模型，得到输出结果，根据输出结果检测精神压力是否明显存在。
55.所述精神压力状态检测模型采用基于函数扰动法思想提出的混合特征选择算法筛选特征；使用五折嵌套交叉验证法对结果进行验证。
56.作为一种或多种实施例，所述数据处理模块还包括时域特征提取模块、频域特征提取模块、时频域特征提取模块以及非线性特征提取模块；
57.1、时域特征提取模块用于对0.5-50hz脑电信号和各分频段脑电信号分别在时域上计算时间特征，包括均值，标准差，标准误差，中位数，偏度，峰度，最大振幅，最小振幅，振幅范围，平均过零率，平均峰峰值，hjorth参数(活动性、复杂度)，变异系数，均方根，平均峰值与均方根之比，平均斜率，最大斜率，最小斜率，积分，波动指数。
58.在本实施例中，平均过零率指时间信号平均每秒跨过零轴的次数。
59.在本实施例中，计算平均峰峰值的方法为：对信号去除均值后，检测信号的所有波峰和波谷，平均峰峰值即定义为所有波峰的平均幅值与所有波谷的平均幅值之差。
60.在本实施例中，脑电信号的波动指数定义为时间信号上的相邻点幅值差的绝对值之和。
61.在本实施例中，平均斜率定义为经最小二乘法最佳拟合的的，直线的斜率。
62.2、频域特征提取模块用于对6组脑电信号时间信号傅里叶变换，求取频谱在总频段和各子频段上计算频域特征，包括各频谱绝对功率，相对功率，功率最大值，最大功率频率，功率平均值及中位数，重心频率，频率标准差；另外，计算子带信号间的相对功率比及频谱不对称指数sasi。
63.以α和β两频段为例，计算两频段频谱不对称指数的公式为：
[0064][0065]
3、时频域特征提取模块：脑电信号具有时变非平稳的特性，对脑电信号进行小波分解与重构，在时域和频域上同时分析脑电信号，对挖掘压力相关信息至关重要。本发明采用db4小波基函数对脑电进行10层分解，并分别用第3,4,5,6,7,8,9,10这8层细节系数小波重构，计算每个重构信号的统计特征，包括：平均值，标准差，最大值，最小值，中位数，偏度，
峰度，上四分位数，下四分位数。
[0066]
另外，本实施例计算了8层重构细节系数的总能量及各层能量占比。
[0067]
最后，本实施例对脑电信号用相同的db4小波基函数进行10层小波包分解，重构最后一层各节点分解系数，提取每个重构信号的能量ei，其中i＝1,2,
…210
,累加后得到各重构信号的能量和，计算每个重构信号的能量占比pi，根据如下公式计算小波能量熵：
[0068][0069]
4、非线性提取模块。脑电信号是典型的非线性信号，其非线性特性反应着大脑神经电活动的活跃和复杂程度，有待挖掘。本实施例计算一系列脑电信号的非线性特征，具体包括：样本熵、排列熵和功率谱熵三种熵特征，higuchi分形维数，katz分形维数，lempel-ziv复杂度，赫斯特指数和dfa标度指数。
[0070]
在本实施例中，样本上的计算过程为：
[0071]
(1)对于n维脑电时间信号u(n){u(1),u(2),
…
u(n)},规定变量m＝2，“相似度”的度量值r＝0.15，重构n-m 1个m维向量x(n){x(1),x(2),
…
x(n-m 1)}，其中，x(i)＝[u(i),u(i 1),
…
u(i m-1)],即当m＝2时，x(i)＝[u(i),u(i 1)]。
[0072]
(2)定义两个不同序列x,x
*
间的距离为对应元素的最大差值的绝对值。如下所示：
[0073]
d[x,x
*
]＝max|u(a)-u
*
(a)|
[0074]
其中，u(a)和u
*
(a)分别为x和x
*
序列中的对应元素。
[0075]
则对重构的m维向量x(i)，1≤i≤n-m 1,计算其与其余n-m个m维向量间的距离d[x(i),x(j)],i≠j，并统计满足d[x(i),x(j)]≤r的x(j)的个数，得出：
[0076][0077]
(3)求对所有i值的平均值，即
[0078][0079]
(4)将m递增1，即t＝m 1＝3，重复上述步骤，分别得到
[0080][0081][0082]
(5)计算样本熵，如下式所示：
[0083]
sampen＝-ln[a
t
(r)/bm(r)]
[0084]
在本实施例中，脑电排列熵的计算过程为：
[0085]
(1)采用虚假最临近点法估计嵌入维数m，采用平均互信息法估计时间延迟τ，对n维脑电时间信号u(1),u(2),
…
u(n)相空间重构，得到如下矩阵：
[0086][0087]
其中，k＝n-(m-1)τ。
[0088]
(2)将矩阵中的每行重构分量按数值大小升序排列。如对第i个分量u(i),u(i τ),
…
，u(i (m-1)τ)而言，有
[0089]
u(i (i
1-1)τ)≤u(i (i
2-1)τ)≤
…
u(i (i
m-1)τ)
[0090]
其中，i1,i2,
…im
可看做对应元素的下标索引值。
[0091]
当存在u(i (i
a-1)τ)＝u(i (i
b-1)τ)且ia《ib时，则按照对应元素的下标ia和ib的大小排序，即u(i (i
a-1)τ)≤u(i (i
b-1)τ)。
[0092]
对第i个分量，最终可得到对应的重构符号序列为：
[0093]
s(i)＝(i1,i2,
…im
)
[0094]
则对k个重构分量分别得到m维重构符号序列，有：
[0095]
s(i)＝(i1,i2,
…im
)，i＝1,2,
…k[0096]
(3)对于m维符号序列而言，共有m！种排列组合。假设s(i)中共有b种排列，则分别计算每种排列出现的概率p(1),p(2)
…
p(b),b≤m！。
[0097]
(4)计算排列熵：
[0098][0099]
对排列熵归一化，得到：
[0100]
pe＝pe(m)/ln(m！)
[0101]
在本实施例中，脑电功率谱熵的计算过程为：
[0102]
(1)对n维脑电时间信号u(n){u(1),u(2),
…
u(n)}求取功率谱；
[0103]
(2)在功率谱上将每个频率点视作1个频段，分别求取各个频段的能量与所有频段的能量和，得出各个频段的能量占比pi,i＝1,2,
…
n。
[0104]
(3)计算功率谱熵。
[0105][0106]
在本实施例中，脑电higuchi分形维数的计算得过程为：
[0107]
(1)规定k的最大值k
max
＝10。
[0108]
(2)针对n维脑电时间信号u(1),u(2),
…
u(n)，利用k和m参数构造新的时间序列。依次令k取1,2，
…kmax
，对每一个k，有：
[0109][0110]
其中，[]指对括号内的值取整。
[0111]
(3)对得到的每个新序列，根据下列公式计算曲线长度：
[0112][0113]
其中，|a(k,m,i)|指序列内相邻两元素的差值的绝对值，即：
[0114]
|a(k,m,i)|＝u(m ik)-u(m (i-1)k)
[0115]
(4)对每个k上的lm(k)取m的绝对值，得到：
[0116][0117]
(5)计算higuchi分形维数。hfd即为通过最小二乘法拟合的ln(l(k))比ln(1/k)曲线的斜率。
[0118]
在本实施例中，脑电katz分形维数的计算过程为：
[0119]
(1)针对n维脑电时间信号u(n){u(1),u(2),
…
u(n)}，计算信号的总长度，如下式所示：
[0120][0121]
(2)计算时间信号波形的平面距离。求取信号中第一个点与其余各点的平面距离d，第一个点与距其最远点的距离(即d中的最大值)即定义为波形的平面距离，如下所示：
[0122][0123]
(3)计算katz分形维数。其计算公式为：
[0124][0125]
在本实施例中，脑电lempel-ziv复杂度的计算得过程为：
[0126]
(1)对n维脑电时间信号u(n){u(1),u(2),
…
u(n)}二值化处理。具体方法为对时间信号求取均值，并将信号中每个元素与均值比较，构建n维01序列字符串{x(1),x(2),
…
x(n)}。其中，大于均值的元素对应为1，否则对应为0。
[0127]
(2)创建字符串s和q，并初始化s＝[x(1)]，q＝[x(2)]。
[0128]
(3)规定初始值为0的参数c，用来表征字符串中出现新模式的数量。令sq的是s和q的级联，将sq中最后一个字符去除后得到新的字符串sqv。判断q是否为sqv中的一个子串。若q是sqv中的一个子串，则意味着此位置并未出现新模式，继续将01序列字符串中的下一个字符级联到q中，重复以上操作；若q不是sqv中的一个子串，则意味着新模式的出现，将c累加1。此时将q级联到s中组成新的s＝sq，并将q字符串清零重构。
[0129]
重复以上过程，直到q取到01序列的最后一位为止。
[0130]
(4)根据下式，计算lempel-ziv复杂度。
[0131][0132]
在本实施例中，对脑电信号去趋势波动分析求取赫斯特指数以及dfa标度指数的过程为：
[0133]
(1)滤去n维脑电时间信号u(n){u(1),u(2),
…
u(n)}的均值得到脑电信号去除均值后的和序列x(n){x(1),x(2),
…
x(n)}。如下式所示：
[0134][0135]
(2)分割和序列的数据长度。将x(n){x(1),x(2),
…
x(n)}分割为长度为s的不重叠片段，片段个数为k＝[n/s]。
[0136]
(3)拟合局部趋势。通过最小二乘法拟合每一个子区间v(v＝1,2,
…
k)上的局部趋势函数，得到第v个分割片段上的拟合多项式xv(n)。
[0137]
(4)对和序列x(n)在每个子区间上减去各自的局部趋势函数，并计算新序列的均方根：
[0138][0139]
(5)改变分割长度的大小s。在本发明中，分别将和序列按照s＝100，200，300,
…
，15000共150组不同的分割长度分割,重复以上(2)-(4)过程，计算每次分割后的f(s)。
[0140]
(6)计算hurst指数α，其表征了脑电信号的长程相关性。根据双对数坐标画出f(s)与子片段长度s的关系曲线，其斜率即为hurst指数α。
[0141]
(7)将第(5)步中的分割长度s限定为s＝100，200，300,
…
，2000，共20组，重复上述过程，得到dfa标度指数α1，其表征了脑电信号的短程相关性。
[0142]
(8)将第(5)步中的分割长度s限定为s＝2100，2200，
…
，15000，共180组，重复上述过程，得到dfa标度指数α2，其更明确地表征了脑电信号的长程相关性。
[0143]
作为一种或多种实施例，所述风险评估模块包括最优特征集选取模块，所述最优特征集选取模块用于采用基于支持向量机的递归消除、互信息、随机森林和支持向量机权重四种特征选择算法，分别对原始特征集特征选择，得到每种算法的最优特征子集s1、s2、s3和s4；
[0144]
对s1-s4特征子集中重复出现2次、3次、4次、2次及以上和3次及以上的特征，依次构建新的特征集sr_2、sr_3、sr_4、sr_234和sr_34，分别将五个特征集输入分类器中，将分类准确率最高的特征集确定为压力检测模型的最优特征集，也即对压力诊断最有用的指标组合。
[0145]
所述最优特征集中共包含39个特征，来自总体信号的特征有7个，为总体信号的均值，以及小波变换后系数重构的第3层细节系数的均值、第8层细节系数的最小值、第6与第9层细节系数的中位数以及第5与第10层细节系数的偏度；
[0146]
来自各子带信号的特征共有31个，其中7个特征来自delta信号，分别为delta信号
的最大振幅、平均过零率、偏度、平均斜率、最大功率频率、higuchi分形维数和lz复杂度；4个特征来自theta信号，分别为theta信号的平均峰峰值、相对功率、赫斯特指数及katz分形维数；8个特征来自alpha信号，分别为alpha信号的平均过零率、偏度、平均峰值与均方根之比、平均斜率、频率标准差、样本熵、排列熵和lz复杂度；10个特征来自beta信号，分别为beta信号的最大振幅、振幅范围、hjorth复杂度、峰度、最大斜率、最大功率、最大功率频率、lz复杂度、katz分形维数和排列熵；2个信号来自gamma信号，为gamma信号的振幅中位数及1/3最大振幅与2/3最小振幅之和；不同子带间，delta信号与theta信号间的功率不对称指数进入了最优特征集中。
[0147]
作为一种或多种实施例，所述风险评估模块还包括分类模块，所述分类模块用于采用支持向量机作为分类器，并采用嵌套的五折交叉验证法验证分类效果；进行五折嵌套交叉验证时，交叉验证包括内外两个循环，外循环将整体数据集划分为五个部分，轮流将其中一部分作为测试集，其余部分作为训练集，共迭代五次；在内循环中，将外循环中的训练集进一步划分为四个训练集和一个验证集，执行五次交叉验证。
[0148]
实施例二
[0149]
如图3所示，本实施例提供一种基于单通道脑电信号的精神压力检测方法，包括如下步骤：
[0150]
获取被测试者的单通道原始脑电信号；
[0151]
基于原始脑电信号去除所需频率范围外的噪声工频干扰和眼电伪迹，得到总体脑电时间信号，将总体脑电时间信号按照不同频率范围划分为多个子带脑电信号，在总体和子带脑电信号上分别提取时域、频域、时频域及非线性特征，将得到的多维特征联合构建特征集；
[0152]
基于特征集和精神压力状态检测模型进行精神压力的分类，根据分类结果检测是否存在精神压力；
[0153]
其中，所述精神压力状态检测模型构建时，采用基于函数扰动法思想的混合特征选择算法进行特征选择，根据嵌套的五折交叉验证结果，构建最优特征集，基于最优特征集采用支持向量机分类器进行精神压力的分类。
[0154]
实施例三
[0155]
本实施例提供了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时实现如上述所述的一种基于单通道脑电信号的精神压力检测方法中的步骤。
[0156]
实施例四
[0157]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于单通道脑电信号的精神压力检测方法中的步骤。
[0158]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0159]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0160]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0161]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0162]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0163]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。