基于量化描述向量的心理状态区分方法、设备及介质与流程

1.本技术涉及数据识别数据表示领域，具体涉及一种基于量化描述向量的心理状态区分方法、设备及介质。


背景技术：

2.随着人们生活质量的提高，除了身体上的状态外，人们也更加关注心理状态，严重的心理状态甚至可能会导致抑郁障碍（也称作抑郁症）。而心理状态也往往分为多种类型，比如，健康状态、亚健康状态、抑郁障碍，而更细致的，抑郁障碍还分为非由焦虑障碍引发的抑郁障碍、焦虑障碍共病抑郁障碍等。
3.传统的区分方式中，通常是由精神科临床医生进行区分，该区分过程基本依赖于医生的主观判断，容易导致最终的区分结果出现异常。


技术实现要素：

4.为了解决上述问题，本技术提出了一种基于量化描述向量的心理状态区分方法，包括：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定；采集所述用户在观看所述负面图像数据时的多维度生理指标；确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级；根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
5.在一个示例中，根据所述负面图像数据生成多维量化描述向量，具体包括：针对每个负面图像数据，通过多人评价的方式，获取多人根据预先设置多个问题对该负面图像数据的回答数据，并根据所述回答数据形成一组多维量化描述向量{lt，vs，ct}，其中，lt向量为二分变量，表示对损失和威胁的二分类判断；vs向量为连续变量，表示效价指数，并设置有最高分和最低分；ct向量为自然语言词汇组成的句子内容向量，对所述负面图像数据的内容描述。
6.在一个示例中，根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级，具体包括：针对ct向量，通过自然语言处理进行分析，得到该负面图像数据对应的描述主题词，所述描述主题词用于表示该负面图像数据对应的类别；针对vs向量，对多个用户预先对该负面图像数据的评分求平均项；以所述平均项作为基础，针对属于同一个所述描述主题词的负面图像数据进行聚
类分析，并在聚类分析过程中，使得簇内距离小于簇间距离，并得到使所述簇内距离最小化且所述簇间距离最大化的情况下的最优化类簇数量，所述最优化类簇数量用于表示该类负面图像数据的等级。
7.在一个示例中，所述预先设置多个问题包括：所述负面图像数据是已经出现了损失还是将会出现危险、所述负面图像数据中的场景让你感到不适的等级、对所述负面图像数据的主要内容使用一段话进行归纳。
8.在一个示例中，所述多维度生理指标包括：眼动追踪数据、面部表情信息、心率数据、心率变异性数据中的至少多个维度；所述分类包括：遭受损失、遭受污蔑、危险场景、社会分离中的至少一种，其中，所述遭受损失、所述遭受污蔑、所述社会分离分别包含多个等级，所述危险场景不区分等级。
9.在一个示例中，根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，具体包括：若所述用户在观测到分类为所述遭受损失、等级为最高等级的负面图像数据，且在观测到分类为所述社会分离的负面图像数据时，所述用户的多维度生理指标均符合预设标准，则判断所述用户的心理状态属于所述非焦虑诱发的抑郁障碍；和/或若所述用户在观测到分类为所述遭受污蔑时，所述用户的多维生理指标均符合所述预设标准，则判断所述用户的心理状态属于所述非焦虑诱发的抑郁障碍；和/或若所述用户在观测到分类为所述遭受损失的负面图像数据，且在观测到分类为所述遭受污蔑的负面图像数据时，所述用户的多维度生理指标均符合所述预设标准，则判断所述用户的心理状态属于所述焦虑障碍共病抑郁障碍；和/或若所述用户在观测到分类为所述危险场景的负面图像数据时，所述用户的多维度生理指标均符合所述预设标准，则判断所述用户的心理状态属于所述焦虑障碍共病抑郁障碍。
10.在一个示例中，所述眼动追踪数据包括扫视模式、注意转移时长；所述预设标准包括：所述扫视模式为精细加工扫视、所述注意转移时长高于预设时长、所述面部表情信息为消极、所述心率增高、所述心率变异性降低。
11.在一个示例中，所述负面图像数据包括图像数据、视频数据；所述负面因素包括自然因素、人文社会因素，所述自然因素包括：阴雨天气、暴雨天气、洪灾天气中的至少一种；所述认为社会因素包括：丢失东西在寻找、离婚、车祸、死亡、攻击中的至少一种。
12.另一方面，本技术还提出了一种基于量化描述向量的心理状态区分设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定；采集所述用户在观看所述负面图像数据时的多维度生理指标；确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量
化描述向量得到所述负面图像数据的分类以及在所述分类下的等级；根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
13.另一方面，本技术还提出了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定；采集所述用户在观看所述负面图像数据时的多维度生理指标；确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级；根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
14.通过本技术提出基于量化描述向量的心理状态区分方法能够带来如下有益效果：将各负面图像数据向用户展示之前，预先将其进行量化为多维量化描述向量，以此能够保证对各图像数据中的有效维度进行准确提取和聚类，从而能够对数据进行更合理的规则制定，以实现对用户心理状态的准确分类。
附图说明
15.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1为本技术实施例中基于量化描述向量的心理状态区分方法的流程示意图；图2为本技术实施例中，一种场景下的基于量化描述向量的心理状态区分方法的流程示意图；图3为本技术实施例中基于量化描述向量的心理状态区分设备的示意图。
具体实施方式
16.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
17.以下结合附图，详细说明本技术各实施例提供的技术方案。
18.如图1和图2所示，本技术实施例提供基于量化描述向量的心理状态区分方法，包括：s101：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定。
19.负面图像数据可以包括图像数据、视频数据（长度通常为10-30秒）等。而负面因素对至少部分人群的情绪产生负面影响，其中，这里所说的人群可以包括不同心理状态的用户，比如，健康状态、抑郁障碍的用户等，而即使是对于健康状态的人群，其在看到负面因素后，也可能会产生情绪上的负面影响。而负面影响可以是伤心、郁闷、生气、恐惧等。而负面因素可以包括自然因素、人文社会因素，其中，自然因素包括：阴雨天气、暴雨天气、洪灾天气中的至少一种；认为社会因素包括：丢失东西在寻找、离婚、车祸、死亡、攻击中的至少一种。而预先采集了原始图像后，可以形成一组原始场景图像数据库。当然，可以将图像数据和视频数据合并至同一个数据库，也可以为视频数据单独形成一组原始场景视频数据库。
20.进一步地，对于焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍的分类来说，在临床样本上进行图像库筛选，以精神障碍相关生理证据、临床精神医学专家判断证据、涵盖焦虑障碍、抑郁障碍在内的情感障碍筛查与辅助诊断工具证据三类型的多角度证据为标准，对原始场景图像数据库的刺激有效性进行重新评价并据此进行图像库删减。
21.第一步，确定脑功能证据，根据牛津大学脑科学研究员rolls,e.t.提出的抑郁障碍的计算神经科学原理，抑郁障碍的脑科学诊断证据为以外侧眶额叶皮层为核心的无奖赏吸引子网络状态；焦虑障碍的脑科学诊断证据为杏仁核-丘脑-肾上腺环路（hpa）轴持续活跃度，采集上述两项神经科学证据作为区分抑郁障碍与焦虑障碍的临床样本的第一部分证据。
22.临床精神医学专家判断证据，选取精神专科门诊机构的多名临床精神医学专家，对临床样本进行诊断，多名专家取得一致意见的，即可作为一项有效分组证据。
23.临床样本进行诊断工具填写，主要完成mmpi、sds、sas、scl-90四项工具的填写，根据在焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍的得分分组。上述三个角度的证据指向均一致的样本，可以划分为焦虑障碍共病抑郁障碍组、非焦虑诱发的抑郁障碍组，重复迭代上述过程，最终形成两组各200名临床样本。
24.第二步，启动筛选标准数据采集。要求临床样本躺在mri观测舱或eeg监测床上，完成对先前所述图像库的观看，并同步完成mri和eeg数据采集；同时，上述5名临床精神科专家在现场进行样本情绪状态观察，评价是否出现情绪异常反应。当核磁共振成像数据mri数据或脑电波数据eeg数据的变化与专家判断一致出现异常反应时，对异常反应对应的图像进行标注，标注为有效图像。重复迭代上述过程，完成对图像库的标注。
25.第三步，根据上一步的评价结果，筛减图像库中能够分别对焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍产生情绪刺激的图像素材，同时，满足对焦虑障碍共病抑郁障碍产生刺激但是不对非焦虑诱发的抑郁障碍产生刺激，对非焦虑诱发的抑郁障碍产生刺激但是不对焦虑障碍共病抑郁障碍产生刺激。
26.s102：采集所述用户在观看所述负面图像数据时的多维度生理指标。
27.其中，多维度生理指标包括：眼动追踪数据、面部表情信息、心率数据、心率变异性数据中的至少多个维度。可以通过用户在观察相关刺激图像时的眼动追踪数据（其可以包括：扫视模式sm、注意转移时长att）和摄像机捕获的面部表情信息（其可以包括面部表情fe：积极/消极、高唤醒/低唤醒）以及传感器捕获的心率数据（rr）与心率变异性（hrv）数据。
28.s103：确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级。
29.具体地，针对每个负面图像数据，通过多人评价的方式（比如，采用5人评价的方式），获取多人根据预先设置多个问题对该负面图像数据的回答数据。预先设置多个问题可以包括：问题1：图像/视频中的场景是已经出现了损失还是将会出现危险。问题2：图像/视频中的场景让你感到有多么不适。（回答包括四个选项：无不适-轻微不适-比较不适-非常不适）问题3：对图像/视频的主要内容请使用一段话进行归纳。
30.根据回答数据形成一组多维量化描述向量{lt，vs，ct}，其中，lt向量为二分变量，表示对损失和威胁的二分类判断；vs向量为连续变量，表示效价指数，并设置有最高分4分和最低分1分；ct向量为自然语言词汇组成的句子内容向量，对负面图像数据的内容描述。
31.进一步地，针对ct向量，通过自然语言处理进行分析（比如，lda自然语言处理方式），得到该负面图像数据对应的描述主题词，其中，描述主题词用于表示该负面图像数据对应的类别。其中，lda自然语言处理方式的处理过程可以如公式所示。
32.而针对vs向量，则对多个用户预先对该负面图像数据的评分求平均项，然后以平均项作为基础，进一步针对属于同一个描述主题词的负面图像数据进行聚类分析，并在聚类分析过程中，求解两两类簇之间的minkowski距离，使得簇内距离小于簇间距离，并得到使簇内距离最小化且簇间距离最大化的情况下的最优化类簇数量，最优化类簇数量用于表示该类负面图像数据的等级。其中，聚类分析的过程可以如公式所示。
33.而经过上述计算后的负面图像数据，可以按照image/video-lt-ct-vs的本体结构，编辑入知识图谱，以便于后续的使用。
34.其中，分类可以包括：遭受损失、遭受污蔑、危险场景、社会分离中的至少一种。
35.具体地，遭受损失、遭受污蔑、社会分离分别包含多个等级，而危险场景则不区分等级。
36.例如，遭受损失可以包括四个等级，其中，等级1（最轻）是场景中的虚拟人丢掉了几块零钱、丢掉了一把雨伞等轻微损失；等级2（较轻）是场景中的虚拟人丢掉了身份证或银行卡；等级3（较重）是场景中的虚拟人遭遇离婚事件；等级4（严重）是场景中的虚拟人遭遇车祸，场景中的虚拟人死亡。
37.遭受污蔑可以包括三个等级，其中，等级1（最轻）是场景中的虚拟人被领导拒绝某种请求、被家人拒绝某些请求；等级2（中等）是场景中的虚拟人被其他虚拟人辱骂；等级3（严重）是场景中的虚拟人被家人、亲属辱骂后抛弃、赶出家门。
38.社会分离可以包括三个等级，等级1（最轻）是场景中的虚拟人被个别同事、同学排斥，个别同事、同学并非虚拟人的亲密朋友；等级2（中等）是场景中的虚拟人被亲戚、好友排斥；等级3（严重）是场景中的虚拟人被亲密关系的长辈、恋人排斥。
39.危险场景则不区分等级，其可以包括：虚拟人所处的场景即将发生暴风雨，虚拟人所处的场景在暗处有犯罪分子等。
40.在图像库中，每个分类中至少涵盖10张内容相同的图像组合，以保证为用户展示时的多样性。
41.s104：根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
42.心理状态可以包括：健康状态、亚健康状态、抑郁障碍状态等，而抑郁障碍状态还可以更细的划分为焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍等。在心理状态的这些类别中，对于抑郁障碍的区分是传统方案中比较难做到的。在此首先提供几种传统方案，比如，使用生理信号的人工智能分析，推断用户是否存在抑郁障碍，还比如，利用脑电信号的人工智能分析方法，用于区分健康用户与抑郁用户，还比如，使用音视频、自然语言处理技术进行用户的多模态表征分析，推断用户是否存在抑郁障碍相关的情绪低落现象。
43.然而上述的传统方案主要针对“是否存在抑郁障碍”或“是否存在抑郁障碍的情感表征”问题，采用人工智能技术分析相关表现信息，提供自动判别的功能。但是在临床实践中，是否罹患抑郁障碍并非实践的核心难题，而是区分非焦虑因素的抑郁障碍和焦虑障碍共病抑郁障碍才是实践难题。
44.而根据精神病学与认知神经科学的理论研究，抑郁症的主要成因是个体对无奖赏刺激信号和惩罚信号的过度敏感性，导致外侧眶额叶皮层在激活后的持续时间较长，与语言通路和注意通路等形成稳定的信号通信，由此形成无奖赏网络吸引子效应，产生了抑郁症的症状，在临床上主要表现为心境低落、抑郁，对已经出现的损失的情境有较强的敏感性；焦虑症的主要成因是个体对威胁性刺激的信号过度敏感性，导致丘脑-肾上腺环路的激活程度增加，对预期发生的威胁性（实际尚未发生）情境具有较强的敏感性，故结合抑郁症和焦虑症在脑功能和认知功能层面对实际发生的损失和预期发生的损失具有不同的敏感性这一特征，而本技术中的方案可以基于这一特征，对用户所患的抑郁障碍的类别进行区分。
45.具体地，若用户在观测到分类为遭受损失、等级为最高等级（4级）的负面图像数据，且在观测到分类为社会分离的负面图像数据时，用户的多维度生理指标均符合预设标准，则判断用户的心理状态属于非焦虑诱发的抑郁障碍。
46.若用户在观测到分类为遭受污蔑时，用户的多维生理指标均符合预设标准，则判断用户的心理状态属于非焦虑诱发的抑郁障碍。
47.若用户在观测到分类为遭受损失的负面图像数据，且在观测到分类为遭受污蔑的负面图像数据时，用户的多维度生理指标均符合预设标准，则判断用户的心理状态属于焦虑障碍共病抑郁障碍。
48.若用户在观测到分类为危险场景的负面图像数据时，用户的多维度生理指标均符合预设标准，则判断用户的心理状态属于焦虑障碍共病抑郁障碍。
49.其中，预设标准包括：扫视模式为精细加工扫视、注意转移时长高于预设时长、面部表情信息为消极、心率增高、心率变异性降低。
50.在得到预设标准后，可以按照image/video-lt-ct-vs-sm-att-fe-rr-hrv的本体结构，将其作为用户的数据结构，编辑入知识图谱，编辑上述非焦虑诱发的抑郁障碍和焦虑共病抑郁障碍两种类型的辅助判别知识图谱，以便于后续根据该知识图谱自动给出分析结论。
51.如图3所示，本技术实施例还提出了一种基于量化描述向量的心理状态区分设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定；采集所述用户在观看所述负面图像数据时的多维度生理指标；确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级；根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
52.本技术实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：向用户展示预先采集的负面图像数据，所述负面图像数据中包含有预先定义的负面因素，能够对至少部分人群的情绪产生负面影响，所述负面影响通过所述至少部分人群在观测所述负面图像数据时的核磁共振成像数据、脑电波数据的变化确定；采集所述用户在观看所述负面图像数据时的多维度生理指标；确定预先根据所述负面图像数据生成多维量化描述向量，并确定根据所述多维量化描述向量得到所述负面图像数据的分类以及在所述分类下的等级；根据所述用户在观测不同分类和等级的负面图像数据时，采集到的所述多维度生理指标，以及预设的判别规则，生成判断结果，以便于对所述用户的心理状态的类别进行区分，所述心理状态的类别至少包括：焦虑障碍共病抑郁障碍、非焦虑诱发的抑郁障碍。
53.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
54.本技术实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
55.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术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、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
56.本技术是参照根据本技术实施例的方法、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。
57.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。
58.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。
59.在一个典型的配置中，计算设备包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。
60.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (ram) 和/或非易失性内存等形式，如只读存储器 (rom) 或闪存(flash ram)。内存是计算机可读介质的示例。
61.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘 (dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
62.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
63.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。