一种情绪分析方法、情感脑机接口解码器以及计算机可读存储介质与流程

1.本发明涉及计算机技术领域，具体涉及情绪神经信号解码领域，提供一种情绪分析方法、装置以及计算机可读存储介质。


背景技术：

2.情绪在人们的日常生活和工作中发挥着重要作用。情绪通过人们的潜意识影响行为表现、人际交往等各个方面。但是在人机交互领域，还未有广泛的情绪计算相关的应用。情绪识别是将情绪计算应用到人机交互领域的关键步骤，近十年已经受到越来越广泛的关注。一个人的内在情绪状态可以通过主观经验(人的感觉)、内在表达(生理信号)和外在表达(音频、脸部信号)等途径进行识别。然而有时主观经验和外在表达会受到个人意愿以及周围环境的干扰，使得机器无法评估个体的真实情绪状态。
3.基于eeg(脑电)信号的情绪识别有望推动情感脑机接口应用到医疗、教育、娱乐等多个领域。eeg信号具有高维度、低信噪比、非平稳等特性，因此如何准确、鲁棒地解码情绪状态是情感脑机接口的主要挑战。基于传统特征提取的机器学习方法为情绪识别提供了解码基准。近年来，深度学习展现出优于传统算法的情绪解码性能。然而，情绪作为一种时变状态，使得训练的解码器难以有效泛化到新的情境。为了提高解码器的泛化性能，目前主流特征提取算法考虑多个频带的信号特征，分别计算theta、alpha、beta、和gamma频带(多种频带)的信号功率，进而使用支持向量机预测情绪类别。
4.一方面，情绪识别研究表明高频带eeg信号的波动与情绪状态密切相关；另一方面，跨频耦合效应被认为与大脑的精神活动状态密切相关。然而，现有技术中并没有考虑到频带之间的相互作用。如何有效挖掘频带间eeg信号的相关性，增强情绪状态的时空频域表征能力，提高情绪解码器的泛化性能，是当前情绪解码领域仍待解决的重要问题。


技术实现要素：

5.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决提升情绪分析效能的情绪分析方法、装置以及计算机可读存储介质。
6.第一方面，本发明提供一种情绪分析方法，所述方法包括：获取用户的脑电信号；将所述用户的脑电信号输入预设的多频带交互卷积神经网络，所述多频带交互卷积神经网络获取所述用户的脑电信号中第一频带的信号和第二频带的信号；从所述第一频带的信号中提取第一空频域特征，从所述第二频带的信号中提取第二空频域特征；基于预设的频带交互算子，对所述第一空频域特征和所述第二空频域特征进行计算得到多频带交互特征；对所述多频带交互特征计算得到所述用户具有一种或多种情绪的概率；根据所述用户具有一种或多种情绪的概率，输出对所述用户的情绪的分析结果。
7.优选地，前述的情绪分析方法，“对所述多频带交互特征计算得到所述用户具有一种或多种情绪的概率”的步骤包括：对所述多频带交互特征进行时域平均池化得到时空频
域特征，对所述时空频域特征计算得到所述用户具有所述一种或多种情绪的概率。
8.优选地，前述的情绪分析方法，所述多频带交互卷积神经网络预先经过训练以确定参数，使用的训练数据样本为测试用户观看影片时的脑电信号，所述测试用户的脑电信号携带指示所述测试用户的情绪的标签，其中，根据所述影片的类型和/或测试用户的情绪认知设置所述标签。
9.优选地，前述的情绪分析方法，在“基于预设的频带交互算子，对所述第一空频域特征和所述第二空频域特征进行计算得到多频带交互特征”的步骤之前，还包括：根据使用所述用户情绪分析结果的任务，从预设的多种频带交互算子中选择用于计算所述多频带交互特征频带交互算子。
10.优选地，前述的情绪分析方法，所述训练数据样本分为训练集、验证集，对所述多频带交互卷积神经网络的训练分为第一阶段和第二阶段，所述第一阶段中使用所述训练集训练所述多频带交互卷积神经网络，使用所述验证集计算所述多频带交互卷积神经网络在所述第一阶段的损失函数，调整所述多频带交互卷积神经网络的参数直至所述第一阶段的损失函数达到最低，所述第二阶段中使用所述训练集和所述验证集的合并数据，对调整参数后的所述多频带交互卷积神经网络进行训练，直至所述多频带交互卷积神经网络在所述第二阶段的损失函数小于所述第一阶段的损失函数。
11.第二方面，本发明提供一种情感脑机接口解码器，包括：信号获取模块，获取用户的脑电信号；多频带交互卷积神经网络，其中包括空频域特征表示模块、多频带交互模块和分类输出模块；所述空频域特征表示模块获取所述用户的脑电信号中第一频带的信号和第二频带的信号；从所述第一频带的信号中提取第一空频域特征，从所述第二频带的信号中提取第二空频域特征；所述多频带交互模块基于预设的频带交互算子，对所述第一空频域特征和所述第二空频域特征进行计算得到多频带交互特征；所述分类输出模块对所述多频带交互特征计算得到所述用户具有一种或多种情绪的概率；结果输出模块，根据所述用户具有一种或多种情绪的概率，输出对所述用户的情绪的分析结果。
12.优选地，前述的情感脑机接口解码器，所述分类输出模块对所述多频带交互特征进行时域平均池化得到时空频域特征，基于所述全连接层对所述时空频域特征计算得到所述用户具有所述一种或多种情绪的概率。
13.优选地，前述的情感脑机接口解码器，所述多频带交互卷积神经网络预先经过训练以确定参数，使用的训练数据样本为测试用户观看影片时的脑电信号，所述测试用户的脑电信号携带指示所述测试用户的情绪的标签，其中，根据所述影片的类型和/或测试用户的情绪认知设置所述标签。
14.优选地，前述的情感脑机接口解码器，所述多频带交互模块根据使用所述用户情绪分析结果的任务，从预设的多种频带交互算子中选择用于计算所述多频带交互特征频带交互算子。
15.第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述情绪分析方法的技术方案中任一项技术方案所述的上述情绪分析方法。
16.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
17.本发明的技术方案与现有技术不同，在接收用户的脑电信号后提取了其中不同频
带的空频域特征，并进一步计算出不同频带之间的多频带交互特征，该多频带交互特征反映了不同频带脑电信号之间的相互作用，本发明将该多频带交互特征作为卷积神经网络的输入，输出对用户情绪的预测，形成了用于情绪解码的多频带交互卷积神经网络以及与基于多频带交互卷积神经网络的情感脑机接口解码器，经实验证明具有优于现有技术方案的性能。
附图说明
18.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
19.图1是根据本发明的一个实施例的情绪分析方法的流程图；
20.图2是根据本发明的一个实施例的情绪分析方法的流程图；
21.图3是根据本发明的一个实施例的情绪分析方法的工作示意图；
22.图4是根据本发明的一个实施例的情感脑机接口解码器的框图。
23.图5是根据本发明的一个实施例的情感脑机接口解码器的效果图。
具体实施方式
24.下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
25.在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“a和/或b”表示所有可能的a与b的组合，比如只是a、只是b或者 a和b。术语“至少一个a或b”或者“a和b中的至少一个”含义与“a和/ 或b”类似，可以包括只是a、只是b或者a和b。单数形式的术语“一个”、“这个”也可以包含复数形式。
26.如图1所示，本发明的一个实施例中提供了一种情绪分析方法，方法包括：
27.步骤s110，获取用户的脑电信号。
28.在本实施例中，对接收的原始信号可以进行预处理，包括预滤波和去工频干扰，以及对预处理信号进行人工检查，对坏通道进行插值，删除受严重伪迹干扰片段。本实施例中，可以对用户的脑电信号按4秒窗长裁剪，即每4秒完成一次用户情绪分析，也可以对样本的时间窗长度进行调整，窗长越短，检测越灵敏，但抗干扰能力越弱，反之检测时延变高，但抗干扰能力越强。本实施例中，通过电极采集脑电信号，可对电极通道数进行调整，电极通道数越少，用户耐受性越高，但信号携带神经生理信息匮乏，反之用户耐受性变低，但信号包含更多生物特征。
29.步骤s120，将用户的脑电信号输入预设的多频带交互卷积神经网络，多频带交互卷积神经网络获取用户的脑电信号中第一频带的信号和第二频带的信号；从第一频带的信号中提取第一空频域特征，从第二频带的信号中提取第二空频域特征；基于预设的频带交
互算子，对第一空频域特征和第二空频域特征进行计算得到多频带交互特征；对多频带交互特征计算得到用户具有一种或多种情绪的概率。
30.本实施例中，对第一频带和第二频带不进行限制，具体地，第一频带的频率高于或低于第二频带的频率，且互不重叠。本实施例中，基于卷积神经网络技术，提出一种多频带交互卷积神经网络(interactivefrequency convolutional neural network，ifnet)，其完成三部分工作：一是空频域特征表示，即以低通(即第一频带)和高通(第二频带)滤波信号作为网络输入，分别使用空域滤波器和时域滤波器提取空频域特征；二是多频带交互，即对于低频带和高频带提取的空频域特征，使用加和算子(或其他算子)计算出频带间相互作用；三是分类输出，对多频带交互特征输入配置好参数的全连接层，经过软最大化(即软间隔最大化，是一种优化方法，其主要是利用软间隔寻得最优解)操作输出分类预测值。本实施例中，情绪可以分为三种类别，即正性情绪、中性情绪、负性情绪。
31.步骤s130，根据用户具有一种或多种情绪的概率，输出对用户的情绪的分析结果。
32.本实施例的技术方案，在接收用户的脑电信号后提取了其中不同频带的空频域特征，并进一步计算出不同频带之间的多频带交互特征，该多频带交互特征反映了不同频带脑电信号之间的相互作用，本发明将该多频带交互特征作为卷积神经网络的输入，输出对用户情绪的预测，形成了用于情绪解码的多频带交互卷积神经网络以及与基于多频带交互卷积神经网络的情感脑机接口解码器，经实验证明具有优于现有技术方案的性能。
33.如图2所示，本发明的一个实施例中提供了一种情绪分析方法，方法包括：
34.步骤s210，获取用户的脑电信号。
35.步骤s220，将用户的脑电信号输入预设的多频带交互卷积神经网络，多频带交互卷积神经网络获取用户的脑电信号中第一频带的信号和第二频带的信号；从第一频带的信号中提取第一空频域特征，从第二频带的信号中提取第二空频域特征；根据使用用户情绪分析结果的任务，从预设的多种频带交互算子中选择用于计算多频带交互特征频带交互算子；基于频带交互算子，对第一空频域特征和第二空频域特征进行计算得到多频带交互特征；对多频带交互特征进行时域平均池化得到时空频域特征，对时空频域特征计算得到用户具有一种或多种情绪的概率。
36.本实施例的多频带交互卷积神经网络的工作流程如图3所示。在执行空频域特征表示时，以低通(4-16hz，设为第一频带)和高通(16-50hz，设为第二频带)滤波信号作为网络输入，分别使用空域滤波器和时域滤波器提取空频域特征。模块表达式如下：
[0037][0038][0039]
其中，
[0040]
和指代输入的低频和高频eeg信号；
[0041]
和指代低频和高频的空域滤波器；
[0042]
和指代低频和高频的时域滤波器。
[0043]
空域滤波器为核大小1的一维卷积，时域滤波器为核大小51的逐层一维卷积。对于
200hz采样频率的eeg信号，51大小卷积核覆盖4hz 及以上的信号频段。每个滤波器后都跟随批标准化(batch normalization，一种用于改善人工神经网络的性能和稳定性的技术)模块，从而优化网络的训练和泛化性能。
[0044]
在多频带交互阶段，对于低频带和高频带提取的空频域特征，使用显式的多频带特征交互挖掘频带间相互作用，即使用逐点加和(或其他方式)建模低频带和高频带特征间的相互作用。实验表明，加和算子能高效地整合频带间的相关性，增强空频域特征的表达能力，提升网络解码的鲁棒性。
[0045]
具体地，多种频带交互算子包括加和、拼接、哈达玛积和线性映射。
[0046]
本实施例中，可选择不同的频带交互算子，不同解码任务可能对应不同的最优算子。4种算子表示式如下：
[0047]
加和：
[0048]
拼接：
[0049]
hadamard积：
[0050]
线性映射：
[0051]
在分类输出阶段，对多频带交互特征进行时域平均池化(temporalaverage pooling，能够将帧级向量特征转换为段级向量特征，按时间对多频带交互特征池化转换后提取了时域特征，即由空频域提特征形式转换为时空频域特征)，从而降低数据维度，提取时空频域特征。平均池化核大小设为200，对应1秒时间长度。最后，将时空频域特征输入全连接层，输出经过软最大化运算后表示每类的预测概率。
[0052]
具体地，多频带交互卷积神经网络预先经过训练以确定参数，使用的训练数据样本为测试用户观看影片时的脑电信号，测试用户的脑电信号携带指示测试用户的情绪的标签，其中，根据影片的类型和/或测试用户的情绪认知设置标签。训练数据样本分为训练集、验证集，对多频带交互卷积神经网络的训练分为第一阶段和第二阶段，第一阶段中使用训练集训练多频带交互卷积神经网络，使用验证集计算多频带交互卷积神经网络在第一阶段的损失函数，调整多频带交互卷积神经网络的参数直至第一阶段的损失函数达到最低，第二阶段中使用训练集和验证集的合并数据，对调整参数后的多频带交互卷积神经网络进行训练，直至多频带交互卷积神经网络在第二阶段的损失函数小于第一阶段的损失函数。
[0053]
在本实施例中，可以使用脑电采集设备记录被试(样本用户)在观看影片时的脑电信号。根据影片类型及被试自我评估标定eeg片段对应的情绪标签。对原始信号进行滤波、降采样、坏通道插值预处理后，以4 秒窗长对eeg信号进行裁剪，并按照合适比例分成训练集、验证集、测试集。
[0054]
在训练过程中，定义交叉熵损失作为目标优化函数，使用两阶段训练方法优化网络参数。
[0055]
交叉熵损失公式如下：
[0056][0057]
其中，
[0058]
p指代样本的真实类标签；
[0059]
q指代样本的预测类概率。
[0060]
训练时，首先使用adamw梯度优化器在训练集上进行批训练，根据验证集损失选择最佳模型参数。在第二阶段，整合训练集与验证集，基于最佳模型继续在训练验证集上进行训练，停止准则为第二阶段训练损失低于第一阶段训练损失。在验证集和测试集数据上使用本实施例的技术方案与现有技术方案对比，评估本实施例技术方案的性能与鲁棒性。
[0061]
步骤s230，根据用户具有一种或多种情绪的概率，输出对用户的情绪的分析结果。
[0062]
本实施例的技术方案，提供了一种基于多频带交互卷积神经网络的情绪解码算法，将频带交互显示嵌入到网络架构中，通过轻量级的卷积网络模块，有效增强了特征的空时频域表征能力，从而提高了解码器的分类及泛化性能。
[0063]
如图4所示，本发明的一个实施例中提供了一种情感脑机接口解码器，包括：
[0064]
信号获取模块410，获取用户的脑电信号。
[0065]
在本实施例中，对接收的原始信号可以进行预处理，包括预滤波和去工频干扰，以及对预处理信号进行人工检查，对坏通道进行插值，删除受严重伪迹干扰片段。本实施例中，可以对用户的脑电信号按4秒窗长裁剪，即每4秒完成一次用户情绪分析，也可以对样本的时间窗长度进行调整，窗长越短，检测越灵敏，但抗干扰能力越弱，反之检测时延变高，但抗干扰能力越强。本实施例中，通过电极采集脑电信号，可对电极通道数进行调整，电极通道数越少，用户耐受性越高，但信号携带神经生理信息匮乏，反之用户耐受性变低，但信号包含更多生物特征。
[0066]
多频带交互卷积神经网络420，其中包括空频域特征表示模块4210、多频带交互模块4220和分类输出模块4230；空频域特征表示模块4210 获取用户的脑电信号中第一频带的信号和第二频带的信号，从第一频带的信号中提取第一空频域特征，从第二频带的信号中提取第二空频域特征；多频带交互模块4220，基于预设的频带交互算子，对第一空频域特征和第二空频域特征进行计算得到多频带交互特征；分类输出模块4230，对多频带交互特征计算得到用户具有一种或多种情绪的概率。
[0067]
本实施例中，对第一频带和第二频带不进行限制，具体地，第一频带的频率高于或低于第二频带的频率，且互不重叠。本实施例中，基于卷积神经网络技术，提出一种多频带交互卷积神经网络(interactivefrequency convolutional neural network，ifnet)，其完成三部分工作：一是空频域特征表示，即以低通(即第一频带)和高通(第二频带)滤波信号作为网络输入，分别使用空域滤波器和时域滤波器提取空频域特征；二是多频带交互，即对于低频带和高频带提取的空频域特征，使用加和算子(或其他算子)计算出频带间相互作用；三是分类输出，对多频带交互特征输入配置好参数的全连接层，经过软最大化(即软间隔最大化，是一种优化方法，其主要是利用软间隔寻得最优解)操作输出分类预测值。本实施例中，情绪可以分为三种类别，即正性情绪、中性情绪、负性情绪。
[0068]
结果输出模块430，根据用户具有一种或多种情绪的概率，输出对用户的情绪的分析结果。
[0069]
本实施例的技术方案，在接收用户的脑电信号后提取了其中不同频带的空频域特征，并进一步计算出不同频带之间的多频带交互特征，该多频带交互特征反映了不同频带脑电信号之间的相互作用，本发明将该多频带交互特征作为卷积神经网络的输入，输出对
用户情绪的预测，形成了用于情绪解码的多频带交互卷积神经网络以及与基于多频带交互卷积神经网络的情感脑机接口解码器，经实验证明具有优于现有技术方案的性能。
[0070]
本发明的一个实施例中提供了一种情感脑机接口解码器，包括：
[0071]
信号获取模块410，获取用户的脑电信号。
[0072]
多频带交互卷积神经网络420，其中包括空频域特征表示模块4210、多频带交互模块4220和分类输出模块4230；空频域特征表示模块4210 获取用户的脑电信号中第一频带的信号和第二频带的信号，从第一频带的信号中提取第一空频域特征，从第二频带的信号中提取第二空频域特征；多频带交互模块4220根据使用用户情绪分析结果的任务，从预设的多种频带交互算子中选择用于计算多频带交互特征频带交互算子，基于频带交互算子，对第一空频域特征和第二空频域特征进行计算得到多频带交互特征；分类输出模块4230对多频带交互特征进行时域平均池化得到时空频域特征，对时空频域特征计算得到用户具有一种或多种情绪的概率。
[0073]
本实施例中，多频带交互卷积神经网络由三个模块构成：空频域特征表示模块4210，多频带交互模块4220，分类输出模块4230。设定网络宽度为64，即低频和高频信号空域滤波器个数各为64。多频带交互模块 4220的输出使用gelu函数激活。在全连接层前使用失活正则化，失活率为50％。网络采用pytorch框架编程实现。
[0074]
具体地，多种频带交互算子包括加和、拼接、哈达玛积和线性映射。
[0075]
具体地，多频带交互卷积神经网络预先经过训练以确定参数，使用的训练数据样本为测试用户观看影片时的脑电信号，测试用户的脑电信号携带指示测试用户的情绪的标签，其中，根据影片的类型和/或测试用户的情绪认知设置标签。训练数据样本分为训练集、验证集，对多频带交互卷积神经网络的训练分为第一阶段和第二阶段，第一阶段中使用训练集训练多频带交互卷积神经网络，使用验证集计算多频带交互卷积神经网络在第一阶段的损失函数，调整多频带交互卷积神经网络的参数直至第一阶段的损失函数达到最低，第二阶段中使用训练集和验证集的合并数据，对调整参数后的多频带交互卷积神经网络进行训练，直至多频带交互卷积神经网络在第二阶段的损失函数小于第一阶段的损失函数。
[0076]
本实施例中使用公开情绪数据集seed。seed数据集采集过程如下： 15名被试(样本用户)按照要求观看15部4分钟左右的影视片段。其中包括5部正性情绪片段、5部中性情绪片段、以及5部负性情绪片段。被试需佩戴62通道脑电采集设备。设备采集频率为1khz。每部影片观看之后，被试需填写自我评估表以评估自身当前情绪状态。每位被试在一个月内重复进行实验两次，因此seed数据集包含两个不同时间段的情绪神经生理信号。在对seed情绪神经信号预处理时，对于每位被试的数据，将原始eeg信号降采样到200hz，并进行0.5-70hz预滤波处理。将15部视频片段对应的eeg信号以4秒时间窗长度裁剪，每个裁剪片段作为一个样本。根据视频标签为样本标定情绪类别。采用分层5折交叉验证，即12部视频片段作为训练集，剩余3部作为验证集。此外，对该被试不同天以相同形式采集的情绪神经生理数理作相同预处理，并将全部数据作为测试数据。
[0077]
本实施例中，以交叉熵损失函数作为优化目标，采用adamw梯度优化器进行神经网络训练，学习率设为2-12
，权重衰减因子设为0.01。使用两阶段训练方式，具体如下。在第一阶段，以训练集数据进行网络训练，训练周期数为1500。保存训练过程中验证集损失最低时的模型参数，并记录此时的训练损失。在第二阶段，将训练集和验证集合并，在最佳模型基
础上继续训练，直到整体训练损失低于第一阶段的训练损失。对于每折数据分别进行网络训练，保存每折的模型用于性能评估。对每位被试进行相同操作，并重复1次，减少网络初始化对评估结果的影响。性能评估时，评估包括交叉验证分类准确率和测试集分类准确率。交叉验证分类准确率为所有被试所有折的第一阶段训练模型在验证集上的平均分类准确率。测试集分类准确率为所有被试所有折的两阶段训练模型在测试集上的平均分类准确率。
[0078]
结果输出模块430，根据用户具有一种或多种情绪的概率，输出对用户的情绪的分析结果。
[0079]
本实施例的技术方案，公开了一种基于多频带交互卷积神经网络的情感脑机接口解码器，其采用高效且轻量的卷积神经网络，利用频带间相互作用增强网络特征表达能力，从而提高情感脑机接口的情绪解码准确率。该解码器特征表达能力强、鲁棒性高、资源使用率低，一定程度上解决了脑电信号维度高、低信噪比、非平稳等问题。在情绪识别任务中，实验结果表明该方法优于公认的eegnet(专门为一般的脑电图识别任务而设计的通用轻量的卷积神经网络)，具有更强的泛化性能。如图5 所示，说明完了本实施例提出的情感脑机接口解码器的有效性，实验比较了ifnet和eegnet在相同训练方式下的交叉验证准确率(accuracy) 和测试集准确率。两者在验证集(cv)上的平均准确率分别为78.0％和 77.8％。在测试集上(test)，ifnet相比eegnet准确率提高了6.4％。同时，训练时间缩短了4倍。由上述结果可以看出，本实施例提出的情绪解码方法鲁棒性更高，具有更好的泛化性能。
[0080]
本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的情绪分析方法的程序，该程序可以由处理器加载并运行以实现上述情绪分析方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0081]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0082]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0083]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0084]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0085]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0086]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp) 来实现根据本发明实施例的移动终端的处理装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0087]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。