一种基于脑电数据的虚拟现实晕动症评价方法以及装置与流程

1.本公开涉及虚拟现实晕动症评估技术领域，具体而言，涉及一种基于脑电数据的虚拟现实晕动症评价方法、装置、电子设备以及计算机可读存储介质。


背景技术：

2.虚拟现实晕动症是指人长时间沉浸在虚拟现实环境中经常发生的一种症状，这种症状往往会使人产生头晕、恶心、眼部不适、定向障碍等症状。虚拟现实技术正在逐渐应用于教育、康复、训练等领域，虚拟现实晕动症成了制约该技术应用的一个重要因素。为了使虚拟现实训练等效果最大化，有必要在虚拟现实晕动症出现或逐渐加重时及时进行调整或停止训练。因此，需要一种准确可靠的虚拟现实晕动症评价方法。
3.目前，虚拟现实晕动症的评估方法主要有主观评价法和客观评价法两种。主观评价是依靠主观问卷来评价虚拟现实晕动症带来的生理、心理等不适程度。客观评价法主要基于自主反应，如胃电图、心率、血压、皮肤电导等。
4.然而，主观评价方法有时容易受到暗示、主观因素等影响，可能不能客观准确地评估待测者的状态。现有的客观评价方法虽然能够较为客观的评估待测者的虚拟现实晕动症状态，但是对状态的评估准确度也较低，比如心率会随着害怕或兴奋等感受而增加，血压会受到外界环境的影响且时间分辨率较低。
5.因此，需要一种或多种方法解决上述问题。
6.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

7.本公开的目的在于提供一种基于脑电数据的虚拟现实晕动症评价方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
8.根据本公开的一个方面，提供一种基于脑电数据的虚拟现实晕动症评价方法，包括：
9.基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；
10.对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；
11.基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
12.以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。
13.在本公开的一种示例性实施例中，所述方法还包括：
14.基于脑电采集设备，采集待评价人员在基于vr设备感知预设的虚拟现实情境下，完成预设任务时的脑电数据。
15.在本公开的一种示例性实施例中，所述方法还包括：
16.在采集所述待评价人员的脑电数据前，向所述待评价人员展示并说明所述预设的虚拟现实情境及预设任务；
17.使所述待评价人员预感知预设的虚拟现实情境下完成预设任务，并休息预设天数后，进行基于脑电采集设备采集待评价人员在预设状态下的脑电数据。
18.在本公开的一种示例性实施例中，所述方法还包括对所述脑电数据进行预处理：
19.将所述脑电数据基于全脑平均参考值进行重参考处理；
20.将所述进行重参考处理后的脑电数据基于第二预设频段进行滤波处理；
21.将所述进行滤波处理后的脑电数据基于第一预设时长进行分段处理；
22.检查并基于插值替换所述进行分段处理后的脑电数据中的坏电极脑电数据；
23.检查并剔除替换坏电极脑电数据后的脑电数据中的伪迹片段及数据异常分布片段；
24.基于独立成分分析法，识别并剔除所述剔除伪迹片段及数据异常分布片段后的脑电数据中的非脑电成分，完成对所述脑电数据的预处理。
25.在本公开的一种示例性实施例中，所述方法还包括：
26.对所述脑电数据进行分析，分别提取所述脑电数据中δ频段、θ频段、α频段、β频段的脑电数据；
27.其中所述δ频段的频率为1-4hz、θ频段的频率为4-8hz、α频段的频率为8-13hz、β频段的频率为13-30hz；
28.分别计算δ频段、θ频段、α频段、β频段的脑电数据的功率谱、α/θ、α/β、(α β)/θ、(α θ)/(α β)参数比、非线性特征的第一脑电数据特征值；
29.其中，所述非线性特征的第一脑电数据特征值包括全频段的复杂度、小波熵、样本熵、近似熵的第一脑电数据特征值。
30.在本公开的一种示例性实施例中，所述方法中还包括生成并训练预设机器学习模型：
31.基于脑电采集设备，采集被测者在预设状态下的脑电数据；
32.每个第二预设时长，由第一主试人员向所述被测者询问预设问卷问题并记录评分，由第二主试人员根据所述被测者的症状和体征指标基于晕动症症状和体征评分标准进行虚拟现实晕动症评分；
33.对所述被测者的脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值，基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
34.建立机器学习模型，并基于所述第二脑电数据特征值及对虚拟现实晕动症评分所机器学习模型训练，生成预设机器学习模型。
35.在本公开的一种示例性实施例中，所述方法中所述预设机器学习模型包括向量机模型、随机森林模型、knn模型、xgboost模型。
36.在本公开的一个方面，提供一种基于脑电数据的虚拟现实晕动症评价装置，包括：
37.脑电数据采集模块，用于基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；
38.第一脑电数据特征值计算模块，用于对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；
39.第二脑电数据特征值选取模块，用于基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
40.评价结果生成模块，用于以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。
41.在本公开的一个方面，提供一种电子设备，包括：
42.处理器；以及
43.存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
44.在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
45.本公开的示例性实施例中的一种基于脑电数据的虚拟现实晕动症评价方法，其中，该方法包括：基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。本公开通过脑电数据实现虚拟现实晕动症评价，对虚拟现实晕动症不适程度的检测准确率更高。
46.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
47.通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。
48.图1示出了根据本公开一示例性实施例的一种基于脑电数据的虚拟现实晕动症评价方法的流程图；
49.图2示出了根据本公开一示例性实施例的一种基于脑电数据的虚拟现实晕动症评价方法的22通道的脑电电极分布左视图；
50.图3示出了根据本公开一示例性实施例的一种基于脑电数据的虚拟现实晕动症评价方法的22通道的脑电电极分布俯视图；
51.图4示出了根据本公开一示例性实施例的一种基于脑电数据的虚拟现实晕动症评价装置的示意框图；
52.图5示意性示出了根据本公开一示例性实施例的电子设备的框图；以及
53.图6示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
54.现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示
相同或类似的部分，因而将省略对它们的重复描述。
55.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
56.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
57.在本示例实施例中，首先提供了一种基于脑电数据的虚拟现实晕动症评价方法；参考图1中所示，该一种基于脑电数据的虚拟现实晕动症评价方法可以包括以下步骤：
58.步骤s110，基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；
59.步骤s120，对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；
60.步骤s130，基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
61.步骤s140，以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。
62.本公开的示例性实施例中的一种基于脑电数据的虚拟现实晕动症评价方法，其中，该方法包括：基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。本公开通过脑电数据实现虚拟现实晕动症评价，对虚拟现实晕动症不适程度的检测准确率更高。
63.下面，将对本示例实施例中的一种基于脑电数据的虚拟现实晕动症评价方法进行进一步的说明。
64.在步骤s110中，可以基于脑电采集设备，采集待评价人员在预设状态下的脑电数据。
65.在本示例的实施例中，所述方法还包括：
66.基于脑电采集设备，采集待评价人员在基于vr设备感知预设的虚拟现实情境下，完成预设任务时的脑电数据。
67.在本示例的实施例中，所述方法还包括：
68.在采集所述待评价人员的脑电数据前，向所述待评价人员展示并说明所述预设的虚拟现实情境及预设任务；
69.使所述待评价人员预感知预设的虚拟现实情境下完成预设任务，并休息预设天数后，进行基于脑电采集设备采集待评价人员在预设状态下的脑电数据。
70.在本示例的实施例中，构建一个虚拟现实的空间站环境，该空间站由多个舱室组合而成，用于训练航天员在空间站中不同舱室之间的空间巡航情况。环境为微重力状态，人
员行动时均与真实空间环境状况类似，比如人是漂浮状态、撞击内壁时人会被反弹、移动时不易控制方向。空间巡航任务要求被测者先熟记该空间站各个舱室的分布情况。然后给出目标舱室，要求被测者从现在位置移动到目标舱室。
71.在本示例的实施例中，由于早期相关研究表明，初次体验虚拟现实的人有80％会在20分钟内出现不同程度的眩晕等症状。因此在正式对虚拟现实晕动开展评估之前，给被测者空间站舱室分布图让其牢记，并开展一次适应任务，使被测者更好地了解任务并熟悉该虚拟现实环境，降低新鲜感和应激程度。
72.在本示例的实施例中，前述步骤即测前准备过程。适应完成后，休息一天，确保没有任务不适症状后开展虚拟现实训练任务，任务中被测者佩戴vr眼镜和脑电帽。
73.在本示例的实施例中，在采集过程中，要求待测者保持开展虚拟现实空间站巡航任务，采集时间可以是30分钟或40分钟，视被测者自身虚拟现实晕动症情况而定，本发明实施例不对其进行具体限定。
74.如图2、3所示，采用22通道的无线脑电帽对待测者进行脑电数据采集。电极(fp1，fp2，afz，f3，f4，fz，f7，f8，c3，c4，cz，t3，t4，t5，t6，p3，p4，pz，o1，o2，a1，a2)安放位置符合国际标准10-20脑电记录系统。采样率为500hz，afz为在线参考电极，所有导联阻抗值均小于10kω。脑电采集过程中，每隔五分钟由主试人员向被测者询问模拟器问卷(simulator sickness questionnaire,ssq)中的问题并做好评分记录。同时另一专业的主试人员按照临床经常采用的graybiel晕动症症状和体征评分标准进行评分，症状和体征包括恶心综合征、冷汗、皮肤颜色、流涎、欲睡、疼痛、中枢神经系统等方面。结合被测者自主问卷和专业人员的他评得分综合评定虚拟现实晕动症的严重程度，分为无不适、轻度不适、中度不适、重度不适四个等级作为后续的分类标签。
75.在本示例的实施例中，所述方法还包括对所述脑电数据进行预处理：
76.将所述脑电数据基于全脑平均参考值进行重参考处理；
77.将所述进行重参考处理后的脑电数据基于第二预设频段进行滤波处理；
78.将所述进行滤波处理后的脑电数据基于第一预设时长进行分段处理；
79.检查并基于插值替换所述进行分段处理后的脑电数据中的坏电极脑电数据；
80.检查并剔除替换坏电极脑电数据后的脑电数据中的伪迹片段及数据异常分布片段；
81.基于独立成分分析法，识别并剔除所述剔除伪迹片段及数据异常分布片段后的脑电数据中的非脑电成分，完成对所述脑电数据的预处理。
82.在本示例的实施例中，由于采集到的脑电数据存在很多干扰，需要对脑电数据进行预处理，包括重参考、滤波、分段、插值坏电极、剔除坏片段、基于独立成分分析(independent component analysis,ica)伪迹去除等过程。
83.具体的，重参考，以全脑平均为参考对脑电数据进行处理；滤波，对脑电数据进行0.3-30hz的带通滤波；分段，对每五分钟内的脑电数据切分成2秒一段的多个小片段，以便于后续在每五分钟内进行平均；插值坏电极，对脑电数据进行浏览，观察是否存在坏电极，坏电极指的是数据与其余电极数值相差很大的电极。坏电极可使用球形插值算法进行插值替换；剔除坏段，去除伪迹较多的小片段脑电数据；ica伪迹去除，去除脑电中的眼电、眼动、心电、头动等生理、非生理伪迹噪声。
84.在步骤s120中，可以对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值。
85.在本示例的实施例中，所述方法还包括：
86.对所述脑电数据进行分析，分别提取所述脑电数据中δ频段、θ频段、α频段、β频段的脑电数据；
87.其中所述δ频段的频率为1-4hz、θ频段的频率为4-8hz、α频段的频率为8-13hz、β频段的频率为13-30hz；
88.分别计算δ频段、θ频段、α频段、β频段的脑电数据的功率谱、α/θ、α/β、(α β)/θ、(α θ)/(α β)参数比、非线性特征的第一脑电数据特征值；
89.其中，所述非线性特征的第一脑电数据特征值包括全频段的复杂度、小波熵、样本熵、近似熵的第一脑电数据特征值。
90.在本示例的实施例中，在脑电数据分析中，提取脑电信号中的四个频段，分别为：δ频段(1-4hz)、θ频段(4-8hz)、α频段(8-13hz)、β频段(13-30hz)，计算每个频段的功率谱，以及α/θ、α/β、(α β)/θ、(α θ)/(α β)参数比，同时计算全频段的复杂度、小波熵、样本熵、近似熵等非线性特征。
91.在步骤s130中，可以基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值。
92.在本示例的实施例中，接下来进行特征提取与选择，分别计算22个通道的以上4个功率谱特征、4个参数比、4个非线性特征，共计264个特征。使用基于树的特征选择方法，选取具有显著性的通道特征，最终选出的特征集包含9个脑电通道的12个特征。
93.在步骤s140中，可以以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。
94.在本示例的实施例中，所述方法中还包括生成并训练预设机器学习模型：
95.基于脑电采集设备，采集被测者在预设状态下的脑电数据；
96.每个第二预设时长，由第一主试人员向所述被测者询问预设问卷问题并记录评分，由第二主试人员根据所述被测者的症状和体征指标基于晕动症症状和体征评分标准进行虚拟现实晕动症评分；
97.对所述被测者的脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值，基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
98.建立机器学习模型，并基于所述第二脑电数据特征值及对虚拟现实晕动症评分所机器学习模型训练，生成预设机器学习模型。
99.在本示例的实施例中，所述方法中所述预设机器学习模型包括向量机模型、随机森林模型、knn模型、xgboost模型。
100.在本示例的实施例中，使用选取的特征及标签对包含支持向量机、随机森林、knn、xgboost在内的4种机器学习模型进行训练，选取平均准确率最高的分类模型对虚拟现实晕动症进行评估应用。最后，将评估结果显示在反馈单元，可以分别反馈给被测者和主试人员，以指导是否继续训练。
101.在本示例的实施例中，本公开的基于脑电的虚拟现实晕动症评价方法，可以对虚
拟现实晕动症的不适程度进行更为准确可靠的评估，从而为虚拟现实训练任务时间的安排提供指导信息。
102.需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
103.此外，在本示例实施例中，还提供了一种基于脑电数据的虚拟现实晕动症评价装置。参照图4所示，该一种基于脑电数据的虚拟现实晕动症评价装置400可以包括：脑电数据采集模块410、第一脑电数据特征值计算模块420、第二脑电数据特征值选取模块430以及评价结果生成模块430。其中：
104.脑电数据采集模块410，用于基于脑电采集设备，采集待评价人员在预设状态下的脑电数据；
105.第一脑电数据特征值计算模块420，用于对所述脑电数据进行分析，分别计算第一预设频段的第一脑电数据特征值；
106.第二脑电数据特征值选取模块430，用于基于树的特征选择方法，在所述第一脑电数据特征值中选取预设通道特征的第二脑电数据特征值；
107.评价结果生成模块440，用于以所述第二脑电数据特征值为输入，基于预设机器学习模型生成虚拟现实晕动症评价结果。
108.上述中各一种基于脑电数据的虚拟现实晕动症评价装置模块的具体细节已经在对应的一种基于脑电数据的虚拟现实晕动症评价方法中进行了详细的描述，因此此处不再赘述。
109.应当注意，尽管在上文详细描述中提及了一种基于脑电数据的虚拟现实晕动症评价装置400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
110.此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
111.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
112.下面参照图5来描述根据本发明的这种实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
113.如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。
114.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元510可以执行如图1中所示的步骤s110至步骤
s140。
115.存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。
116.存储单元520还可以包括具有一组(至少一个)程序模块5203的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
117.总线550可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
118.电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线550与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
119.通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
120.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
121.参考图6所示，描述了根据本发明的实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
122.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
123.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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
124.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
125.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
126.此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
127.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
128.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。