本发明公开了一种基于深度学习模型的冠心病患者手诊数据处理方法及其系统，方法其包括：获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；将所述ROI区域图像输入到构建好的冠心病深度学习模型，得到分类结果。
1.一种基于深度学习模型的冠心病患者手诊数据处理设备，所述设备包括：存储器和处理器；
所述处理器用于调用程序指令，当程序指令被执行时，用于执行以下操作：
获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
提取所述ROI区域图像的特征，所述ROI区域图像的特征包括大鱼际肥厚程度表征和大鱼际皱褶表征，所述大鱼际肥厚程度表征的判断根据大鱼际肌与大鱼际曲线间距缩小程度分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶，根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；皱褶深浅分级：Ⅰ级＜0.5mm；0.5mm≤Ⅱ级＜1mm；
将所述ROI区域图像的特征输入到冠心病深度学习模型，得到分类结果。
2.根据权利要求1所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，所述大鱼际区域包括来自所述左手正面图像和/或右手正面图像的大鱼际区域；所述小鱼际区域包括来自所述左手正面图像和/或右手正面图像的小鱼际区域；所述手掌面区域包括来自所述左手正面图像和/或右手正面图像的手掌面区域；所述大拇指根部区域包括来自所述左手正面图像和/或右手正面图像的大拇指根部区域；所述虎口区域包括来自所述左手正面图像和/或右手正面图像的虎口区域。
3.根据权利要求1所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，基于所述桡侧面图像得到的ROI区域包括大鱼际侧面区域；基于所述尺侧面图像得到的ROI区域包括小鱼际侧面区域。
4.根据权利要求1所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，所述ROI区域图像的特征还包括以下一种或几种：大鱼际皱褶表征、大鱼际凹陷程度表征、大鱼际颜色表征、大鱼际扁平程度表征、手掌面颜色表征、大拇指根部青筋表征、虎口青筋表征、大鱼际青筋表征、小鱼际肥厚程度表征。
5.根据权利要求4所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，基于所述手掌面区域和大鱼际区域得到以下一种或几种表征：手掌面颜色表征；基于所述手掌面区域、大鱼际区域和小鱼际区域得到以下一种或几种表征：大鱼际颜色表征、小鱼际颜色表征、大拇指根部青筋表征、大鱼际青筋表征、虎口青筋表征、大鱼际皱褶表征、大鱼际肥厚程度表征、大鱼际扁平程度表征、大鱼际凹陷程度表征。
6.根据权利要求5所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，所述大鱼际凹陷程度表征的判断以正常大鱼际丘为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大鱼际扁平程度表征的判断以掌心面和小鱼际水平面为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大拇指根部青筋表征包括大拇指根部是否出现青色或青黑色血管；根据所述血管是否突起皮肤至少分为以下两种：仅皮下可视青筋、青筋突起皮肤。
7.根据权利要求1所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，所述冠心病深度学习模型的构建方法包括：获取训练样本集，包括每个样本的标签；
将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出，记做（o1，o2，…，on）；
给定训练样本集的先验知识矩阵（p1，p2，…，pn）；
计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：（r1，r2，…，rn）=（p1*o1，p2*o2，…，pn*on）；
输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
8.根据权利要求1所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，所述冠心病深度学习模型的构建方法包括：获取训练样本集，包括每个样本的标签；
给定训练样本集的先验知识矩阵（p1，p2，…，pn）和参数ε；当pi＞ε，设p’i =pi；当pi≤ε，则p’i = 0 ；
当p’i ＞ 0 时，将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出（o1，o2，…，on）；
计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：（r1，r2，…，rn）=（p1*o1，p2*o2，…，pn*on）；
输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
9.根据权利要求7或8所述的基于深度学习模型的冠心病患者手诊数据处理设备，其特征在于，先验知识数据包括来自下列方式中的一种或几种冠心病患者手部图像指征数据：文献研究、专家共识、临床试验。
10.一种基于深度学习模型的冠心病患者手诊数据处理系统，包括：
获取单元，用于获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
图像分割单元，用于对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
特征提取单元，用于提取所述ROI区域图像的特征，所述ROI区域图像的特征包括大鱼际肥厚程度表征和大鱼际皱褶表征，所述大鱼际肥厚程度表征的判断根据大鱼际肌与大鱼际曲线间距缩小程度分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶，根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；皱褶深浅分级：Ⅰ级＜
0.5mm；0.5mm≤Ⅱ级＜1mm；Ⅲ级≥1mm；
分类单元，用于将所述ROI区域图像的特征输入到冠心病深度学习模型，得到分类结果。
11.一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以下操作：获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
提取所述ROI区域图像的特征，所述ROI区域图像的特征包括大鱼际肥厚程度表征和大鱼际皱褶表征，所述大鱼际肥厚程度表征的判断根据大鱼际肌与大鱼际曲线间距缩小程度分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶，根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；皱褶深浅分级：Ⅰ级＜0.5mm；0.5mm≤Ⅱ级＜1mm；
Ⅲ级≥1mm；将所述ROI区域图像的特征输入到冠心病深度学习模型，得到分类结果。
12.根据权利要求11所述的可读存储介质，其特征在于，所述大鱼际区域包括来自所述左手正面图像和/或右手正面图像的大鱼际区域；所述小鱼际区域包括来自所述左手正面图像和/或右手正面图像的小鱼际区域；所述手掌面区域包括来自所述左手正面图像和/或右手正面图像的手掌面区域；所述大拇指根部区域包括来自所述左手正面图像和/或右手正面图像的大拇指根部区域；所述虎口区域包括来自所述左手正面图像和/或右手正面图像的虎口区域。
13.根据权利要求11所述的可读存储介质，其特征在于，基于所述桡侧面图像得到的ROI区域包括大鱼际侧面区域；基于所述尺侧面图像得到的ROI区域包括小鱼际侧面区域。
14.根据权利要求11所述的可读存储介质，其特征在于，所述ROI区域图像的特征还包括以下一种或几种：大鱼际皱褶表征、大鱼际凹陷程度表征、大鱼际颜色表征、大鱼际扁平程度表征、手掌面颜色表征、大拇指根部青筋表征、虎口青筋表征、大鱼际青筋表征、小鱼际肥厚程度表征。
15.根据权利要求11所述的可读存储介质，其特征在于，基于所述手掌面区域和大鱼际区域得到以下一种或几种表征：手掌面颜色表征；基于所述手掌面区域、大鱼际区域和小鱼际区域得到以下一种或几种表征：大鱼际颜色表征、小鱼际颜色表征、大拇指根部青筋表征、大鱼际青筋表征、虎口青筋表征、大鱼际皱褶表征、大鱼际肥厚程度表征、大鱼际扁平程度表征、大鱼际凹陷程度表征。
16.根据权利要求14所述的可读存储介质，其特征在于，所述大鱼际凹陷程度表征的判断以正常大鱼际丘为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大鱼际扁平程度表征的判断以掌心面和小鱼际水平面为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；所述大拇指根部青筋表征包括大拇指根部是否出现青色或青黑色血管；根据所述血管是否突起皮肤至少分为以下两种：仅皮下可视青筋、青筋突起皮肤；所述大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶，根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级。
17.根据权利要求11所述的可读存储介质，其特征在于，所述冠心病深度学习模型的构建方法包括：获取训练样本集，包括每个样本的标签；
将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出，记做（o1，o2，…，on）；
给定训练样本集的先验知识矩阵（p1，p2，…，pn）；
计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：（r1，r2，…，rn）=（p1*o1，p2*o2，…，pn*on）；
输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
18.根据权利要求17所述的可读存储介质，其特征在于，所述冠心病深度学习模型的构建方法包括：获取训练样本集，包括每个样本的标签；
给定训练样本集的先验知识矩阵（p1，p2，…，pn）和参数ε；当pi＞ε，设p’ i =pi；当pi≤ε，则p’i = 0 ；
当p’i ＞ 0 时，将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出（o1，o2，…，on）；
计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：（r1，r2，…，rn）=（p1*o1，p2*o2，…，pn*on）；
输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
19.根据权利要求17或18所述的可读存储介质，其特征在于，先验知识数据包括来自下列方式中的一种或几种冠心病患者手部图像指征数据：文献研究、专家共识、临床试验。
基于深度学习模型的冠心病患者手诊数据处理方法及其系统
技术领域
[0001] 本发明涉及智能中医领域，更具体地，涉及一种基于深度学习模型的冠心病患者手诊数据处理方法及其系统。
背景技术
[0002] 望诊居中医四诊之首，它通过分析病人的外在特征变化对病人进行病情诊断。但中医望诊主要是通过医者的感觉器官体察患者的异常表现，过分依赖于医者的过往经验，易受主观因素和周围环境的影响，造成诊断结果缺乏客观性因此使得望诊结果客观化就显得尤为重要。
[0003] 基于全息理论的中医望诊可以辅助诊断西医疾病，是解决我国农村基层群众较早了解身体健康状况，减轻医疗负担的可行途径。但目前仍然存在望诊客观化、标准化程度不够，缺乏行业内认可度高的望诊转化技术的问题。人工智能与5G等信息化技术的发展，有望为解决这一难题提供突破。
[0004] 冠状动脉粥样硬化性心脏病（coronary atherosclerotic heart disease，CAD）简称冠心病，也称缺血性心脏病（ischemic heart disease, IHD），是严重威胁人类健康的常见病与多发病。冠心病属于中医胸痹、心痛等范畴，病位在心，心脉血运障碍必然在体表有相应的病理表现。临床医生在早期发现其微妙变化，可望趋吉避凶，有效改善冠心病患者的预后，降低心血管终点事件的发生，减轻冠心病给社会及个人带来的医疗经济负担。大鱼际是指手掌掌面桡侧大拇指根部与掌根的连接部位，肌肉丰厚处，大鱼际望诊为手部望诊的一部分，通过观察大鱼际区域的形态、色泽、青筋的变化可推测心脏功能状态。
发明内容
[0005] 本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种基于深度学习模型的冠心病患者手诊数据处理方法及其系统；通过以大鱼际相关体征为基础构建冠心病患者大鱼际望诊模型，为临床提供易于冠心病早期预警和筛查的方法，对探讨中西医结合处理冠心病手诊数据具有重要意义；同时，将前期研究得到的先验知识进行参数化处理，融合图像识别技术与先验知识，通过不断优化拟合，获取局部最优解与鞍点区域，建立一种可以有效提高冠心病患者大鱼际望诊正确率的模型。
[0006] 本申请公开一种基于深度学习模型的冠心病患者手诊数据处理方法，包括：
[0007] 获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
[0008] 对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
[0009] 将所述ROI区域图像输入到构建好的冠心病深度学习模型，得到分类结果；分类结果包括：正常人群、冠脉狭窄人群和冠心病人群。
[0010] 所述大鱼际区域包括来自所述左手正面图像和/或右手正面图像的大鱼际区域；所述小鱼际区域包括来自所述左手正面图像和/或右手正面图像的小鱼际区域；所述手掌面区域包括来自所述左手正面图像和/或右手正面图像的手掌面区域；所述大拇指根部区域包括来自所述左手正面图像和/或右手正面图像的大拇指根部区域；所述虎口区域包括来自所述左手正面图像和/或右手正面图像的虎口区域；
[0011] 可选的，基于所述桡侧面图像得到的ROI区域包括大鱼际侧面区域；基于所述尺侧面图像得到的ROI区域包括小鱼际侧面区域。
[0012] 所述方法还包括：提取所述ROI区域图像的特征；将所述ROI区域图像的特征和/或所述ROI区域图像输入到冠心病深度学习模型，得到分类结果；
[0013] 可选的，所述ROI区域图像的特征包括以下一种或几种：大鱼际皱褶表征、大鱼际凹陷程度表征、大鱼际颜色表征、大鱼际扁平程度表征、手掌面颜色表征、大拇指根部青筋表征、虎口青筋表征、大鱼际青筋表征、大鱼际肥厚程度表征、小鱼际肥厚程度表征；
[0014] 可选的，基于所述手掌面区域和大鱼际区域得到以下一种或几种表征：手掌面颜色表征；基于所述手掌面区域、大鱼际区域和小鱼际区域得到以下一种或几种表征：大鱼际颜色表征、小鱼际颜色表征、大拇指根部青筋表征、大鱼际青筋表征、虎口青筋表征、大鱼际皱褶表征、大鱼际肥厚程度表征、大鱼际扁平程度表征、大鱼际凹陷程度表征。
[0015] 所述大鱼际凹陷程度表征的判断以正常大鱼际丘为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；
[0016] 可选的，所述大鱼际扁平程度表征的判断以掌心面及小鱼际水平面为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；
[0017] 可选的，所述大鱼际肥厚程度表征的判断根据大鱼际肌与大鱼际曲线间距缩小程度分级，包括：Ⅰ级‑间距缩小至1cm‑0.5cm；Ⅱ级‑大鱼间距缩小至0.5cm；Ⅲ级‑大鱼际丘肌肉丰满抵至或超过大鱼际曲线。
[0018] 可选的，所述大拇指根部青筋表征包括大拇指根部是否出现青色或青黑色血管；根据所述血管是否突起皮肤至少分为以下两种：仅皮下可视青筋、青筋突起皮肤；
[0019] 可选的，所述虎口青筋表征包括拇指与食指根部之间是否出现青色或青黑色血管；
[0020] 可选的，所述大鱼际青筋表征包括大鱼际区域是否出现青色或青黑色血管。可选的，所述大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶；根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；Ⅰ级≤1根；1根＜Ⅱ级≤3根；Ⅲ级＞3根；皱褶深浅分级 Ⅰ级＜0.5mm；0.5mm≤Ⅱ级＜1mm；Ⅲ级≥1mm。
[0021] 可选的，所述大鱼际颜色表征包括：以正常大鱼际区域为参考，大鱼际区域皮肤出现颜色变化；
[0022] 可选的，所述手掌面颜色表征包括：以正常手掌面区域为参考，手掌面区域皮肤出现颜色变化。主要考虑手掌面色红、色黄、色青、色白、色黑等；
[0023] 所述冠心病深度学习模型的构建方法包括：
[0024] 获取训练样本集，包括每个样本的标签；将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出，记做（o1，o2，…，on）；
[0025] 给定训练样本集的先验知识矩阵（p1，p2，…，pn）；
[0026] 计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：
[0027] （r1，r2，…，rn）=（p１*o１，p2*o2，…，pn*on）；
[0028] 输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
[0029] 所述冠心病深度学习模型的构建方法包括：
[0030] 获取训练样本集，包括每个样本的标签；给定训练样本集的先验知识矩阵（p1，p2，…，pn）和参数ε；当pi＞ε，设p’i = pi；当pi≤ε，则p’i = 0 ；
[0031] 当p’i ＞ 0 时，将所述训练样本集输入深度学习模型，得到应用深度学习方法的输出
[0032] （o1，o2，…，on）；
[0033] 计算所述先验知识矩阵与所述应用深度学习方法的输出的乘积：
[0034] （r1，r2，…，rn）=（p１*o１，p2*o2，…，pn*on）；
[0035] 输出最大的数 ri 的下标 i，所述i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。
[0036] 基于先验知识数据得到所述先验知识矩阵，所述先验知识数据包括来自下列方式中的一种或几种冠心病患者手部图像指征数据：文献研究、专家共识、临床试验；可选的，所述先验知识数据包括：图像信息、文字信息；
[0037] 可选的，所述先验知识数据经参数化处理后得到所述先验知识矩阵；所述参数化处理的方法包括：自然语言处理（NLP）和表示学习。
[0038] 一种基于深度学习模型的冠心病患者手诊数据处理系统，包括：
[0039] 获取单元，用于获取待测样本的手部图像，所述手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
[0040] 图像分割单元，用于对所述手部图像进行分割得到每个图像对应的ROI区域图像；所述ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
[0041] 分类单元，用于将所述ROI区域图像输入到构建好的冠心病深度学习模型，得到分类结果。
[0042] 一种基于深度学习模型的冠心病患者手诊数据处理设备，所述设备包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时，用于执行上述的基于深度学习模型的冠心病患者手诊数据处理方法。
[0043] 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上述的基于深度学习模型的冠心病患者手诊数据处理方法。
[0044] 本申请具有以下有益效果：
[0045] 1、本申请创新性的公开基于深度学习模型的冠心病患者手诊数据处理方法，通过以大鱼际相关体征为基础构建冠心病患者大鱼际望诊模型，分别利用手部图像中的ROI区域和/或ROI区域特征的数据提供了易于冠心病早期预警和筛查的方法， 促进望诊经验的转化，为中医望诊客观化、标准化提供技术支撑，对探讨中西医结合处理冠心病手诊数据具有重要意义；还通过诊断性试验对望诊模型与冠心病诊断的金标准（冠脉造影）进行比较分析，验证模型的准确性。
[0046] 2、本申请创新的提供一种整体解决方法，将特征提取和分类合为一体，利用深度学习端对端的显著特点，输入为观察到的原始大鱼际图像像素数据或信息，通过对大鱼际照片的大量深度学习，构建冠心病患者的关键特征要素，并通过不同算法将前期研究得到的先验知识进行参数化处理，融合图像识别技术与先验知识，通过不断优化拟合，获取局部最优解与鞍点区域，建立一种可以有效提高冠心病患者大鱼际望诊正确率的模型。
[0047] 3、相对于冠心病的金指标“冠状造影”，大鱼际望诊方便无创，患者接受程度普遍较高，大鱼际望诊简便易行，不需额外费用，具有一定卫生经济学意义。
附图说明
[0048] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
[0049] 图1是本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理方法示意流程图；
[0050] 图2是本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理设备示意图；
[0051] 图3是本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理系统示意流程图；
[0052] 图4是本发明实施例提供的二分类方法简化神经网络结构图；
[0053] 图5是本发明实施例提供的手部图像中的ROI区域图像示意图；
[0054] 图6是本发明实施例提供的深度卷积神经网络模型图。
具体实施方式
[0055] 为了使本技术领域的人员更好地理解本发明方案，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。
[0056] 在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0057] 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，所描述的实施例仅仅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，本领域技术人员在没有做出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
[0058] 图1是本发明实施例提供的一种基于深度学习模型的冠心病患者手诊数据处理方法示意流程图，具体地，所述方法包括如下步骤：
[0059] 101：获取待测样本的手部图像，手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
[0060] 在一个实施例中，基于前期课题研究的734例冠心病患者，总计2000余张大鱼际照片为模型构建的原始图片库，按照训练集:测试集=8:2 的比例进行分配构建模型，利用DCNN的图像识别技术对其进行学习训练，采用端对端学习的显著特点将提取和分类为一体，输入观察到的原始大鱼际图像像素数据或信息， 通过中间深层的网络结构不断学习，输出是否为冠心病的分类结果，训练大鱼际望诊模型。
[0061] 102：对手部图像进行分割得到每个图像对应的ROI区域图像；ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
[0062] 在一个实施例中，大鱼际区域包括来自左手正面图像和/或右手正面图像的大鱼际区域；小鱼际区域包括来自左手正面图像和/或右手正面图像的小鱼际区域；手掌面区域包括来自左手正面图像和/或右手正面图像的手掌面区域；大拇指根部区域包括来自左手正面图像和/或右手正面图像的大拇指根部区域；虎口区域包括来自左手正面图像和/或右手正面图像的虎口区域；
[0063] 可选的，基于桡侧面图像得到的ROI区域包括大鱼际侧面区域；基于尺侧面图像得到的ROI区域包括小鱼际侧面区域。
[0064] 如图5所示，图5A区展示的是大鱼际区域，主要包括两个形态特征：大鱼际皱褶、大鱼际凹陷程度；图5B区展示的是大鱼际区域，主要包括：颜色特征（大鱼际异常颜色指肉眼可见的某一区域颜色红、青或黄白（此图展示的为大鱼际色青））、形态特征（大鱼际扁平程度分级）；图5C区为手掌面区域，主要包括颜色特征（大鱼际异常颜色指肉眼可见的某一区域颜色红、青或黄白（此图展示的为手掌面色红））；图5D区为大拇指根部区域，主要包括络脉特征：大拇指根部青筋；图5E中的区域1为虎口区域，主要包括一个络脉特征：虎口青筋；图5E中的区域2为大鱼际区域，主要包括一个络脉特征：大鱼际青筋。
[0065] 103：将ROI区域图像输入到构建好的冠心病深度学习模型，得到分类结果；
[0066] 在一个实施例中，分类结果包括：正常人群、冠脉狭窄人群和冠心病人群。
[0067] 在一个实施例中，冠心病深度学习模型的构建方法包括：
[0068] 获取训练样本集，包括每个样本的标签；将训练样本集输入深度学习模型，得到应用深度学习方法的输出，记做（o1，o2，…，on）；
[0069] 给定训练样本集的先验知识矩阵（p1，p2，…，pn）；计算先验知识矩阵与应用深度学习方法的输出的乘积：
[0070] （r1，r2，…，rn）=（p１*o１，p2*o2，…，pn*on）；
[0071] 输出最大的数 ri 的下标 i，i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。上述模型构建方法利用算法1对先验知识数据得到分类结果，算法1为加先验知识经随机深度学习分类器（RPK）；
[0072] 在一个实施例中，冠心病深度学习模型的构建方法包括：
[0073] 获取训练样本集，包括每个样本的标签；给定训练样本集的先验知识矩阵（p1，p2，…，pn）和参数ε；当pi＞ε，设p’i = pi；当pi≤ε，则p’i = 0 ；
[0074] 当p’i ＞ 0 时，将训练样本集输入深度学习模型，得到应用深度学习方法的输出[0075] （o1，o2，…，on）；
[0076] 计算先验知识矩阵与应用深度学习方法的输出的乘积：
[0077] （r1，r2，…，rn）=（p１*o１，p2*o2，…，pn*on）；
[0078] 输出最大的数 ri 的下标 i，i指向（o1，o2，…，on）里边的分类结果，将分类结果与样本的标签进行比较，生成损失函数，优化深度学习模型，得到训练好的冠心病深度学习模型。上述模型构建方法利用算法2对先验知识数据得到分类结果，算法2为加先验知识的确定型深度学习分类器（DPK）；在算法２中，加入参数ε用以调整先验知识，经过调整后的先验知识会比原有的先验知识较为稀疏，从而减少需要分类的类别数，进而简化需要训练的深度神经网络结构。
[0079] 在一个实施例中，先验知识数据包括来自下列方式中的一种或几种冠心病患者手部图像指征数据：文献研究、专家共识、临床试验；可选的，先验知识数据包括：图像信息、文字信息；先验知识数据经参数化处理后得到先验知识矩阵；参数化处理的方法包括但不仅限于以下方法：自然语言处理（NLP）和表示学习。将先验知识的图像信息和文字信息通过NLP和表示学习通过 NLP 和表示学习中的词嵌入技术把一个维数为所有词的数量的高维空间映射到一个维数低得多的连续向量空间，每个词被映射为实数域上的向量，实现对大鱼际指征与冠心病关系的语义信息表示，高效地计算两者之间的复杂语义关联，将其转化为可以为深度学习使用的参数化信息。
[0080] 其中，NLP是指以语言（图像、文字、声音等）为对象，利用计算机技术来分析、理解和处理自然语言的一门学科，即把计算机作为语言研究的强大工具，在计算机的支持下对语言信息进行定量化的研究，并提供可供人与计算机之间能共同使用的语言描写。在本研究中可以利用 NLP 技术将已得到的冠心病患者大鱼际特征进行定量化的研究转化，使之成为计算机可使用的语言描写。表示学习是学习一个特征的技术的集合，其将原始数据转换成为能够被机器学习进而有效开发的一种形式。它避免了手动提取特征的麻烦，允许计算机学习使用特征的同时，也学习如何提取特征。在本研究中采用词嵌入技术实现对大鱼际指征与冠心病关系的语义信息表示，高效地计算两者之间的复杂语义关联，将其转化为可以为深度学习使用的参数化信息。
[0081] 基于课题组前期通过文献研究、专家共识、临床试验得到的冠心病患者大鱼际指征的相关知识，构成先验知识；在学习模型的基础上，融入已参数化的先验知识，不断指导网络参数的训练，使网络有效地学习到在相似数据集中训练时遇到的局部最优解与鞍点区域，提高神经网络的稳定性，优化望诊模型，得到最高的分类正确率。用诊断性试验的方法，对构建的冠心病患者大鱼际望诊模型进行临床验证，对相关智能算法进行反馈提升，优化模型对冠心病患者诊断的准确率。
[0082] 在一个实施例中，先验知识的获取及表示：一个样本有很多特征，根据某些特征，对样本做预分类，可以判断它属于或是不属于哪些类，得到先验知识；对于图像样本，根据训练集中若干像素点的统计结果，也可以获取样本的先验知识。以冠心病患者大鱼际特征数据集为例说明先验知识是如何获取的。对于正常人群，冠脉狭窄人群，冠心病人群这 3 类图片，假设大鱼际颜色色红，首先能够区分出这张图片不属于正常人群这 1 类，这就是先验知识的获取。选取不同的分类方法，可以得到不同的先验知识。对于每一个待分类的样本，都对应此样本的一个先验知识，来表示此样本在没有其它信息时所属类别的概率表示：
[0083] （p1，p2，…，pn），其中 pi表示此样本属于第 i 类的先验概率。例如，假设一张大鱼际色红图片的概率表示是（0.6，0.3，0.1）表示此样本是冠心病的先验概率是 0.6，是冠脉狭窄的先验概率是0.3，是正常人群的概率仅为 0.1。
[0084] 在一个实施例中，带有先验知识的多分类算法若干结果：由于先验知识对结果的影响很大，所以先定义所需的先验知识。比如定义（大鱼际色红）属于第i（冠心病）类的样本，若pi≥pj 对于任意的 j 都成立，称此先验知识是准确的。为此，有下面关于损失函数的结论，这里统一设定损失函数为二次损失函数。
[0085] 定理：对于n‑分类问题中的任意样本以及给定的准确的先验知识
[0086] ，设在无先验知识的深度神经网络的输出是
[0087] ，而算法１的输出是
[0088] ，算法２的输出是
[0089] ，损失函数是f。则有
[0090] f（p，r１ ）≤f（o），f（p，r２）≤f（o）；证明：不妨设此样本属于第１类，则其真值为（1，0，…，0）。
[0091] 事实上，准确的先验知识不仅可以降低损失，而且对神经网络结构的简化也有很大帮助。对于冠心病类患者不是很强相关的大鱼际指征，即一个很小的先验，按照算法2仅仅需要建立一个3－分类的神经网络。显然，对于3－分类问题要比4－分类问题简单，为了说明这个问题，考虑2－分类问题和3－分类问题的比较。
[0092] 图4中a代表冠心病类，b代表冠脉狭窄类，c代表正常类，每个图例由两部分组成，每部分对应于一个神经元。假设使用不带有隐层的神经元，且增加冠心病类神经元和输出神经元的权重，将无法分类冠脉狭窄类和正常类的样本。类似地如果增加冠脉狭窄类神经元和输出神经元的权重，将无法分类冠心病类和正常类的样本，由此可知只用单层神经网络是无法处理这样的问题。然而，若已知某个大鱼际特征不属于某一类的先验知识，那么这个问题就成了二分类问题，此时只需单层神经网络就可以。
[0093] DCNN是自动提取特征的过程，要分类的类别越少，需要的神经网络结构也更简单。简单的神经网络结构会给调参带来很大的方便，同时也意味着输出的结果更稳定，连接权重的绝对值更小。连接权重的大小直接决定了优化算法的迭代步数，决定了求得满意解需要的时间。
[0094] 在一个实施例中，冠心病深度学习模型的构建方法包括：
[0095] 获取训练集样本的手部图像信息及分类标签，分类标签包括正常人群、冠脉狭窄人群和冠心病人群；
[0096] 将训练集样本的手部图像信息输入到卷积层，得到卷积层特征图，主要用于粗检；将卷积层特征图输入到池化层，用于减少特征向量维度，对于形式变换的敏感度下降，最重要的，关键信息提取过程，在池化层中对卷积层特征图进行特征提取，得到特征提取后的卷积层特征图；
[0097] 获取训练集样本的先验知识数据，对训练集样本的先验知识数据进行参数化处理，得到参数化处理后的先验知识数据（参数化处理后的先验知识数据为可以为深度学习使用的参数化信息，其形式为先验知识矩阵）；
[0098] 将特征提取后的卷积层特征图和参数化处理后的先验知识数据输入到全连接层，用于丢弃大量的重叠窗体和非大鱼际特征窗体，这一阶段属于细检，此时图像中大部分大鱼际特征的位置可以得到，在全连接层中基于参数化处理后的先验知识数据对特征提取后的卷积层特征图进行降维处理，得到降维处理后的卷积层特征图；
[0099] 将降维处理后的卷积层特征图输入到输出层，通过输出层计算得到预测分类结果，与分类标签进行比对，根据比对结果优化模型，得到构建好的分类模型。
[0100] 分类模型的构建方法还包括：对训练集样本的手部图像信息进行分区处理，将分区处理后的手部图像信息输入到卷积层，得到卷积层特征图；可选的，分区处理后的手部图像信息包括：手掌面区域、大鱼际区域、小鱼际区域、大拇指根部区域和虎口区域。
[0101] DCNN一般由卷积层、池化层、全连接层三种神经网络层以及一个输出层（Softmax 等分类器）组成，其实质是多层的感知器（MLP）神经网络，每层由多个二维平面块组成，每个平面块由多个独立神经元组成；如图6所示；
[0102] 卷积层：通过局部感受域（Local]Receptive]Field） 与上一层神经元实现部分连接，在同一局部感受域内的神经元与图像区域中对应像素有固定二维平面编码信息关联，迫使神经元提取局部特征，在每层的各个位置分布着许多组不同的神经元，每组神经元有一组输入权值，这些权值与前一层神经网络矩形块中的神经元关联，即共享权值，减少了权值数量，降低了网络模型的复杂度。卷积层在 DCNN 中起着至关重要的大鱼际特征提取的功能，通过局部感受域方法获取的图像中大鱼际的特征与平移、缩放和旋转无关，其权值共享结构减少了权值数量，进一步降低了网络模型的复杂度。此时，获取的候选大鱼际图像窗体数量较多，属于粗检。卷积层的输出为图6网络中的卷积层特征图（Feature Map）。
[0103] 池化层：是特征映射层，选择卷积特征图中不同的连续范围的作为池化区域，然后取特征的最大值或平均值作为池化区域的特征，从而减少特征向量维度，实现局部平均和抽样，使特征映射输出对平移、旋转、比例缩放等形式变换的敏感度下降。池化层通常跟在卷积层之后，这样便构成了一个两次特征提取的结构，从而在对输入样本识别时，网络有很好的畸变容忍能力。图像经过池化层，将丢弃掉一些与大鱼际特征无关的冗余信息，仅保留下来大鱼际特征最重要的信息，这属于关键信息提取的过程。
[0104] 全连接层：是本层神经元与上层神经元两两连接但本层神经元之间不连接的结构，相当于多层感知器（MLP）中的隐含层，局部特征信息作为输出层（Softmax 等分类器）的输入，其后不再接卷积层，因通过全连接层之后，图像特征已由二维信息降为一维信息，已无法进行二维卷积运算。通过全连接层的网络结构获取候选的大鱼际特征窗体，丢弃大量的重叠窗体和非大鱼际特征窗体，这一阶段属于细检，此时图像中大部分大鱼际特征的位置可以得到。
[0105] 输出层（Softmax 分类器）： 逻辑回归模型在多类别分类问题上的推广，可预测 k 种可能（k 为样本标签的种类数），但这里要求每个样本的标签必须是唯一，若是多标签样本，则 Softmax 模型不适用。假设输入特征记为x(i) ， 其中 x表示大鱼际图像信息， i 表示大鱼际图像信息中的一项，比如大鱼际颜色。 样本标签记为y(i)， y表示输出结果的可能性，比如冠心病、冠脉狭窄、冠脉正常等。这样构成了分类层有监督学习的训练集S={(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))}，那么假设函数hθ(x) 和逻辑回归代价函数形式分别如下：
[0106]
[0107] 其中 θ1,θ2,…θk 是模型的可学习参数， 为归一化项。
[0108]
[0109] 其中的1{⋅}是一个指示性函数，即当大括号中的值为真时，该函数的结果就为1，否则其结果就为0，即可以判断其是否为冠心病患者人群。对于 softmax 的代价函数求最优解，通常采用随机梯度下降法（SGD）、牛顿法、拟牛顿法（LBFGS）等迭代算法来求解。
[0110] 在一个实施例中，方法还包括：提取ROI区域图像的特征；将ROI区域图像的特征和/或ROI区域图像输入到冠心病深度学习模型，得到分类结果；分类结果包括：正常人群、冠脉狭窄人群和冠心病人群；
[0111] 可选的，ROI区域图像的特征包括以下一种或几种：大鱼际皱褶表征、大鱼际凹陷程度表征、大鱼际颜色表征、大鱼际扁平程度表征、手掌面颜色表征、大拇指根部青筋表征、虎口青筋表征、大鱼际青筋表征、大鱼际肥厚程度表征、小鱼际肥厚程度表征。
[0112] 可选的，基于手掌面区域和大鱼际区域得到以下一种或几种表征：手掌面颜色表征；基于手掌面区域、大鱼际区域和小鱼际区域得到以下一种或几种表征：大鱼际颜色表征、小鱼际颜色表征、大拇指根部青筋表征、大鱼际青筋表征、虎口青筋表征、大鱼际皱褶表征、大鱼际肥厚程度表征、大鱼际扁平程度表征、大鱼际凹陷程度表征。
[0113] 大鱼际凹陷程度表征的判断以正常大鱼际丘为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；其中，Ⅰ级为大鱼际肌有轻度凹陷但仍为掌面最凸处；Ⅱ级为大鱼际肌凹陷加深但已不是掌面最高点；Ⅲ级为大鱼际凹陷呈盆地状；
[0114] 可选的，大鱼际扁平程度表征的判断以掌心面和小鱼际水平面为参考，包括：Ⅰ级、Ⅱ级、Ⅲ级；其中，当掌心水平面≤大鱼际水平面≤小鱼际水平面，定义为Ⅰ级；当大鱼际水平面=掌心水平面，定义为Ⅱ级；当大鱼际水平面＜掌心水平面，定义为Ⅲ级；
[0115] 可选的，大鱼际肥厚程度表征的判断根据大鱼际肌与大鱼际曲线间距缩小程度分级，包括：Ⅰ级‑间距缩小至1cm‑0.5cm；Ⅱ级‑大鱼间距缩小至0.5cm；Ⅲ级‑大鱼际丘肌肉丰满抵至或超过大鱼际曲线。；
[0116] 可选的，大拇指根部青筋表征包括大拇指根部是否出现青色或青黑色血管；根据血管是否突起皮肤至少分为以下两种：仅皮下可视青筋、青筋突起皮肤；可选的，虎口青筋表征包括拇指与食指根部之间是否出现青色或青黑色血管；可选的，大鱼际青筋表征包括大鱼际区域是否出现青色或青黑色血管。青色或青黑色血管是否为肉眼可见，或者有设定的阈值。
[0117] 可选的，大鱼际皱褶表征包括大鱼际区域皮肤出现N条皱褶；根据皱褶数量进行分级，包括：Ⅰ级、Ⅱ级、Ⅲ级；Ⅰ级≤1根；1根＜Ⅱ级≤3根；Ⅲ级＞3根；皱褶深浅分级 Ⅰ级＜0.5mm；0.5mm≤Ⅱ级＜1mm；Ⅲ级≥1mm。
[0118] 可选的，大鱼际颜色表征包括：以正常大鱼际区域（红黄隐隐）为参考，大鱼际区域皮肤出现颜色变化；主要考虑大鱼际色红、色青、色紫。
[0119] 可选的，手掌面颜色表征包括：以正常手掌面（红黄隐隐）区域为参考，手掌面区域皮肤出现颜色变化；主要考虑手掌面色红、色黄、色青、色白、色黑等。
[0120] 在一个实施例中，对冠心病患者大鱼际望诊识别模型进行临床验证，采用诊断性试验设计，对疑似冠心病患者使用识别模型进行筛选，与冠脉造影结果比较，分析疑似冠心病患者模型筛选结果对冠心病诊断的灵敏度和特异度，探索模型对冠心病识别的准确性。（1）研究人群：30‑60 岁，疑似有冠心病并自愿行冠脉造影检查的患者。（2）患者来源：2024 年 1 月‑6 月，于首都医科大学附属安贞医院、中国中医科学院广安门医院就诊的疑似冠心病患者。（3）纳排标准：①年龄在 30‑60 岁之间；②有心前区不适症状（包括胸痛、胸闷、心慌、气短等），心电图检查结果异常，有两个或两个以上冠心病危险因素（高血压、血脂异常、糖尿病或糖耐量异常、吸烟、肥胖）。③既往未做冠心病相关检查，男女不限。 ④自愿参加本研究，研究过程配合医生研究工作。 ⑤签署知情同意书。排除标准：①年龄在30岁以下，60岁以上患者。②既往明确诊断为冠心病、急性冠脉综合证、严重心功能或肾功能不全患者。③严重出血及感染性疾病，严重疾病终末期患者。④引起手部变形、皮损、颜色异常疾病类如类风湿性关节炎、湿疹、白癜风等。⑤孕妇或哺乳期妇女，精神疾病患者。 ⑥正参加其他临床研究患者。脱落标准：指填写了知情同意书并筛选合格进入本研究，没有完成 CRF 表关键信息的填写（基本信息、 鱼际特征、冠心病现病史等）。脱落原因包括患者中止试验、主动撤回知情同意书等。（4）临床信息采集以临床病例报告表（CRF 表） 为载体， 主要采集以下内容：知情同意书，患者基本信息，一般情况（年龄、性别、身高、体重），现病史、既往史、家族史、冠心病危险因素（高血压病、糖尿病、高脂血症、吸烟史）， 双手大鱼际部位体征信息，及冠脉造影检验检查结果等。
[0121] 鱼际观察指标：对大鱼际表征分三种情况进行分析：左、右单支手表征情况；双手合并分析（正常：左手与右手均正常；异常：左手或右手异常）。①左手大鱼际表征：颜色、皱褶、形态、左手大鱼际青筋、左手大拇指根部青筋；②右手大鱼际表征：颜色、皱褶、形态、右手大鱼际青筋、右手大拇指根部青筋；③大鱼际表征（双手合并分析）：颜色、皱褶、形态、大鱼际青筋、大拇指根部青筋。鱼际表征采集方法：①采集工具在 PULUZ 微型摄影棚进行图像采集，采用索尼（SONY） DSC‑RX100M2，相机采用全自动（AUTO）模式，感光度（ISO） 200，分辨率（F） 2.0 进行拍摄；图像采集由经过训练的一位医师完成。②采集规范：拍摄环境：室温 25°左右，湿度适中，自然光线充足。患者条件：患者放松心情，情绪平稳，不要搓手、搓脸，避免影响手面部血管及颜色。患者双手自然平放，嘱患者双手不要紧绷或握拳，静坐 1‑5min 后采集。大鱼际表征记录及拍摄：双手需拍摄手掌面、桡侧及尺侧面。拍手掌面时，双手水平放置，相机距离手掌 30cm，与掌面水平，拍摄时角度应保持平稳；双手大鱼际区域单独取像，要求成像可清晰显示大鱼际形态、肤纹、颜色及青筋等指征。
[0122] 图2是本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理设备，设备包括：存储器和处理器；存储器用于存储程序指令；处理器用于调用程序指令，当程序指令被执行时，用于执行上述的基于深度学习模型的冠心病患者手诊数据处理方法。
[0123] 图3是本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理系统，包括：
[0124] 获取单元301，用于获取待测样本的手部图像，手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
[0125] 图像分割单元302，用于对手部图像进行分割得到每个图像对应的ROI区域图像；ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
[0126] 分类单元303，用于将ROI区域图像输入到构建好的冠心病深度学习模型，得到分类结果。
[0127] 本发明实施例提供的基于深度学习模型的冠心病患者手诊数据处理系统，包括：
[0128] 获取单元，用于获取待测样本的手部图像，手部图像包括左手正面图像、右手正面图像、桡侧面图像、尺侧面图像；
[0129] 图像分割单元，用于对手部图像进行分割得到每个图像对应的ROI区域图像；ROI区域图像包括：大鱼际区域、小鱼际区域、手掌面区域、大拇指根部区域、虎口区域；
[0130] 特征提取单元，用于提取ROI区域图像的特征；
[0131] 分类单元，用于将ROI区域图像的特征和/或ROI区域图像输入到冠心病深度学习模型，得到分类结果。
[0132] 一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于深度学习模型的冠心病患者手诊数据处理方法。
[0133] 本验证实施例的验证结果表明，为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
[0134] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0135] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0136] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0137] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0138] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁盘或光盘等。
[0139] 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步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0140] 以上对本发明所提供的一种计算机设备进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
