基于医学影像、算法和区块链的远程医疗诊断系统

摘要

本发明公开了一种基于医学影像、算法和区块链的远程医疗诊断系统，旨在提高远程医疗诊断的可靠性。所述系统包括用户终端、影像存储服务器、诊断服务器以及区块链网络，所述诊断服务器用于：接收用户终端发送的诊断请求，其中携带了交易ID；根据所述交易ID，从区块链网络获取该交易ID对应的唯一性标识；根据所述交易ID，从影像存储服务器获取该交易ID对应的医学影像；根据获取的医学影像，生成该医学影像的唯一性标识；将生成的唯一性标识和从区块链网络获取的唯一性标识进行对比；在两者一致的情况下，对所述医学影像进行降噪处理，得到降噪后的医学影像，并对降噪后的医学影像进行疾病预测，从而得到疾病预测结果。

说明书

技术领域

本发明涉及人工智能医疗诊断领域，特别是涉及一种基于医学影像、算法和区块链的远程医疗诊断系统。

背景技术

由于生活节奏的加快、生活压力的提高、生态环境的恶化以及医疗资源短缺等因素影响，慢性疾病的发病率呈逐年上升趋势，已成为当前危害健康、影响生活质量的社会问题，越来越多的年轻人出现了或轻或重的健康问题。相关技术中，为了方便患者对自身疾病进行诊治，产生了远程医疗诊断系统。但是由于目前的远程医疗诊断系统为中心化系统，用户的医疗数据(例如医学影像)在存入中心化系统后，存在被篡改的风险。因此，如何确保用户医疗数据不被篡改的情况下，更可靠地开展远程医疗，是当前亟待解决的问题。

发明内容

本发明实施例的目的在于提供一种基于医学影像、算法和区块链的远程医疗诊断系统，旨在提高远程医疗诊断的可靠性，具体技术方案如下：

在本发明实施例的第一方面，提供一种基于医学影像、算法和区块链的远程医疗诊断系统，所述系统包括：用户终端、影像存储服务器、诊断服务器、以及区块链网络，所述区块链网络包括多个节点设备；

所述用户终端用于：根据用户的医学影像，生成所述医学影像的唯一性标识；根据所述唯一性标识，生成存证交易，并将所述存证交易提交给所述区块链网络执行，所述存证交易携带了所述唯一性标识和交易ID；

所述用户终端还用于：生成存储请求，并将所述存储请求发送给所述影像存储服务器，所述存储请求携带了所述医学影像和所述交易ID；

所述区块链网络的节点设备用于：处理所述存证交易，从而将所述存证交易携带的唯一性标识和交易ID对应存储至区块链网络的账本数据库；

所述影像存储服务器用于：处理所述存储请求，从而将所述存储请求携带的医学影像和交易ID对应存储至数据库；

所述用户终端还用于：响应用户操作，生成诊断请求，并将所述诊断请求发送给所述诊断服务器，所述诊断请求携带了交易ID；

所述诊断服务器用于：响应用户终端发送的诊断请求，根据所述诊断请求携带的交易ID，从所述区块链网络获取该交易ID对应的唯一性标识，并从所述影像存储服务器获取该交易ID对应的医学影像；根据获取到的医学影像，生成该医学影像的唯一性标识；将生成的唯一性标识和从区块链网络获取的唯一性标识进行对比；在两者一致的情况下，对所述医学影像进行降噪处理，得到降噪后的医学影像，然后对降噪后的医学影像进行疾病预测，从而得到疾病预测结果；在两者不一致的情况下，终止对诊断请求的响应。

在本发明实施例的第二方面，提供一种基于医学影像和区块链的远程医疗诊断方法，所述方法应用于诊断服务器，所述方法包括：

接收用户终端发送的诊断请求，所述诊断请求携带了交易ID；

根据所述交易ID，从区块链网络获取该交易ID对应的唯一性标识；

根据所述交易ID，从影像存储服务器获取该交易ID对应的医学影像；

根据获取的医学影像，生成该医学影像的唯一性标识；

将生成的唯一性标识和从区块链网络获取的唯一性标识进行对比；

在两者一致的情况下，对所述医学影像进行降噪处理，得到降噪后的医学影像，并对降噪后的医学影像进行疾病预测，从而得到疾病预测结果；

在两者不一致的情况下，终止对诊断请求的响应。

本发明中，通过中心化的影像存储服务器存储各个用户的医学影像，当某一用户需要进行远程诊断时，诊断服务器可以很方便地从医学影像服务器调取相应的医学影像，从而根据调取的医学影像进行远程诊断。

此外，为了防止中心化的影像存储服务器中存储的医学影像被篡改而导致诊断错误，本发明还通过区块链网络存储每份医学影像的唯一性标识，由于区块链网络属于分布式技术，具有防止数据篡改的特性，因此存储在区块链网络中的医学影像的唯一性标识不能被篡改。当诊断服务器从影像存储服务器调取到医学影像后，会计算该医学影像的唯一性标识，然后将计算出的唯一性标识与区块链网络中相应医学影像的唯一性标识进行对比。

如果两者一致，则说明诊断服务器从中心化的影像存储服务器调取的医学影像没有被篡改，因此可以基于该医学影像进行智能诊断，包括降噪和疾病预测步骤。而如果两者不一致，则说明诊断服务器从中心化的影像存储服务器调取的医学影像已经被篡改，因此终止远程诊断，从而防止诊断错误。可见，本发明提供的基于医学影像、算法和区块链的远程医疗诊断系统能有效提高远程诊断的可靠性。

还需要说明的是，本发明中，并不是将医学影像直接存证至区块链网络，而是将医学影像转换为唯一性标识，再将唯一性标识存证至区块链网络。由于唯一性标识相较于医学影像，具有更小的数据量，不会占据太大的存储空间，避免区块链网络的账本数据库过早用尽。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，以下描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1是本发明一实施例提出的基于医学影像、算法和区块链的远程医疗诊断系统的示意图；

图2是本发明一实施例提出的基于医学影像和区块链的远程医疗诊断方法的流程图。

具体实施方式

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、完整的描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

由于生活节奏的加快、生活压力的提高、生态环境的恶化以及医疗资源短缺等因素影响，慢性疾病的发病率呈逐年上升趋势，已成为当前危害健康、影响生活质量的社会问题，越来越多的年轻人出现了或轻或重的健康问题。相关技术中，为了方便患者对自身疾病进行诊治，产生了远程医疗诊断系统。但是由于目前的远程医疗诊断系统为中心化系统，用户的医疗数据(例如医学影像)在存入中心化系统后，存在被篡改的风险。因此，如何确保用户医疗数据不被篡改的情况下，更可靠地开展远程医疗，是当前亟待解决的问题。

有鉴于此，本发明通过以下实施例提出基于医学影像、算法和区块链的远程医疗诊断系统，旨在提高远程医疗诊断的可靠性。

参考图1，图1是本发明一实施例提出的基于医学影像、算法和区块链的远程医疗诊断系统的示意图。如图1所示，该系统包括：用户终端、影像存储服务器、诊断服务器、以及区块链网络。其中，所述区块链网络包括多个节点设备。

如图1所示，所述用户终端用于：根据用户的医学影像，生成所述医学影像的唯一性标识；根据所述唯一性标识，生成存证交易，并将所述存证交易提交给所述区块链网络执行，所述存证交易携带了所述唯一性标识和交易ID。

如图1所示，所述用户终端还用于：生成存储请求，并将所述存储请求发送给所述影像存储服务器，所述存储请求携带了所述医学影像和所述交易ID。

其中，医学影像的唯一性标识相当于医学影像的身份信息，不同的医学影像具有互不相同的唯一性标识。

其中，交易ID也具有唯一性。换言之，不同的存证交易分别具有不同的交易ID。

可选地，在一些具体实施方式中，用户终端可以通过以下方式为医学影像生成唯一性标识：将所述医学影像的图像数据输入预设哈希算法，以得到医学影像的哈希值，然后将该哈希值作为医学影像的唯一性标识。具体实现时，可以将医学影像的二进制数据输入预设哈希算法，从而得到相应的哈希值，并将该哈希值作为该医学影像的唯一性标识。

可选地，在一些具体实施方式中，用户终端可以通过以下方式为存证交易生成交易ID：将存证交易携带的唯一性标识、该终端设备的硬件地址、以及当前时间戳等三者拼接成字符串，然后计算该字符串的哈希值，最后将该哈希值的前25位作为该存证交易的交易ID。

如图1所示，所述区块链网络的节点设备用于：处理所述存证交易，从而将所述存证交易携带的唯一性标识和交易ID对应存储至区块链网络的账本数据库。为简化附图，图1中仅示意性地示出了部分节点设备执行存证交易。

如图1所示，所述影像存储服务器用于：处理所述存储请求，从而将所述存储请求携带的医学影像和交易ID对应存储至数据库。

本发明中，通过将唯一性标识和交易ID对应存储至区块链网络的账本数据库，以便于在远程诊断期间，可以通过交易ID，准确索引到该交易ID对应的唯一性标识。通过将医学影像和交易ID对应存储至影像存储服务器的数据库，以便于在远程诊断期间，可以通过交易ID，准确索引到该交易ID对应的医学影像。

如图1所示，所述用户终端还用于：响应用户操作，生成诊断请求，并将所述诊断请求发送给所述诊断服务器，所述诊断请求携带了交易ID。

本发明中，当用户需要进行远程诊断时，可以通过操作其终端设备，使得终端设备生成诊断请求，该诊断请求中携带了之前的存证交易的交易ID。

如图1所示，所述诊断服务器用于：响应用户终端发送的诊断请求，根据所述诊断请求携带的交易ID，从所述区块链网络获取该交易ID对应的唯一性标识，并从所述影像存储服务器获取该交易ID对应的医学影像；根据获取到的医学影像，生成该医学影像的唯一性标识；将生成的唯一性标识和从区块链网络获取的唯一性标识进行对比；在两者一致的情况下，对所述医学影像进行降噪处理，得到降噪后的医学影像，然后对降噪后的医学影像进行疾病预测，从而得到疾病预测结果；在两者不一致的情况下，终止对诊断请求的响应。

其中，诊断服务器在为获取到的医学影像生成唯一性标识时，采用的生成方式与终端设备预先为医学影像生成唯一性标识时的生成方式相同。

可选地，在一些具体实施方式中，诊断服务器可以通过以下方式为获取到的医学影像生成唯一性标识：将所述医学影像的图像数据输入预设哈希算法，以得到医学影像的哈希值，然后将该哈希值作为医学影像的唯一性标识。具体实现时，可以将医学影像的二进制数据输入预设哈希算法，从而得到相应的哈希值，并将该哈希值作为该医学影像的唯一性标识。

本发明中，通过中心化的影像存储服务器存储各个用户的医学影像，当某一用户需要进行远程诊断时，诊断服务器可以很方便地从医学影像服务器调取相应的医学影像，从而根据调取的医学影像进行远程诊断。

此外，为了防止中心化的影像存储服务器中存储的医学影像被篡改而导致诊断错误，本发明还通过区块链网络存储每份医学影像的唯一性标识，由于区块链网络属于分布式技术，具有防止数据篡改的特性，因此存储在区块链网络中的医学影像的唯一性标识不能被篡改。当诊断服务器从影像存储服务器调取到医学影像后，会计算该医学影像的唯一性标识，然后将计算出的唯一性标识与区块链网络中相应医学影像的唯一性标识进行对比。

如果两者一致，则说明诊断服务器从中心化的影像存储服务器调取的医学影像没有被篡改，因此可以基于该医学影像进行智能诊断，包括降噪和疾病预测步骤。而如果两者不一致，则说明诊断服务器从中心化的影像存储服务器调取的医学影像已经被篡改，因此终止远程诊断，从而防止诊断错误。可见，本发明提供的基于医学影像、算法和区块链的远程医疗诊断系统能有效提高远程诊断的可靠性。

还需要说明的是，本发明中，并不是将医学影像直接存证至区块链网络，而是将医学影像转换为唯一性标识，再将唯一性标识存证至区块链网络。由于唯一性标识相较于医学影像，具有更小的数据量，不会占据太大的存储空间，避免区块链网络的账本数据库过早用尽。

可选地，在一些具体实施方式中，所述医学影像的数量为两张，这两张医学影像是在相同拍摄条件下针对相同人体组织一瞬间同时拍摄的两张医学影像。由于这两张医学影像是在相同拍摄条件下针对相同人体组织一瞬间同时拍摄的，并且由于噪声像素点的随机性，因此这两张医学影像中除了噪声像素点的分布不同，其他均应相同。如此，诊断服务器在对医学影像进行降噪处理时，具体可以采用如下方式：

针对所述两张医学影像，将其中的任一张医学影像作为正医学影像，另一张作为副医学影像；针对正医学影像中的每个第一像素点，计算该第一像素点的像素值与副医学影像中相应位置的第二像素点的像素值之间的差值；在该差值小于预设差值的情况下，在正医学影像中保留该第一像素点；在该差值不小于预设差值的情况下，从该第一像素点和该第二像素点中确定出噪声像素点，如果该第一像素点为噪声像素点，则在正医学影像中，利用该第二像素点代替该第一像素，如果该第二像素点为噪声像素点，则在正医学影像中，保留该第一像素点；最后将经过上述处理的正医学影像作为降噪后的医学影像。需要说明的是，为便于说明，本发明将正医学影像中的每个像素点称为第一像素点，将副医学影像中的每个像素点称为第二像素点。

为便于理解，示例地，按照从左至右且从上至下的顺序，首先针对正医学影像中的第一个第一像素点，获取该第一像素点的像素值，同时针对副医学影像中的第一个第二像素点，获取该第二像素点的像素值，再计算两个像素值之间的差值。如果该差值小于预设差值(例如预设差值等于20)，则说明两个像素点之间的像素差距很小，两个像素点很可能都不是噪声像素点，因此在正医学影像中，保留该第一像素点。而如果该差值大于预设差值，则说明两个像素点中存在一个像素点为噪声像素点，因此从该第一像素点和该第二像素点中确定出噪声像素点，如果该第一像素点为噪声像素点，则在正医学影像中，利用该第二像素点代替该第一像素(如此，可以有效消除正医学影像中的噪声像素点)，如果该第二像素点为噪声像素点，则在正医学影像中，保留该第一像素点。

然后再针对正医学影像中的第二个第一像素点，执行相同的操作。并依次类推，完成对正医学影像中的所有第一像素点的上述操作。最终，将经过处理的正医学影像作为降噪后的医学影像。

可选地，在一些具体实施方式中，诊断服务器还用于针对所述两张医学影像中的任一张医学影像，提取该医学影像中的多个噪声像素点，并计算所述多个噪声像素点的平均像素值。其中，诊断服务器提取噪声像素点的方式，可参考现有技术，本发明对比不做限定。例如，诊断服务器可以采用高斯滤波算法，对一张医学影像进行高斯滤波处理，然后将原医学影像和滤波后的医学影像进行相减，从而得到噪声像素点。然后计算多个噪声像素点的多个像素值的平均像素值。

诊断服务在从第一像素点和第二像素点中确定出噪声像素点时，具体地，计算第一像素点的像素值与所述多个噪声像素点的平均像素值之间的第一差值；计算第二像素点的像素值与所述多个噪声像素点的平均像素值之间的第二差值；如果所述第一差值小于所述第二差值，则将第一像素点确定为噪声像素点；如果所述第二差值小于所述第一差值，则将所述第二像素点确定为噪声像素点。本发明中，预先确定出噪声像素点的平均像素值，当需要从第一像素点和第二像素点中确定噪声像素点时，将像素值与所述平均像素值最接近的像素点，确定为噪声像素点。

为便于理解，示例地，假设多个噪声像素点的平均像素值为36。又假设正医学影像的第527个第一像素点的像素值，与副医学影像的第527个第二像素点的像素值之间的差值大于预设差值，且其中第一像素点的像素值等于33，第二像素点的像素值等于105。如此，第一像素点的像素值33与所述多个噪声像素点的平均像素值36之间的第一差值等于3，第二像素点的像素值105与所述多个噪声像素点的平均像素值36之间的第二差值等于69。由于第一差值小于第二差值，因此确定该第一像素点为噪声像素点。

可选地，在一些具体实施方式中，诊断服务器在对降噪后的医学影像进行疾病预测时，具体可以将降噪后的医学影像输入预先训练和测试的BP神经网络，从而得到BP神经网络输出的疾病预测结果。需要说明的是，诊断服务器可以自身训练出BP神经网络，也可以调用其他系统预先训练的BP神经网络。

作为优选，所述预先训练和测试的BP神经网络为：调取患者的历史诊疗数据和医学图像进行处理，并将处理后的历史诊疗数据和医学图像作为用于训练和测试疾病预测模型的输入值，将该患者的疾病类型作为用于训练和测试疾病预测模型的输出值，从而建立样本集；采用样本集对BP神经网络进行训练和测试，引入布谷鸟搜索算法优化所述BP神经网络的权值和阈值，定义布谷鸟搜索算法的适应度函数h为：

优选地，在布谷鸟搜索算法的更新过程中，鸟巢位置的适应度函数值越小，该鸟巢位置代表的解越优。

优选地，所述布谷鸟算法通过莱维飞行模式对鸟巢位置进行更新后，具体包括：

(1)采用下列方式进行全局随机搜索：

其中，x

(2)执行选择操作：

设X

优选地，在所述布谷鸟搜索算法中，通过莱维飞行模式对鸟巢位置进行更新后，根据发现概率p

在第(t+1)次莱维飞行更新后，在种群中选取鸟巢位置进行随机更新，具体包括：

(1)设B(t+1)表示在第(t+1)次莱维飞行更新后种群中鸟巢位置组成的集合，给定阈值d(t+1)，其中，d(t+1)的值可以取：

对集合B(t+1)中的鸟巢位置进行子集合的划分：设b

(2)对种群中的鸟巢位置进行检测，设X

(3)对各子集合中标注为1的鸟巢位置进行随机更新，设b

定义Q

其中，m(t+1)表示对集合B(t+1)中的鸟巢位置进行划分所得的子集合数，m

定义

其中，

当鸟巢位置

其中，rand表示0到1之间的随机数，

当鸟巢位置

其中，X

(3)执行选择操作：只有当新的鸟巢位置

本优选实施例针对随机初始化BP神经网络的权值和阈值会导致BP神经网络容易陷入局部极小点，从而在进行疾病预测时可能会出现识别率不理想和可信度不高的情况，将布谷鸟算法和BP神经网络结合，利用布谷鸟搜索算法获得BP神经网络的最优权值和阈值，然而传统的布谷鸟搜索算法采用的莱维飞行机制具有较强的随机性，这种随机性使得布谷鸟搜索算法只能在每个鸟巢附近进行粗略的搜索，从而导致布谷鸟搜索算法的局部搜索能力较弱，缺乏自适应性，即采用传统的布谷鸟算法对BP神经网络进行优化，并不能有效的获得BP神经网络的最优权值和阈值，即不能有效的提高疾病预测的精度，针对上述情况，本优选实施例对布谷鸟算法进行改进，在每次的莱维飞行更新后对种群中的鸟巢位置进行随机更新，采用莱维飞行的方式对种群中的鸟巢位置进行更新，具有较强的随机性，能够增加种群的多样性，但另一方面，在每次的莱维飞行更新结束后，种群中都存在部分鸟巢位置未得到有效的更新，从而影响算法的收敛速度和寻优精度，针对上述现象，本优选实施例在每次的莱维飞行更新后，对种群中未发生改变的鸟巢位置进行随机更新，在保证种群多样性的同时，能够有效的弥补莱维飞行更新的不足，从而提高了算法的收敛速度和寻优精度；在对鸟巢位置进行随机更新时，通过定义的对鸟巢位置进行随机更新的概率值和发现概率进行比较从而确定是否对该鸟巢位置进行随机更新，所述概率值的计算公式中的第一部分保留了传统的通过产生随机数确定是否对该鸟巢位置进行随机更新的随机性，所述属性值用于衡量该鸟巢位置在其所在区域中寻优结果的好坏和其位置未发送改变的迭代次数，当一个鸟巢位置在其所在区域中寻优结果较差并且多次未被更新时，即增加该鸟巢位置进行随机更新的概率值，即相较于传统的方式，本优选实施例通过定义的概率值增加了对较差鸟巢位置进行随机更新的概率，并增加了对较优鸟巢位置进行保留的概率，从而保证种群质量；此外，在对鸟巢位置进行随机更新时，设置了两种更新模式，并通过定义的局部检测系数来确定鸟巢位置采用的更新模式，当鸟巢处于寻优结果较好的区域，并且该鸟巢所处的区域中具有较多新的鸟巢位置、鸟巢之间的寻优空间也较大时，此时，令该鸟巢位置在其所在区域中进行随机更新，从而提高该鸟巢的寻优精度，相反的，令鸟巢位置在全局范围内进行随机更新，从而保证算法的多样性；即本优选实施例通过对传统布谷鸟搜索算法的改进，从而提高了布谷鸟搜索算法的收敛速度和寻优精度，再利用改进的布谷鸟算法对BP神经网络进行优化时，能够有效获得BP神经网络的最优权值和阈值，从而提高疾病预测的准确率。

基于同一发明构思，本发明还提出基于医学影像和区块链的远程医疗诊断方法，该方法应用于诊断服务器。参考图2，图2是本发明一实施例提出的基于医学影像和区块链的远程医疗诊断方法的流程图。需要说明的是，图2所示的方法可与图1所示的系统相互参照。因此，以下结合图2，对所述方法进行简要介绍。

如图2所示，该基于医学影像和区块链的远程医疗诊断方法包括以下步骤：

步骤S21：接收用户终端发送的诊断请求，所述诊断请求携带了交易ID；

步骤S22：根据所述交易ID，从区块链网络获取该交易ID对应的唯一性标识；

步骤S23：根据所述交易ID，从影像存储服务器获取该交易ID对应的医学影像；

步骤S24：根据获取的医学影像，生成该医学影像的唯一性标识；

步骤S25：将生成的唯一性标识和从区块链网络获取的唯一性标识进行对比；

步骤S26：在两者一致的情况下，对所述医学影像进行降噪处理，得到降噪后的医学影像，并对降噪后的医学影像进行疾病预测，从而得到疾病预测结果；

步骤S27：在两者不一致的情况下，终止对诊断请求的响应。

可选地，在一些具体实施方式中，所述医学影像的数量为两张，这两张医学影像是在相同拍摄条件下针对相同人体组织一瞬间同时拍摄的两张医学影像；

所述对所述医学影像进行降噪处理，得到降噪后的医学影像，包括：针对所述两张医学影像，将其中的任一张医学影像作为正医学影像，另一张作为副医学影像；针对正医学影像中的每个第一像素点，计算该第一像素点的像素值与副医学影像中相应位置的第二像素点的像素值之间的差值；在该差值小于预设差值的情况下，在正医学影像中保留该第一像素点；在该差值不小于预设差值的情况下，从该第一像素点和该第二像素点中确定出噪声像素点，如果该第一像素点为噪声像素点，则在正医学影像中，利用该第二像素点代替该第一像素，如果该第二像素点为噪声像素点，则在正医学影像中，保留该第一像素点；最后将经过上述处理的正医学影像作为降噪后的医学影像。

可选地，在一些具体实施方式中，所述方法还包括：针对所述两张医学影像中的任一张医学影像，提取该医学影像中的多个噪声像素点，并计算所述多个噪声像素点的平均像素值；

所述从该第一像素点和该第二像素点中确定出噪声像素点，包括：计算第一像素点的像素值与所述多个噪声像素点的平均像素值之间的第一差值；计算第二像素点的像素值与所述多个噪声像素点的平均像素值之间的第二差值；如果所述第一差值小于所述第二差值，则将第一像素点确定为噪声像素点；如果所述第二差值小于所述第一差值，则将所述第二像素点确定为噪声像素点。

可选地，在一些具体实施方式中，所述唯一性标识是按照以下方式生成的：将所述医学影像的图像数据输入所述预设哈希算法，以得到医学影像的哈希值，然后将该哈希值作为医学影像的唯一性标识。

可选地，在一些具体实施方式中，所述对降噪后的医学影像进行疾病预测，从而得到疾病预测结果，包括：将降噪后的医学影像输入预先训练的BP神经网络进行疾病预测，从而得到BP神经网络输出的疾病预测结果。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，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，对于系统实施例而言，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。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。