一种呼吸频率和心跳频率的检测方法及装置

摘要

本发明提供一种呼吸频率和心跳频率的检测方法及装置，包括：多通道毫米波雷达向目标用户的胸腔发射调频连续波，并接收反射信号；将反射信号和调频连续波混频后得到目标信号；将目标信号逐帧进行频谱分析以获取不同距离范围内的信号强度，将信号强度显著较强的距离范围作为胸腔所在位置范围；采用主成分分析法获取目标信号的主成分作为胸腔运动信号；通过计算胸腔运动信号的主频得到目标用户的呼吸频率；对胸腔运动信号作二阶导数运算以得到心跳的加速度信号，采用心跳节拍分割方法划分加速度信号的心跳节拍并计算心跳频率。本发明采用毫米波雷达对人体胸腔进行非接触式检测，在保证用户正常行动的前提下实现对呼吸频率和心跳频率的长期检测。

说明书

技术领域

本发明涉及生命体征信号检测技术领域，尤其涉及一种呼吸频率和心跳频率的检测方法及装置。

背景技术

目前对生命体征信号(主要为呼吸和心跳)进行检测的技术主要分为接触式测量和非接触式测量这两大类。接触式测量中，如医学上使用的心电监护仪，在长期检测使用中，不仅需要将电极贴片贴在用户皮肤表面，且贴片位置不可移动，还需要随身携带记录仪和电池。此类设备测量数据虽然准确且精密，但是操作过程复杂，注意事项繁多，给用户的日常生活造成不便，不适用于日常长期的检测。此外，目前还有许多可穿戴设备可以进行接触式检测，如智能手环，通过电传感器测量心率的基本参数；如呼吸胸带，在胸腔位置配置带状的压电装置，根据压电传感器的膨胀和收缩计算呼吸检测等。然而此类设备均要求测量设备与皮肤的直接接触，存在舒适度的问题，给用户的日常使用带来不便。

非接触式的检测方式一般采用基于光信号的计算机视觉检测设备和基于无线信号的感知设备。前者通过热敏相机、RGB相机采集面部视频，通过分析面部热量变化计算得到心率。然而此类基于光信号的方法需要严格的照明条件，对光照情况十分敏感，同时存在隐私泄露问题。后者通过向目标所在空间发送无线信号并捕捉用户胸部的运动引起的反射信号的变化来实现呼吸、心跳速率的检测。此种方法在变化的外界条件下(如光线、温度)的可靠性优于其他非接触式方法。然而由于无线信号衰减和传播多向性等原因，无线感知存在一定缺陷：只能感知较为明显的运动轨迹和呼吸运动，而无法检测微小的心跳运动；感知范围限制在1-0.8m之内才能实现细粒度的信号检测，如心跳运动。对呼吸和心跳同时进行检测则导致测试者的活动范围十分受限，不适用于长期完整的日常检测。

因此，亟需一种既能实现非接触式检测，保证用户日常方便，又能弥补无线信号衰减，准确提取呼吸运动和心跳运动，进行远距离且利于长期检测的呼吸和心跳检测方法。

发明内容

鉴于此，本发明实施例提供了一种呼吸频率和心跳频率的检测方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，克服接触式检测给用户日常带来的不便，非接触检测中无线信号衰减，无法检测微小运动信号(如心跳信号)和检测范围受限的问题。

本发明的技术方案如下：

一方面，本发明提供一种呼吸频率和心跳频率的检测方法，所述方法包括：

毫米波雷达向目标用户的胸腔发射调频连续波，并接收反射回来的反射信号；

将所述反射信号和所述调频连续波混频后得到目标信号；将所述目标信号逐帧进行频谱分析以获取不同距离范围内的信号强度，将信号强度显著较强的距离范围作为胸腔所在位置范围；

采用主成分分析法获取所述目标信号的主成分作为胸腔运动信号，并对所述胸腔运动信号进行优化操作，所述优化操作至少包括提取相位、相位展开以及移动平均滤波；

通过计算所述胸腔运动信号的主频得到所述目标用户的呼吸频率；

对优化操作后的所述胸腔运动信号作二阶导数运算以得到心跳的加速度信号，采用心跳节拍分割方法划分所述加速度信号的心跳节拍，并根据所述心跳节拍计算得到心跳频率。

在一些实施例中，所述目标信号采用最小方差无畸变响应波束形成器进行增强。

在一些实施例中，通过计算所述胸腔运动信号的主频得到所述目标用户的呼吸频率，包括：

对所述胸腔运动信号采用快速傅里叶变换进行滤波处理，保留所述主频与所述主频两侧相邻的两个频率带，舍弃其余频率带；

对所述主频与所述主频两侧相邻的两个频率带采用逆傅里叶变换以得到一个复数形式的时域信号；

计算所述时域信号的相位并展开为连续相位，线性拟合所述连续相位的斜率得到所述呼吸频率。

在一些实施例中，对优化操作后的所述胸腔运动信号作二阶导数运算以得到心跳的加速度信号，包括：

采用数值方式，通过二阶微分器计算得到所述二阶导数，所述二阶导数表达式为：

其中，为某一胸腔运动信号样本点的二阶导数，为时间序列中与样本点距离为i的样本值，i取值至少为0、±1、±2、±3；h为连续样本点之间的时间间隔。

在一些实施例中，所述心跳节拍分割方法的学习过程包括：

获取训练样本集，所述训练样本集中包含多个样本，每个样本包含一个心跳的样本加速度信号，并对所述样本加速度信号进行分割心跳节拍的训练；

获取初始神经网络模型，以所述样本加速度信号作为输入，心跳节拍作为输出，采用所述训练样本集对所述初始神经网络模型进行训练，以得到所述心跳节拍分割方法。

在一些实施例中，所述初始神经网络模型为卷积神经网络模型，所述卷积神经网络模型包括连续的一个一维卷积层和一个最大池化层。

在一些实施例中，采用所述训练样本集对所述初始神经网络模型进行训练中，训练采用的损失函数为：

Loss＝L2(T)+α*1/M；

其中，L2为L2范数，T为卷积核，α为调优参数，M是所述最大池化层输出的值。

在一些实施例中，采用所述训练样本集对所述初始神经网络模型进行训练，还包括：

采用梯度下降法进行反向传播更新所述初始神经网络模型的参数以得到所述心跳节拍分割方法。

另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上文所述方法的步骤。

另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上文所述方法的步骤。

本发明的有益效果至少是：

本发明提供一种呼吸频率和心跳频率的检测方法，采用毫米波雷达对人体胸腔进行非接触式检测，采集呼吸和心跳相关的信号，并识别呼吸频率和心跳频率，在保证用户正常行动的前提下实现对呼吸频率和心跳频率的长期检测；采用主成分分析法处理毫米波雷达混频后的目标信号，有效提取胸腔运动信号，分析获取胸腔运动信号规律，避免受其他多个临近反射区反射信号的干扰，保证远距离检测的准确性。对胸腔运动信号计算主频得到呼吸频率，对胸腔运动信号计算二阶导数分离得到心跳的加速度信号，基于计算机学习的方式对加速度信号分割心跳节拍并计算得到心跳频率。本发明提供的检测方法不仅可以应用于医疗护理、健康监测等领域的生命体征信号的检测，还可以实现远距离人体探测以及目标搜寻。

进一步的，采用最小方差无畸变相应波束成型器对多通道毫米波信号进行处理，增强信号，弥补信号衰减，实现远距离检测。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明一实施例中呼吸频率和心跳频率检测方法的步骤流程示意图。

图2为本发明一实施例中呼吸频率和心跳频率检测的方法流程示意图。

图3为本发明一实施例中目标信号频谱图。

图4为本发明一实施例中移动平均滤波操作前后波形对比示意图。

图5为本发明一实施例中计算呼吸频率方法的步骤流程示意图。

图6为本发明一实施例中心跳节拍分割方法的学习步骤流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

这里需要强调的是，在下文中提及的各步骤标记并不是对各步骤先后顺序的限定，而应当理解为可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

为了克服接触式检测呼吸频率和心跳频率给用户日常行动带来的不便，以及非接触检测中无线信号衰减，无法检测微小运动信号(如心跳信号)和检测范围受限的问题，本发明提供一种呼吸频率和心跳频率的检测方法，如图1所示，方法包括以下步骤S101～S105：

步骤S101：毫米波雷达向目标用户的胸腔发射调频连续波，并接收反射回来的反射信号。

步骤S102：将反射信号和调频连续波混频后得到目标信号；将目标信号逐帧进行频谱分析以获取不同距离范围内的信号强度，将信号强度显著较强的距离范围作为胸腔所在位置范围。

步骤S103：采用主成分分析法获取目标信号的主成分作为胸腔运动信号，并对胸腔运动信号进行优化操作，优化操作至少包括提取相位、相位展开以及移动平均滤波。

步骤S104：通过计算胸腔运动信号的主频得到目标用户的呼吸频率。

步骤S105：对优化操作后的胸腔运动信号作二阶导数运算以得到心跳的加速度信号，采用心跳节拍分割方法划分加速度信号的心跳节拍，并根据心跳节拍计算得到心跳频率。

本实施例中，如图2所示，为呼吸频率和心跳频率检测的方法流程图。

在步骤S101中，毫米波雷达工作于毫米波波段，其中，毫米波指30～300GHz的频域，波长为1～10毫米。毫米波雷达能够分辨识别微小目标，且能同时识别多个目标，具有成像能力；体积小、成本低、全天候全天时的工作模式且不易受环境影响，实现了本发明要求的长期检测的功能。

调频连续波(Frequency Modulated Continuous Wave，简称为FMCW)是雷达信号设计的常用技术，从时域波看，在扫频周期内其波形是一个频率随时间线性变换的波形。被目标物体反射后的反射信号与发射信号存在一定的频率差，通过测量频率差获得目标与信号收发端之间的距离信息，从而可以捕获目标的运动变化。

示例性的，采用单发单收雷达进行处理，通过频率综合器生成调频信号，由发射天线发射出去，电磁波打到目标用户身体上反射回来的信号叫做回波信号，回波信号被接收天线接收，然后与发射信号进行混频后得到中频信号，也即目标信号。

毫米波雷达可以采用多个天线构成的阵列以采集多个通道的信号。对目标用户的胸腔方向发射的信号经反射后会包含呼吸信号、心跳信号以及胸腔内其他组织反射的信号，反射信号与发射信号混频得到的差频信号标记为目标信号。目标信号是基于用户胸腔部分组织和器官反射产生的，因此，反射信号产生位置应当集中在胸腔附近。

在一些实施例中，目标信号采用最小方差无畸变响应波束形成器进行增强。

毫米波雷达接收端采用天线阵列设计，获取多个通道、接受多个信号波形，形成信号阵列以实现信号增强。从天线阵列接收信号矩阵后，需确定转向向量，实现多通道信号相位信息的对齐融合，为防止造成距离定位误差，采用MVDR(Minimum VarianceDistortionless Response)最小方差无畸变响应技术进行修正：在保证信号无失真的情况下，调节转向向量的权重使得天线阵列信号的输出功率最小，即有效信号功率不变的情况下，总功率最小。约束条件的表达式为：

其中，min为取最小值函数，w为转向向量的权重，[]

在步骤S102中，将毫米波雷达发射的调频连续波(FMCW)和接收的被目标用户反射回来的反射信号混频得到的差频信号作为目标信号，通过目标信号的相位变化，以反映胸腔运动引起的微小振动。

频谱分析是将时域内含有变化的信号置换到频域的分析方法，本事实例中，将得到的目标信号进行频谱分析并获取其频谱图，如图3所示，其中，频谱图横轴代表时间，纵轴代表距离范围。具体的，频谱分析可以采用距离FFT(快速傅里叶变换)变换的方式进行处理。在频谱图中，颜色越浅或者越亮的，则表示信号强度越强，能量越强，因此通过确定最大能量带的方式确定胸腔所在的距离范围。

毫米波雷达工作时，当毫米波波束覆盖角度不变的情况下，随着距离的增大，波束覆盖范围会随之增大，进而导致反射信号既包含胸腔运动信号，还包含临近胸腔位置的多个反射区的反射信号，例如腹腔等人体器官部分。同样，在步骤S102中的获取的频谱图也能体现这一问题，频谱图中存在一些能量较弱，颜色较暗的低强度信号，所述低强度信号即临近胸腔位置的其他反射区的反射信号。

于是在步骤S103中，采用PCA(Principal ComponentAnalysis)技术进行主成分分析以获取需要的胸腔运动信号，去除其他噪声信号的干扰。在本实施例中，任选取频谱图中一段时间内的n个距离的信号构建数据矩阵，计算其协方差矩阵以得到特征向量，将目标信号分解成多个正交维度上的信号，选择最大的特征向量所对应的正交维度，并将目标信号映射到上述选择的维度上得到胸腔运动信号，实现主成分的提取。

本实施例中，毫米波雷达接收端为8个天线单元组成的天线阵列，将已进行步骤S101～S103主成分数据进行相位的提取和相位展开操作以实现准确的运动追踪，得到如图3左侧的波形示意图，由示意图可以清晰地发现，相位展开后的波形存在数据漂移的问题。因此进行移动平均滤波操作，过滤掉时间序列中的高频扰动，保留有用的低频趋势，进而增强胸腔运动信号，消除相位漂移。如图4右侧波形示意图所示，为图4左侧的信号波形经过移动平均滤波操作后所得。

在步骤S104中，胸腔运动主要由呼吸运动和心跳运动构成，胸腔运动信号可以理解为呼吸信号和心跳信号的叠加，但由于呼吸运动的幅度较为明显，心跳运动的幅度微弱，因此直接将胸腔运动信号作为呼吸运动信号，通过计算胸腔运动信号的主频即可得到呼吸的频率。

在步骤S104中，由于胸前运动信号主要体现了呼吸运动的频率特征，因此，本实施例将胸腔运动信号直接用于计算呼吸频率，计算胸腔运动信号的主频即可得到呼吸的频率。本实施例采用基于相位斜率的方法计算主频信息，考虑到胸腔运动信号中仅包含一个单一的主频，则该频率可以通过对复数时域信号的相位进行线性回归来精确测量。

在一些实施例中，如图5所示，步骤S104中，通过计算胸腔运动信号的主频得到目标用户的呼吸频率，包括以下步骤S201～S203：

步骤S201：对胸腔运动信号采用快速傅里叶变换进行滤波处理，保留主频与主频两侧相邻的两个频率带，舍弃其余频率带。

其中，快速傅立叶变换(Fast Fourier Transform，简称为FFT)是一种高效算法，以实现时域一频域变换分析，将原本难以处理的时域信号转换成了易于分析的频域信号(信号的频谱)。其他频率带可能是胸腔内除呼吸运动外形成的胸腔运动信号，或在数据处理中产生的噪声信号等其他干扰信号，因此此步骤主要作用是对变换后的频域信号进行处理使得胸腔运动信号实现滤波，消除非周期运动信号和噪声信号的干扰。

步骤S202：对主频与主频两侧相邻的两个频率带采用逆傅里叶变换以得到一个复数形式的时域信号。

经过FFT运算滤波后，对主频与主频两侧相邻的两个频率带进行傅里叶变换的逆运算，将频域信号再转换成时域信号进行计算，采用复数形式z＝a+bi，直接体现了幅度与相位信息，便于本实施例的计算。

步骤S203：计算时域信号的相位并展开为连续相位，线性拟合连续相位的斜率得到呼吸频率。

在计算时域信号的相位时，运用反正切函数，此时相位图中提取的相位都是包裹在一个周期相位区间的包裹相位值，并不是真实得到的相位，造成相位被折叠，此时相位图中会出现某些点出现跳跃，因此需要进行相位展开操作，从周期区间内恢复原始相位值。

相位展开后得到连续相位，并且连续相位符合线性变化规律，同时，要保证前后两次相位之差小于π，进而避免相位在计算式被折叠在

在步骤S105中，在步骤S104中已知，呼吸运动引起的胸腔位移比心跳运动引起的胸腔位移要大几个数量级，因此在进行快速傅里叶变换运算时，呼吸信号的二次谐波、高次谐波的幅度仍然大于心跳信号幅度，使得滤波后的相位信号仍然由受到呼吸运动的影响，进而掩盖住心跳信号，无法有效提取心跳信号计算得到频率。考虑到呼吸相对于心跳来说通常是缓慢而稳定的，而心跳运动是肌肉的快速收缩，因此可以用加速度信号来分离呼吸信号和心跳信号。根据位移与加速度的函数关系，求胸腔运动位移信号的二阶导数以得到加速度信号，通过求得的与加速度成比例而不与位移成比例的信号来抑制呼吸运动的影响并强调心跳信号，实现心跳信号的分离。

在一些实施例中，步骤S105中，对优化操作后的胸腔运动信号作二阶导数运算以得到心跳的加速度信号，包括：

采用数值方式，通过二阶微分器对胸腔运动信号计算得到二阶导数，二阶导数表达式为：

其中，为某一胸腔运动信号样本点的二阶导数，为时间序列中与样本点距离为i的样本值，i取值至少为0、±1、±2、±3；h为连续样本点之间的时间间隔。

速度引起位移随时间的变化，因此速度与时间结合，便产生了位移的变化；加速度引起速度随时间的变化，因此加速度与时间结合，便产生了速度的变化；反倒推过来，便是位移对时间的一阶导数得到的是平均速度，速度对时间的一阶导数是平均加速度，因此位移对时间的二阶导数是加速度。需要说明的是，以上补充是基于通俗物理与数学概念解释的，不涉及多维，位置矢量等内容。

在一些实施例中，步骤S105中，如图6所示，心跳节拍分割方法的学习过程包括步骤S301～S302：

步骤S301：获取训练样本集，训练样本集中包含多个样本，每个样本包含一个心跳的样本加速度信号，并对样本加速度信号进行分割心跳节拍的训练。

步骤S302：获取初始神经网络模型，以样本加速度信号作为输入，心跳节拍作为输出，采用训练样本集对初始神经网络模型进行训练，以得到心跳节拍分割方法。

在一些实施例中，初始神经网络模型为卷积神经网络模型，卷积神经网络模型包括连续的一个一维卷积层和一个最大池化层。

卷积神经网络(Convolutional Neural Networks，简称为CNN)中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的，卷积运算的目的是提取输入的不同特征。

本实施例中，获取心跳信号后，由于心跳信号存在明显的节拍特性，采用基于神经网络的图像分割方法，将心跳信号依据节拍特性进行划分，进而根据每个节拍的长度计算细粒度心跳速率。

构建一个一维卷积层学习得到一个卷积核T作为其模板片段，其中，卷积核的大小为600，步长为1，零填充为300。在一维卷积层后面构建一个最大池化层以获取一维卷积层输出的峰值，即获取卷积结构的极大值，一维卷积层输出的峰值是在模板片段与单个心跳对齐时出现，因此峰值的数量代表了心跳的数量。其中，最大池化层的大小为800，步长为100。

为获取最优卷积核T的参数以实现最小化误差，对误差函数进行训练学习。误差是指样本标记的心跳节拍真实值与通过心跳节拍分割方法分割得到的心跳节拍之间的误差，其中心跳节拍分割方法分割得到的心跳节拍实际上就是上文中分离得到的心跳信号数据输入模型后得到的重复段，将输入的心跳数据记为输入数据D。

以卷积的形式，误差函数表达式为：

e(i)＝|D

其中，e(i)为误差函数，D为输入数据，T为卷积核对应的模板片段，i表示数据的维度。

如表达式所示，由于输入数据D是固定数据，是上文分离得到的心跳信号，因此最小化误差可以通过最大化卷积|Di*T|，同时最小化T来实现。根据上文所述可知，模板片段T为卷积核，则卷积|Di*T|是卷积层的输出结果。因此，误差函数可以设计为卷积核的大小与卷积层卷积结果的倒数的形式，利用上文构建的卷积神经网络(CNN)，通过学习最优卷积核，即模板片段T，同时训练神经网络使误差函数最小化。解决对心跳信号分割心跳节拍的问题。

将学习到的最小化模板片段T输入神经网络，与输入的心跳信号进行一次卷积运算，通过最大池化层，得到池化层输出的极大值。最终得到的这些极大值可以理解为分割后的片段与模板片段匹配程度最大的位置，即分割心跳信号后单个心跳节拍出现的位置，确定心跳节拍的个数。因此，选取需要计算心跳频率的时段，通过计算所选时段心跳节拍的个数与心跳节拍的长度即可获取心跳频率。

在一些实施例中，步骤S105中，采用训练样本集对初始神经网络模型进行训练中，训练采用的损失函数为：

Loss＝L2(T)+α*1/M； (4)

其中，L2为L2范数，T为卷积核，α为调优参数，M是最大池化层输出的值。

神经网络以某个指标为线索寻找最优权重参数，这个指标就是损失函数。

在一些实施例中，步骤S105中，采用训练样本集对初始神经网络模型进行训练，还包括：采用梯度下降法进行反向传播更新初始神经网络模型的参数以得到心跳节拍分割方法。

梯度下降法是神经网络中常用的优化算法，利用梯度进行反向传播，不断地迭代，更新权重，偏置参数找到损失最低点，最终使模型收敛，达到更优的效果。

微积分中，对多元函数各变量求偏导数，并把求得的各参数的偏导数以向量形式写出，就是梯度。从几何意义上讲，梯度就是函数变化增加最快的地方，因此梯度下降法就是沿着梯度向量相反的方向，梯度减少最快以得到函数的最小值。

本实施例中，使用随机梯度下降法(Stochastic Gradient Descent，SGD)优化模型，随机梯度下降法对每个训练样本进行参数更新，每次执行都进行一次更新，且执行速度快。频繁的更新使得参数间具有高方差，损失函数会以不同的强度波动，有助于发现新的和可能更优的局部最小值。

综上所述，本发明提供一种呼吸频率和心跳频率的检测方法，采用毫米波雷达对人体胸腔进行非接触式检测，采集呼吸和心跳相关的信号，并识别呼吸频率和心跳频率，在保证用户正常行动的前提下实现对呼吸频率和心跳频率的长期检测；采用主成分分析法处理毫米波雷达混频后的目标信号，有效提取胸腔运动信号，分析获取胸腔运动信号规律，避免受其他多个临近反射区反射信号的干扰，保证远距离检测的准确性。对胸腔运动信号计算主频得到呼吸频率，对胸腔运动信号计算二阶导数分离得到心跳的加速度信号，基于计算机学习的方式对加速度信号分割心跳节拍并计算得到心跳频率。本发明提供的检测方法不仅可以应用于医疗护理、健康监测等领域的生命体征信号的检测，还可以实现远距离人体探测以及目标搜寻。

进一步的，采用最小方差无畸变相应波束成型器对多通道毫米波信号进行处理，增强信号，弥补信号衰减，实现远距离检测。

与上述方法相应地，本发明还提供了一种电子设备，该电子设备包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置/系统实现如前所述方法的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。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，均应包含在本发明的保护范围之内。