CN107944754A

CN107944754A - 康复治疗质量评定的方法、装置、存储介质及电子设备

Info

Publication number: CN107944754A
Application number: CN201711330000.8A
Authority: CN
Inventors: 卫丹
Original assignee: Taikang Insurance Group Co Ltd
Current assignee: Taikang Insurance Group Co Ltd
Priority date: 2017-12-13
Filing date: 2017-12-13
Publication date: 2018-04-20

Abstract

本发明实施例提供一种康复治疗质量评定的方法、装置、存储介质及电子设备，该方法包括：获取待评定的康复治疗视频，根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合，根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定，实现了基于康复治疗视频对康复治疗进行质量评定，提高了康复治疗的质量评定的客观性和效率。

Description

康复治疗质量评定的方法、装置、存储介质及电子设备

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种康复治疗质量评定的方法、装置、存储介质及电子设备。

背景技术

目前在康复医院中，康复治疗师对患者进行物理治疗等康复专科治疗时，由康复治疗师利用器械，徒手或者通过患者自身力量，通过某些主动或被动的方式，帮助患者完成其全身或局部运动功能及感觉功能恢复的训练。在这个治疗过程中，除了人为主动的去观察，并没有有效的方式来针对整个治疗过程进行质量的评定，而人为主动的观察，使得质量评定具有主观性，降低了质量评定的准确性，而且也降低了质量评定的效率，从而无法判断治疗师的工作内容是否规范，不利于对治疗师的工作绩效产生评估，而且在发生患者投诉时，也无法去客观的解决纠纷。而如果只是单纯的记录治疗时间，也不能保证整个治疗过程是有效的完成的，降低了质量评定的准确性。

在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：

现有技术中，无法对康复质量进行客观性的评定，而且质量评定的效率低。

因此，需要一种新的康复治疗质量评定的方法、装置、存储介质及电子设备。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它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。

发明内容

有鉴于此，本发明提供一种康复治疗质量评定的方法、装置、存储介质及电子设备，能够基于深度学习模型对康复治疗的质量评定。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的第一方面，提供一种康复治疗质量评定的方法，其中，所述方法包括：

获取待评定的康复治疗视频；

根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合；

根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定。

根据一些实施例，所述方法包括：

构建所述康复治疗对应的深度学习模型；

所述构建所述康复治疗对应的深度学习模型，包括：

获取所述康复治疗的大数据样本视频；

设置帧间隔，并按照所述帧间隔依次从每个样本提取视频帧；

将每个样本的视频帧输入至卷积神经网络进行深度学习训练，以获取到每个样本的多个视频帧的特征集合；

根据获取到的每个样本的多个视频帧的特征集合与所述康复治疗中对应于所述多个视频帧的特征模型比对，获取到所述康复治疗的深度学习模型。

根据一些实施例，根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合，包括：

按照所述设置的帧间隔，从所述待评定的康复治疗视频中提取多个视频帧；

将提取的视频帧输入至所述深度学习模型，获取到所述康复治疗视频的多个视频帧的特征集合。

根据一些实施例，从所述康复治疗视频中提取多个视频帧之后，所述方法还包括：

对所述提取的所述多个视频帧预处理，以获取到标准形式的多个视频帧；

将所述标准形式的多个视频帧输入至所述深度学习模型，获取到所述康复治疗视频的所述多个视频帧的特征集合。

根据一些实施例，根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述康复治疗进行质量评定，包括：

将所述康复治疗视频中的每个视频帧的特征集合与所述特征模型相对应的视频帧的特征集合比对，以获取所述康复治疗视频中的每个视频帧与所述特征模型中相对应视频帧的特征偏差；

根据超过阈值的特征偏差所对应的康复治疗视频帧的数目对所述康复治疗进行质量评定。

根据一些实施例，根据超过阈值的特征偏差所对应的康复治疗视频帧的数目对所述康复治疗进行质量评定,包括：

预设置每个质量级别所对应的超过所述阈值的特征偏差所对应的康复治疗视频帧的数目；

根据所述超过阈值的特征偏差所对应的康复治疗视频帧的数目所属于的质量级别，对所述康复治疗进行质量评定。

根据一些实施例，所述方法还包括：

当所述康复治疗视频中的视频帧与所述特征模型中相对应的视频帧的特征偏差超过所述阈值时，对所述视频帧进行标记，并输出预警提示。

根据本发明的第二方面，提供一种康复治疗质量评定的装置，其中，所述装置包括：

第一获取模块，用于获取待评定的康复治疗视频；

第二获取模块，用于根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合；

评定模块，用于根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定。

根据本发明的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面所述的方法步骤。

根据本发明的第四方面，提供一种电子设备，其中，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如第一方面所述的方法步骤。

本发明实施例中，通过获取待评定的康复治疗视频，根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合，根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定，实现了基于康复治疗视频对康复治疗进行质量评定，提高了康复治疗的质量评定的客观性和效率。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1是根据一示例性实施例示出的一种康复治疗质量评定的方法的流程图；

图2是根据一示例性实施例示出的一种构建康复治疗对应的深度学习模型的方法的流程图；

图3是根据本发明实施例示出的一种康复治疗质量评定的装置的结构图；

图4是根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

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发明将全面和完整，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。

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发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

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，或在一个或多个硬件模块或集成电路中实现这些功能实体，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。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1是根据一示例性实施例示出的一种康复治疗质量评定的方法的流程图。

如图1所示，在S110中，获取待评定的康复治疗视频。

需要说明的是，本发明实施例中的康复治疗视频可以是已经录制好的康复治疗视频，也可以是实时录制的康复治疗视频。

在S120中，根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合。

本发明实施例中，可以构建每种康复治疗对应的深度学习模型，具体的方法，请参见下文构建深度学习模型的实施例。

深度学习是源于人工神经网络的研究，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。它是机器学习研究中的一个新的领域，其动机在于建立和模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本。

需要指出的是，在构建深度学习模型时，需要设置帧间隔，以按照该帧间隔提取样本的视频帧，因此，在应用构建好的深度学习模型时，也需要按照相同的帧间隔来提取待评定的康复治疗视频的视频帧，进而将提取的视频帧输入至深度学习模型，获取到该待评定的康复治疗视频的多个视频帧的特征集合。

需要说明的是，在提取到多个视频帧后，可以对该多个视频帧预处理，处理掉一些干扰因素，如，去除光亮条件和噪声、阈值、模糊、校正失真，把视频帧转换成标准形式，以获取到标准形式的多个视频帧，从而将标准形式的多个视频帧输入至所述深度学习模型，获取到所述康复治疗视频的所述多个视频帧的特征集合。

上述实施例中，通过对提取的多个帧的视频帧预处理，能够利用深度学习模型快速、稳定、便捷的进行特征提取。

在S130中，根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定。

根据示例实施例，可以根据该康复治疗视频所对应的康复治疗标识获取到该康复治疗对应的特征模型。该特征模型中包括该康复治疗中按照预设的帧间隔提取的多个视频帧的特征集合。

在根据构建的深度学习模型，获取到康复治疗视频的特征集合后，将该康复治疗视频中的每个视频帧的特征集合与特征模型相对应的视频帧的特征集合比对，以获取所述康复治疗视频中的每个视频帧与所述特征模型中相对应视频帧的特征偏差，并根据超过阈值的特征偏差所对应的康复治疗视频帧的数目对所述康复治疗进行质量评定。

例如，以康复治疗为康复颈椎牵引治疗为例，对康复治疗师给某患者颈椎牵引治疗录制视频，按照预设的帧间隔从该视频中提取到多个视频帧，将其输入至康复颈椎牵引治疗对应的深度学习模型，获取到每个视频帧的特征集合，假设第一帧的特征集合为A1，第二帧的特征集合为A2，进而查找该康复颈椎牵引治疗对应的特征模型B，假设第一帧的特征集合为B1，第二帧的特征集合为B2，进而利用A1与B1比对，获取第一帧的特征偏差，进而利用A2与B2比对，获取第二帧的特征偏差。

需要指出的是，每个视频帧中都可以提取出多个特征，组成该视频帧的特征集合，在进行比对时，可以计算待评定的康复治疗视频中的视频帧中每个特征与特征模型中该视频帧对应的特征集合中所有特征的特征偏差，从而获取到每个视频帧与特征模型中相对应视频帧的特征偏差。

根据示例实施例，可以设置特征偏差的阈值，根据超过该阈值的康复治疗视频帧的数目对所述康复治疗进行质量评定。本发明实施例中，提供一种根据超过该阈值的康复治疗视频帧的数目对所述康复治疗进行质量评定的方式：可以预设置每个质量级别所对应的超过阈值的特征偏差所对应的康复治疗视频帧的数目，根据所述超过阈值的特征偏差所对应的康复治疗视频帧的数目所属于的质量级别，对所述康复治疗进行质量评定。

例如，预设质量级别A，对应的超过阈值的康复治疗视频帧的数目为10，质量级别B，对应的超过阈值的康复治疗视频帧的数目为20，质量级别C，对应的超过阈值的康复治疗视频帧的数目为30，以此类推，设置各质量级别对应的超过阈值的康复治疗视频帧的数目。假设待评定的康复治疗视频中超过该阈值的康复治疗视频帧的数目为32，则该康复治疗的质量级别为C级。

需要说明的是，每种康复治疗可以根据其自身特点设置不同的阈值，每种质量级别对应的超过该阈值的康复治疗视频帧的数目可以根据该康复治疗的特点进行设置，例如，假设某康复治疗需要很长时间，则可以设置其每个级别对应的超过阈值的康复治疗视频帧的数目多一些。

根据本发明实施例，当康复治疗视频中的视频帧与所述特征模型中相对应的视频帧的特征偏差超过所述阈值时，可以对所述视频帧进行标记，并输出预警提示。如果该康复治理视频为正在录制的视频，可以先暂停录制，在输出预警提示纠正患者的操作后，继续录制康复治疗视频。

需要说明的是，本发明实施例中提出的康复治疗质量评定方法可以降低康复医院对康复治疗的质量控制上的成本，而且能及时发现康复治疗过程中不合规范的操作，及时预警提示，在康复治疗进行质量评定后，可以根据该评定结果对康复质量判断治疗师的工作内容是否规范，对治疗师的工作绩效评估，而且也可以根据质量评定生成评价报告反馈给患者，以避免后续的纠纷问题。

下面结合具体的实施例，对本发明实施例中提出的构建每种康复治疗对应的深度学习模型的方法进行详细的说明。

图2是根据一示例性实施例示出的一种构建康复治疗对应的深度学习模型的方法的流程图。

如图2所示，该方法可以包括以下步骤：

S210，获取康复治疗的大数据样本视频。

需要指出的是，针对每种康复治疗的深度学习模型不同，因此，在获取样本时，需要获取到待获取深度模型对应的康复治疗的大数据样本。

S220，设置帧间隔，并按照所述帧间隔依次从每个样本提取视频帧。

根据示例实施例，可以使用OpenCV设置帧间隔。需要指出的是，在后续应用该深度模型计算特征集合时，需要按照该帧间隔提取视频帧。

OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效--由一系列C函数和少量C++类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

S230，将每个样本的视频帧输入至卷积神经网络进行深度学习训练，以获取到每个样本的多个视频帧的特征集合。

根据示例实施例，将每个样本的视频帧作为输入，发送给卷积神经网络系统，卷积神经网络系统进行深度学习训练，并且每次训练后卷积神经网络系统都会获取到针对该样本的每个视频帧的特征集合。

需要说明的是，在提取到多个视频帧后，可以对该多个视频帧预处理，处理掉一些干扰因素，如，去除光亮条件和噪声、阈值、模糊、校正失真，把视频帧转换成标准形式，以获取到标准形式的多个视频帧，从而将标准形式的多个视频帧输入至所述深度学习模型，获取到所述样本所述多个视频帧的特征集合。

S240，根据获取到的每个样本的多个视频帧的特征集合与所述康复治疗中对应于所述多个视频帧的特征模型比对，获取到所述康复治疗的深度学习模型。

根据示例实施例，在获取到深度学习模型之前，需要获取到该康复治疗中对应于多个视频帧的特征模型，并利用在S230中获取到的针对每个样本的特征集合后，利用每个样本的多个视频帧的特征集合与该康复治疗中对应于多个视频帧的特征模型比对，根据比对结果区分出正样本与负样本，保留正样本训练时所对应的深度学习模型。这样从若干样本组成的训练数据库，对相应的卷积神经网络系统进行训练，根据训练结果不断地修正深度学习模型，改善识别效果。

需要指出的是，本发明实施例中卷积神经网络系统可选的使用3D卷积神经网络。和2D卷积神经网络的思路相似，3D卷积神经网络也是通过不断卷积，再降采样来识别输入数据的特征。但是与2D卷积神经网络不同的是，3D卷积神经网络侧重于识别连续样本中特征连续变化的特征。也就是说3D卷积神经网络比较擅长处理连续变化的数据，更适合于视频识别。在利用卷积神经网络系统进行深度学习训练时，可以将视频分成多个包含16帧的视频帧作为输入，维数为3×16×128×171。池化层的卷积核的尺寸是d×k×k，第一个池化层d＝1，是为了保证时间域的信息不要过早地被融合，接下来的池化层的d＝2。相对其他尺寸的卷积核，达到了精度最优，计算性能最佳。

本发明上述实施例中，通过获取所述康复治疗的大数据样本视频；设置帧间隔，并按照所述帧间隔依次从每个样本提取视频帧；将每个样本的视频帧输入至卷积神经网络进行深度学习训练，以获取到每个样本的多个视频帧的特征集合；根据获取到的每个样本的多个视频帧的特征集合与所述康复治疗中对应于所述多个视频帧的特征模型比对，获取到所述康复治疗的深度学习模型，实现了对针对指定针对康复治疗的深度学习模型的构建，为康复治疗质量评定提供可应用的深度学习模型。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。

下述为本发明装置实施例，可以用于执行本发明方法实施例。在下文对装置的描述中，与前述方法相同的部分，将不再赘述。

图3是根据本发明实施例示出的一种康复治疗质量评定的装置的结构图。

如图3所示，装置300可以包括：

第一获取模块310，用于获取待评定的康复治疗视频；

第二获取模块320，用于根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合；

评定模块330，用于根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备可以执行：获取待评定的康复治疗视频；根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合；根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述待评定的康复治疗进行质量评定。

图4是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是，图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统400包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有系统400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口305也连接至总线404。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的终端中限定的上述功能。

需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机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。而在本申请中，计算机可读的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，其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取模块、第二获取模块和评定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

以上具体示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims

1.一种康复治疗质量评定的方法，其特征在于，所述方法包括：

获取待评定的康复治疗视频；

2.如权利要求1所述的方法，其特征在于，所述方法包括：

构建所述康复治疗对应的深度学习模型；

所述构建所述康复治疗对应的深度学习模型，包括：

获取所述康复治疗的大数据样本视频；

3.如权利要求2所述的方法，其特征在于，根据所述康复治疗视频以及构建的所述康复治疗对应的深度学习模型，获取所述康复治疗视频的特征集合，包括：

4.如权利要求3所述的方法，其特征在于，从所述康复治疗视频中提取多个视频帧之后，所述方法还包括：

5.如权利要求3所述的方法，其特征在于，根据所述特征集合与所述康复治疗的特征模型的比对结果，对所述康复治疗进行质量评定，包括：

6.如权利要求5所述的方法，其特征在于，根据超过阈值的特征偏差所对应的康复治疗视频帧的数目对所述康复治疗进行质量评定，包括：

7.如权利要求5所述的方法，其特征在于，所述方法还包括：

8.一种康复治疗质量评定的装置，其特征在于，所述装置包括：

第一获取模块，用于获取待评定的康复治疗视频；

9.一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权利要求1-7任一项所述的方法步骤。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法步骤。