CN110974217B

CN110974217B - 基于卷积自编码器的双阶段心电信号降噪方法

Info

Publication number: CN110974217B
Application number: CN202010005613.XA
Authority: CN
Inventors: 王丽荣; 蔡文强; 邱励燊; 俞杰; 李婉悦; 郑乐松; 邓米雪; 张淼
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2020-01-03
Filing date: 2020-01-03
Publication date: 2022-08-09
Anticipated expiration: 2040-01-03
Also published as: CN110974217A

Abstract

本发明公开了一种基于卷积自编码器的双阶段心电信号降噪方法。一种基于卷积自编码器的双阶段心电信号降噪方法，包括：准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声；给每一组数据准备了其对应的标签输出，输出即为干净的心电信号；心电信号降噪阶段；心电信号细节重建阶段。本发明的有益效果：本方法无需将心电信号转换成时频域或者是其他表达函数中，直接能够学习到心电信号的降噪过程，不会产生吉布斯效应；本方法不需要获得噪声参考信号；本方法通过信号的降噪和细节重建过程，能较好地还原出原始信号的细节部分与特征信号。

Description

基于卷积自编码器的双阶段心电信号降噪方法

技术领域

本发明涉及心电信号领域，具体涉及一种基于卷积自编码器的双阶段心电信号降噪方法。

背景技术

在人体不同部位放置电极，并通过导联线与心电图机的正负相连，这种记录心电图的电路连接方法称为心电图导联。心电信号图本质上是一种心脏搏动时电位变化的时间-电压曲线图。在一个正常心动周期中，一个典型的ECG波形是由一个P波，一个QRS波群，一个T波，以及在50％～75％的ECG中可能见到的U波组成[1]。P波对应着心房去极化、QRS波群对应心室去极化、T波对应心室复极化的过程。如图1所示(参考国标YY 0782-2010/IEC60601-2-51：2003)。目前临床上应用的多是常规12导联(又称标准十二导联)系统，包括双极肢体导联(I、II、III导联)，加压单极肢体导联(aVR、aVL、aVF导联),胸导联(V1、V2、V3、V4、V5、V6导联)。

心电信号(ECG)能有效且无创地检测及预防心血管疾病，但是心电信号采集于人体表面，其振幅非常微弱，幅值范围一般在10uv-5mv内，使其极易受到不同种类的噪声污染，从而导致心电信号本身的有用信息被噪声淹没甚至丢失，信号的失真影响医生对心血管疾病的分析诊断，越来越多的国内外研究人员着重于研究心电信号的预处理，目的是将被干扰的心电信号从噪声中恢复出来，并且尽可能地重现出原始心电信号的细节。

心电信号受到的噪声干扰大致有以下四种，电极干扰、基线漂移以及肌电干扰工频干扰，1.电极干扰由贴在人体表面的电极片受到人体皮肤的阻抗和电位的变化产生；

2.基线漂移频率一般在0.05-2Hz之间，由呼吸、带电电机或者受试者运动引起；

3.肌电干扰来源于肌肉的收缩张运动，它的频率与心电信号的频率有一定的重叠。

4.工频干扰，由采样仪器设备缺陷或公共电网辐射引起。在ECG信号上表现为规律性的细小波纹，这种滋扰常常容易覆盖ECG中的细微转折，影响心电图在细节上的表现。

所有的这些噪声都有可能导致心电信号波形的变形，甚至影响到医生对疾病的诊断，因此，从心电信号中去除噪声变得非常必要。

近年来，心电信号的降噪方法不断改进及创新，有传统降噪方法和深度学习降噪方法。传统的心电信号降噪算法有基于小波变换的算法、经验模态分解法以及自适应滤波算法等等。

基于小波的降噪算法是目前较为流行的，该技术通过在时频域中分解信号来实现噪声消除，因其多尺度和多分辨率而广泛地应用在心电信号的降噪上。该算法利用硬阈值或者软阈值来处理小波系数，使得该算法对阈值的依赖程度很高。目前，基于软阈值的方法生成的心电信号相对于硬阈值的方法更加平滑以及有更好的连续性，尽管总体上有令人较为满意的降噪效果，但是软阈值会使得重构的ECG波形振幅失真，丢失了心电信号的有用波形信号。

经验模态分解法(EMD)与小波变换的方法类似，在基于EMD的降噪方法中，将噪声信号分解为某些本征模函数(IMF)，然后将包含最多噪声的IMF去除。最后，使用剩余的IMF重建信号。由于高频噪声嵌入在前几个IMF中，因此EMD方法可能无法完美地区分高频噪声和心电信号，并且传统的EMD难以自适应地选择合适的IMF。常见的自适应滤波器算法通常需要噪声参考信号作为输入，而这些信号难以用心电信号采集系统获得。

随着人工智能技术的发展，基于深度学习的心电信号降噪算法层出不穷，主要为由一系列不同网络结构构成的降噪自编码器(DAE)。自动编码器是一种无监督神经网络模型，算法包含编码阶段和解码阶段，并且具有对称的结构，它从输入信号中学习到信号的隐含特征，这是编码(coding)过程，再将特征重构为原始输入数据，这是解码过程(encoding)。传统的自编码器是一种数据的压缩算法，目前自编码器的一个应用就是数据降噪，称为降噪自编码器，降噪自编码器在自编码器的基础上，将训练数据加入噪声来训练整个网络，使其学习到去除噪声，获得无噪声信号的能力。降噪自编码器有基于BP神经网络和基于卷积神经网络两种，目前基于卷积神经网络的降噪自编码器的降噪效果普遍比基于BP神经网络的好，[1]第一次将FCN网络结构用在了降噪自编码器上，并取得了不错的效果。虽然基于深度学习的降噪自编码器的在均方根误差(RMSE)和信噪比(SNR)两个指标普遍比传统方法的好，但是重构出的降噪信号仍然会丢失掉原始信号的部分细节。

[1]https://zh.wikipedia.org/wiki/％E5％BF％83％E7％94％B5％E5％9B％BE

[2]Hsin-Tien Chiang et al.,"Noise Reduction in ECG Signals UsingFully Convolutional Denoising Autoencoders",IEEE Access,vol.7,pp.1096-1103,Apr.2019.

基于小波变换阈值的降噪方法：

基于小波变换阈值的降噪方法比较经典，阈值的选取有软、硬阈值等，主要步骤有：

1.选择合适的小波基和分解层数J，将含噪信号进行小波分解至J层，得到相对应的小波系数ω。

2.根据相应规则得到阈值δ，再分别应用硬阈值函数或者软阈值函数对步骤1中分解的小波系数进行阈值处理，之后便得到相对应的输出小波系数y,将输出小波系数y进行信号逆小波变换,得到降噪后的信号。硬阈值函数或者软阈值函数如下公式：

软阈值函数：

硬阈值函数：

基于小波变换阈值的降噪方法缺点如下：

1.降噪后的心电信号容易出现吉布斯效应，影响Q波S波的形态。

2.需要人工干预选取阈值以及阈值函数，导致泛化能力的下降。

FCN降噪自编码器：

将加了噪声的心电信号当作输入，其对应的干净的原始心电信号当作输出，输入FCN降噪自编码器中进行训练，将训练好的模型对待测的加噪心电信号进行预测，得到的输出就是降噪的心电信号。FCN降噪自编码器的网络结构如图3，其中除了最后一层卷积层，其余的每个卷积层后面都跟着批归一化以及“elu”激活函数。下图结构来源于论文ECGSignal Enhancement based onFullyConvolutional Denoising Autoencoder

FCN降噪自编码器缺点如下：

1、降噪后的信号无法很好的恢复出原始信号，很多细节部分丢失。

传统技术存在以下技术问题：

传统的滤波器法(IIR[1]与FIR[2])本质上是基于频域，去除无效频段的能量，保留有效频段的能量；在实际应用的过程中如果滤波器阶数设置太小，无法有效去除噪声，阶数设置太大会出现吉布斯效应，而且传统的滤波器法无法去除与心电频段相同的信息。

小波变换[3]降噪的方法本质上是将心电信号分解到对应的小波域，选取分解的小波级数并将其重构；在实际应用过程中选取不同的小波基会产生不同的结果，而且小波变换降噪同样无法避免对心电信号中细节的特征波形的影响。

基于自编码器[4]的降噪方法输入是带噪的心电信号，输出(标签)是对应的高质量心电信号，通过训练，学习由带噪到无噪(低噪)的映射关系；现有的结构有基于DNN、CNN和FCN等，这部分方法在实际应用过程中降噪效果明显，但对于心电信号的特征波形的压制同样也很明显，只考虑到降噪而没有考虑到特征波形的恢复。

现有的心电信号降噪算法需要获得噪声参考信号而这些信号难以用心电信号采集系统获得；

现有的心电信号降噪算法不能较好地还原出高质量原始信号的细节部分。

[1]https://baike.baidu.com/item/IIR％E6％95％B0％E5％AD％97％E6％BB％A4％E6％B3％A2％E5％99％A8/5347507？fr＝aladdin

[2]https://baike.baidu.com/item/FIR％E6％BB％A4％E6％B3％A2％E5％99％A8/1983543

[3]https://baike.baidu.com/item/％E5％B0％8F％E6％B3％A2％E5％8F％98％E6％8D％A2/10334289？fr＝aladdin

[4]https://baike.baidu.com/item/％E5％8E％BB％E5％99％AA％E8％87％AA％E7％BC％96％E7％A0％81％E5％99％A8/22768227？fr＝aladdin

发明内容

本发明要解决的技术问题是提供一种基于卷积自编码器的双阶段心电信号降噪方法。

为了解决上述技术问题，本发明提供了一种基于卷积自编码器的双阶段心电信号降噪方法，包括：

准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度，并给心电信号增加不同程度的噪声；

给每一组数据准备了其对应的标签输出，输出即为干净的心电信号；

心电信号降噪阶段：将加噪的心电信号以及对应的一维标签输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。

心电信号细节重建阶段：将经过第一阶段网络的降噪后的信号输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数。

在其中一个实施例中，所述噪声包括：电极干扰噪声、肌电干扰噪声以及基线漂移噪声。

在其中一个实施例中，心电信号降噪阶段中，网络参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5；

在其中一个实施例中，心电信号细节重建阶段中，该网络：每次下采样与上采样使用不同大小的采样倍率；

加入了上下文比对机制；首先将输入数据进行两次核大小为5*1的卷积，其输出记为conv1；接着将输入数据进行两次核大小为5*1、膨胀率为10的空洞卷积，其输出记为conv2；将conv1与conv2相减得到第三个输出conv3，最后将conv1、conv2和conv3按通道连接作为最终的输出；每一次卷积层后面都有批归一化操作并添加了“relu”激活函数，只有最后一层没有批归一化操作并且激活函数为“linear”；加入了残差结构的跳跃连接，将学习到的低维特征直接并入到高维特征中一起学习。

在其中一个实施例中，心电信号细节重建阶段中，该网络经过三个Block，每一个Block都是一个残差块并加入了Attention机制，每一个Block中的第三个卷积层中的核大小设置不同，依次是1*20、1*10和1*5；

Block中的每层卷积层的核数量经过反复实验确认，即将“relu”激活函数前的卷积核数量增大，将“relu”激活函数后的卷积核数量减小；

经过三个Block的三次下采样后，将信号通过一个核大小为1*9，核数量为100的卷积核，信号维度变为100*36，接着将维度重新排列为1*3600，此时的维度即为原始心电信号的维度；

整个网络结构有两个分支，主分支为经过了三个Block的组合，左分支中输入信号只进行了两次卷积操作，最后两个分支的输出连接在一起；

该网络结构中不含有批归一化层(BN层)。

在其中一个实施例中，每一个Block都经过一个下采样，每次下采样的倍率不同，依次是1/10、1/5和1/2。

在其中一个实施例中，心电信号细节重建阶段中，网络参数设置如下：参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5。

基于同样的发明构思，本申请还提供一种计算机设备，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，所述处理器执行所述程序时实现任一项所述方法的步骤。

基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本方法无需将心电信号转换成时频域或者是其他表达函数中，直接能够学习到心电信号的降噪过程，不会产生吉布斯效应；本方法不需要获得噪声参考信号；本方法通过信号的降噪和细节重建过程，能较好地还原出原始信号的细节部分与特征信号；本方法鲁棒性强，有利于提高心电信号计算机辅助诊断系统的准确度；

附图说明

图1是本发明基于卷积自编码器的双阶段心电信号降噪方法背景技术中典型的ECG波形的示意图。

图2是本发明基于卷积自编码器的双阶段心电信号降噪方法中相关波形的对比图。

图3是本发明基于卷积自编码器的双阶段心电信号降噪方法中背景技术中FCN降噪自编码器的网络结构的示意图。

图4是本发明基于卷积自编码器的双阶段心电信号降噪方法中背景技术中FCN降噪自编码器与本发明处理心电信号的对比示意图。

图5是本发明基于卷积自编码器的双阶段心电信号降噪方法中加噪的心电信号示意图。

图6是本发明基于卷积自编码器的双阶段心电信号降噪方法中原始的心电信号示意图。

图7是本发明基于卷积自编码器的双阶段心电信号降噪方法中信号降噪网络示意图。

图8是本发明基于卷积自编码器的双阶段心电信号降噪方法中信号细节重建网络示意图。

图9是本发明基于卷积自编码器的双阶段心电信号降噪方法中效果示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

为此，我们提出了一种基于卷积自编码器的双阶段心电信号降噪方法，第一阶段为心电信号的降噪阶段，我们使用了改进的一维U-net网络结构构成一个降噪自编码器，目的是尽可能去除心电信号中的噪声；第二阶段是原始信号的细节重建阶段，我们提出了一种信号细节重建网络，将经过降噪自编码器的输出信号通过细节重建网络，进一步恢复原始信号特征波形的细节部分。

总之，本方法能够通过降噪和细节重建两个阶段，将带有噪声的心电信号进行降噪，并尽可能地重建出原始信号的细节部分，如图2所示。

图2：由上到下波形依次是：第1路波形为原始心电信号，第2路波形为带噪声的心电信号，第3路波形为通过我们的方法得到的降噪的心电信号。

图4为FCN降噪自编码器与我们提出方法的心电信号降噪对比图，可看出我们提出的方法能够很好地恢复出原始信号。

图4：图片由上到下依次是：第一幅图片为原始心电信号图；第二幅图片为加了噪声的心电信号图；第三幅图片为采用FCN降噪自编码器降噪的心电信号与原始信号的对比图；第四幅图片为我们提出的方法降噪的心电信号与原始信号的对比图。

本发明提出的一种基于卷积自编码器的双阶段心电信号降噪方法，在心电信号的降噪上取得了不俗的效果，完整的技术方案如下：

S1.数据准备

1.本发明准备的心电信号数据采样率为360HZ，心电信号的输入长度固定为统一长度(时间长度为10秒，3600个点)，并给心电信号增加不同程度的电极干扰噪声、肌电干扰噪声以及基线漂移噪声，如图5所示。

2.给每一组数据准备了其对应的标签输出，输出即为干净的心电信号，如图6。

3.输入的加噪心电信号不需要任何预处理操作。

S2.网络训练

(1)心电信号降噪阶段

1.将加噪的心电信号以及对应的一维标签输入到网络中进行训练，训练方法为adam算法，参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5；

2.损失函数为均方误差损失函数。

网络结构关键部分如下：

1、每次下采样与上采样使用不同大小的采样倍率。本发明用了三次下采样，三次上采样，每次下采样的倍率依次是1/10、1/5和1/2，每次上采样的倍率依次是2、5和10。

2、加入了上下文比对机制。上下文比对机制加入位置如网络结构图，首先将输入数据进行两次核大小为5*1的卷积，其输出记为conv1；接着将输入数据进行两次核大小为5*1、膨胀率为10的空洞卷积，其输出记为conv2；将conv1与conv2相减得到第三个输出conv3，最后将conv1、conv2和conv3按通道连接作为最终的输出。该机制能在高噪声下检测出不明显的特征波形。

3、每一次卷积层后面都有批归一化操作并添加了“relu”激活函数，只有最后一层没有批归一化操作并且激活函数为“linear”；

4、加入了残差结构的跳跃连接，将学习到的低维特征直接并入到高维特征中一起学习，加快了收敛速度、缓解了梯度消失的问题并增强了降噪效果；

(2)心电信号细节重建阶段

1.将经过第一阶段网络的降噪后的信号输入到网络中进行训练，训练方法为adam算法，参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5；

2.损失函数为均方误差损失函数。

网络结构关键部分如下：

1.该网络经过三个Block，每一个Block都是一个残差块并加入了Attention机制[1]，每一个Block中的第三个卷积层中的核大小设置不同，依次是1*20、1*10和1*5；

2.每一个Block都经过一个下采样，每次下采样的倍率不同，依次是1/10、1/5和1/2；

3.Block中的每层卷积层的核数量经过反复实验确认，即将“relu”激活函数前的卷积核数量增大，将“relu”激活函数后的卷积核数量减小；

4.经过三个Block的三次下采样后，将信号通过一个核大小为1*9，核数量为100的卷积核，信号维度变为100*36，接着将维度重新排列为1*3600，此时的维度即为原始心电信号的维度；

5.整个网络结构有两个分支，主分支为经过了三个Block的组合，左分支中输入信号只进行了两次卷积操作，最后两个分支的输出连接在一起；

6.该网络结构中不含有批归一化层(BN层)。

[1]Wang,L.,Cao,Z.,De Melo,G.&Liu,Z.Relation Classification via Multi-Level Attention CNNs.Acl 1298–1307(2016).

下面介绍本发明的一个具体应用场景：

假设待输入的心电信号为sig，以下为具体操作流程：

S1.准备训练集；

1.准备训练用的数据(N*1*3600)即加了不同程度的噪声(电极干扰、肌电干扰以及基线漂移)的心电信号与对应的标签数据(N*1*3600),形成训练集，其中N为训练数据的样本个数；

2.输入第一阶段的降噪网络模型中进行训练,训练方法为adam算法[1]，adam参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08，损失函数为均方误差损失函数。训练完成后保存第一阶段的网络模型

3.将经过第一阶段网络的降噪后的信号输入到第二阶段的细节重建网络中进行训练，训练方法为adam算法，adam参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08，损失函数为均方误差损失函数。训练完成后将第二阶段的模型保存。

S2.准备待测试心电信号；

1.将待测的心电信号sig重采样至360hz，

2.按长度3600个数据点(10秒)分段截取sig[1]，sig[2],...,sig[i]，若长度达不到3600则在数据末尾填0至3600，需要保持输入长度为3600个点。

S3.输入待测试心电信号；

1.将sig[1]，sig[2],...,sig[i]输入第一阶段的降噪网络模型中，得到输出out1[1]，out1[2],...,out1[i],out1[i]长度与sig[i]长度相同，即为3600个数据点(10秒)；每个out1[i]的大小为1*3600，3600为信号的长度。此时为第一阶段的降噪过程。

2.将第一阶段的输出out1[1]，out1[2],...,out1[i]输入到第二阶段的细节重建模型中，得到输出out2[1]，out2[2],...,out2[i]，out2[i]长度为3600个数据点(10秒)，每个out2[i]的大小为1*3600。此时为第二阶段的细节重建过程，总体的效果如图9。

图9：由上到下图片依次是：第一幅图片为原始心电信号图；第二幅图片为加了噪声的心电信号图；第三幅图片为经过第一阶段降噪过程的心电信号和原始心电信号对比图；第四幅图片为经过第二阶段细节重建过程的心电信号和原始心电信号对比图。从最后两幅图的方框区域可以看出，经过细节重建后的心电信号更加贴合于原始的心电信号。

本发明的关键点如下：

1.设计的改进的一维U-net，模型结构如图7所示，用于第一阶段心电信号的降噪。

2.设计的信号细节重建网络DR-net，模型结构如图8所示，用于第二阶段心电信号细节的恢复。

3.双阶段方法，将方法解构为第一阶段的降噪与第二阶段的细节重建。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims

1.一种基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，包括：

心电信号降噪阶段：将加噪的心电信号以及对应的一维标签输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数；

所述心电信号降噪阶段中，该网络：每次下采样与上采样使用不同大小的采样倍率，每次下采样的倍率依次是1/10、1/5和1/2，每次上采样的倍率依次是2、5和10；

加入了上下文比对机制；首先将输入数据进行两次核大小为5*1的卷积，其输出记为conv1；接着将输入数据进行两次核大小为5*1、膨胀率为10的空洞卷积，其输出记为conv2；将conv1与conv2相减得到第三个输出conv3，最后将conv1、conv2和conv3按通道连接作为最终的输出；加入了残差结构的跳跃连接，将学习到的低维特征直接并入到高维特征中一起学习；

心电信号细节重建阶段：将经过第一阶段网络的降噪后的信号输入到神经网络中进行训练，训练方法为adam算法，损失函数为均方误差损失函数；

所述心电信号细节重建阶段中，该网络经过三个Block，每一个Block都是一个残差块并加入了Attention机制，每一个Block中的第三个卷积层中的核大小设置不同，依次是1*20、1*10和1*5；

整个网络结构有两个分支，主分支为经过了三个Block的组合，左分支中输入信号只进行了两次卷积操作，最后两个分支的输出连接在一起。

2.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，所述噪声包括：电极干扰噪声、肌电干扰噪声以及基线漂移噪声。

3.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，心电信号降噪阶段中，网络参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5。

4.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，心电信号降噪阶段中，该网络：每一次卷积层后面都有批归一化操作并添加了“relu”激活函数，只有最后一层没有批归一化操作并且激活函数为“linear”。

5.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，心电信号细节重建阶段中，该网络：

该网络结构中不含有批归一化层(BN层)。

6.如权利要求5所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，每一个Block都经过一个下采样，每次下采样的倍率不同，依次是1/10、1/5和1/2。

7.如权利要求1所述的基于卷积自编码器的双阶段心电信号降噪方法，其特征在于，心电信号细节重建阶段中，网络参数设置如下：参数设置如下：学习率lr＝0.001,beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5。

8.一种计算机设备，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权利要求1到7任一项所述方法的步骤。

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到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。