基于清醒静息态脑电识别失眠障碍症的电子设备

摘要

本发明公开了一种基于清醒静息态脑电识别失眠障碍症的电子设备，包括存储器、处理器以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计算机程序时用于实现：根据被试者的清醒静息态EEG数据，构建该被试者的脑网络；将构建的脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症；其中，所述神经网络模型是以多个正常人以及失眠障碍症患者的清醒静息态EEG数据所构建的脑网络作为训练样本预先训练得到的。应用本发明可以辅助于对失眠障碍症做精准识别。

说明书

技术领域

本发明涉及计算机技术领域，特别是指一种基于清醒静息态脑电识别失眠障碍症的电子设备。

背景技术

失眠障碍是一种睡眠障碍性疾病，临床诊断主要基于病人主诉、量表测评与多导睡眠图(Polysomnogram,PSG)监测。其中病人主诉和量表测评可能受病人主观因素的影响，隐瞒、否认、虚报相关信息，导致指标缺乏真实性，从而出现误诊的情况；PSG监测无创采集脑电EEG等生理信号，时间分辨率高，能够客观真实地反映大脑内部的神经活动。

按照美国睡眠医学会(AASM)判读手册，判读PSG数据进行睡眠分期，可以得到睡眠连续性(总睡眠时长、睡眠效率、睡眠潜伏期时长、睡眠后清醒时长等)和睡眠结构(不同睡眠状态的持续时长和百分数占比)等参数，失眠障碍诊断过程中，这些参数是重要的客观依据。

PSG采集被试者一整夜的睡眠脑电等生理信号，然后医生通过判读得到其睡眠结构等参数，以此进行失眠障碍诊断，相对客观。然而由于PSG需要对被试者进行一整夜的睡眠监测，不仅采集过程耗时，而且被试者容易由于不适应睡眠环境产生“首夜效应”，使采集的数据无法反映其真实情况。

因此，现有的基于PSG的失眠障碍诊断过程中，PSG的采集工作比较耗时，并且在数据判读时，对医生专业性要求比较高，对不同水平的医生，他们判读PSG的结果可能不一致，这将直接影响失眠障碍症的诊断准确率。

发明内容

有鉴于此，本发明的目的在于提出一种基于清醒静息态脑电识别失眠障碍症的电子设备，可以辅助于对失眠障碍症做更快捷、精准的诊断。

基于上述目的，本发明提供一种基于清醒静息态脑电识别失眠障碍症的电子设备，包括存储器、处理器以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计算机程序时用于实现：

根据被试者的清醒静息态EEG数据，构建该被试者的脑网络；

将构建的脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症；

其中，所述神经网络模型是以多个正常人以及失眠障碍症患者的清醒静息态EEG数据所构建的脑区网络作为训练样本预先训练得到的。

其中，所述被试者的清醒静息态EEG数据是在所述被试者处于清醒静息状态时，通过多个脑电电极按设定采样间隔采集的脑电信号数据，其中，包括N个采样样本；以及

所述处理器执行所述计算机程序实现所述根据被试者的清醒静息态EEG数据，构建该被试者的脑网络时，具体为：

根据N个采样样本，分别构建N个脑网络。

较佳地，所述处理器执行所述计算机程序实现所述根据N个采样样本，分别构建N个脑网络时，具体包括：

对于一个采样样本，将各脑电电极作为对应该采样样本所构建的脑网络中的各节点；

对于每个脑电电极，将该脑电电极在该采样样本中采集的脑电信号的功率谱密度，作为所述脑网络中对应于该脑电电极的节点的特征向量；

根据节点的特征向量计算节点间的相似性后，构建所述脑网络中具有相似性的节点之间的边连接。

较佳地，所述处理器执行所述计算机程序实现所述将构建的脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症时，具体为：

将构建的N个脑网络依次输入所述神经网络模型，通过所述神经网络模型识别所述被试者是否为失眠障碍症。

可选的，所述神经网络模型具体包括：

图卷积神经网络模块，用于对当前输入的脑网络进行多次卷积操作，提取所述脑网络的整体结构和所有节点的特征信息后，得到并输出网络拓扑变化的脑网络；

双向长短期记忆网络模块，用于对所述图卷积神经网络模块输出的一系列网络拓扑变化的脑网络提取双向时序特征；

归一化模块，用于根据所述双向长短期记忆网络模块提取的双向时序特征，输出所述被试者是否为失眠障碍症的识别结果。

可选的，所述图卷积神经网络模块中具体包括：n-1层图卷积层；以及所述图卷积神经网络模块的输入具体为脑网络的节点特征矩阵；

其中，第l层图卷积层以所述脑网络的邻接矩阵和度矩阵作为卷积核，对输入的节点特征矩阵H

可选的，n等于脑电电极的个数。

可选的，所述处理器执行所述计算机程序时还用于实现：对所述神经网络模型进行训练：

以采集的多个正常人的清醒静息态EEG数据，分别构建多个训练样本，并标记这些训练样本的标签为正常人；在一个标签为正常人的训练样本中，包括根据采集的该正常人的N个采样样本所构建的N个脑网络；

以采集的多个失眠障碍症患者的清醒静息态EEG数据，分别构建多个训练样本，并标记这些训练样本的标签为失眠障碍症患者；在一个标签为失眠障碍症患者的训练样本中，包括根据采集的该失眠障碍症患者的N个采样样本所构建的N个脑网络；

根据所述训练样本对所述神经网络模型进行多次迭代训练；其中，在一次迭代训练过程中，将一个训练样本中，根据采集的N个采样样本所构建的N个脑网络，按照对应的采样样本的采样顺序，依次输入所述神经网络模型，通过所述神经网络模型识别所述被试者是否为失眠障碍症；

计算该训练样本的识别结果与该训练样本的标签之间的差异；根据计算的差异，调整所述神经网络模型的参数。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行上述的电子设备的操作。

本发明的技术方案中，根据被试者的清醒静息态EEG数据，构建该被试者的脑网络；将构建的脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症；其中，所述神经网络模型是以多个正常人以及失眠障碍症患者的清醒静息态EEG数据所构建的脑网络作为训练样本预先训练得到的。一方面，用清醒静息态EEG作为数据集相比于现有方法，能够在白天短时采集EEG数据，使得数据采集工作更为便捷，且不必在夜间影响被试者的睡眠，避免病人容易因为不适应睡眠环境导致的采集数据失真、影响诊断准确性；另一方面，对清醒静息态EEG使用神经网络模型自动检测被试者是否患有失眠障碍，有效缩短检测过程；因此，本发明技术方案可以改善被试者的就诊体验，帮助医生提高失眠障碍诊断效率和准确性。

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的采集EEG数据的脑电电极位置示意图；

图2为本发明实施例提供的一种基于清醒静息态脑电识别失眠障碍症的方法流程图；

图3为本发明实施例提供的一种构建脑网络的方法流程图；

图4为本发明实施例提供的一种神经网络模型的内部结构示意图；

图5为本发明实施例提供的一种神经网络模型的训练方法流程图；

图6为本发明实施例提供的电子设备硬件结构示意图。

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，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本发明的发明人发现，已有医学文献表明，当失眠障碍患者处于清醒静息态时，其EEG(Electroencephalogram,脑电)各频段功率与睡眠阶段的非快速眼动期(NREM)期存在明显的正相关关系，可以推断EEG的活动模式在清醒阶段和NREM期相类似。NREM期间β脑电图功率增加或睡眠期间皮质醇增加的个体更有可能在清醒脑电图期间β功率也增加，支持了过度觉醒可能在清醒期也很明显的假说。目前最为广泛接受的失眠病理机制是：失眠障碍患者有过度觉醒障碍，无论白天或夜间，都能通过技术手段检查到这种横跨24小时的个体高觉醒状态，无论患者是否睡眠，其EEG均有高频活动升高和低频活动降低的特点。

因此，本发明的发明人考虑到，或许可以利用清醒静息态EEG的功率谱指标，评估失眠障碍患者的大脑过度觉醒，即实现对就诊者的失眠障碍症进行识别；这样，基于清醒静息态脑电信号检测失眠障碍，可以更加方便快捷，可提高失眠障碍诊断的效率。

而神经网络(NeuralNetworks,NNs)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

因此，本发明技术方案，通过训练后的神经网络模型来处理由清醒静息态EEG数据构建的脑网络，从而既可以使得数据采集工作更为便捷，且不必在夜间影响被试者的睡眠，避免病人容易因为不适应睡眠环境导致的采集数据失真、影响诊断准确性；同时还可自动检测被试者是否患有失眠障碍，有效缩短检测过程；也就是说，应用本发明技术方案既可以改善被试者的就诊体验，还可以帮助医生提高失眠障碍诊断效率和准确性。

下面结合附图详细说明本发明实施例的技术方案。

在对被试者进行清醒静息态EEG数据采集的过程中，被试者处于清醒静息状态。操作人员采用常见的生理数据采集设备，遵循10-20国际标准导联系统，在被试者头部放置n个脑电电极，例如放置6个脑电电极：额区(F3、F4)、中央区(C3、C4)、枕区(O1、O2)，位置如图1所示，脑电电极以灰色圆点所示。数据采集在白天进行，时长半小时及以上即可。

在清醒静息态EEG数据采集的过程中，可以按设定采样间隔通过脑电电极进行脑电信号的多次采样，得到N个采样样本；每个采样样本中包括n个脑电电极所采集的设定采样间隔内的脑电信号的功率谱密度。N个采样样本构成该被试者的采样样本集合。其中，N为自然数；n为大于2的自然数，表示脑电电极的个数。

也就是说，被试者的清醒静息态EEG数据是在所述被试者处于清醒静息状态时，通过多个脑电电极按设定采样间隔采集的脑电信号数据，其中，包括N个采样样本；

例如，设定采样间隔为30s，采样时长半小时，则可以采集到60个采样样本，每个采样样本中包括n个脑电电极所采集的30s内的脑电信号的功率谱密度。

基于神经网络模型，本发明实施例提供的一种基于清醒静息态脑电识别失眠障碍症的方法，流程如图2所示，包括如下步骤：

步骤S201：获取被试者的清醒静息态EEG数据，构建该被试者的脑网络。

本步骤中，在获取通过生理数据采集设备采集的被试者的清醒静息态EEG数据后，可以对获取的数据进行如下预处理：

采用频率下限0.5Hz、频率上限30Hz的四阶巴特沃斯带通滤波器对采集的EEG数据进行滤波，去除噪声和其他无用的信号成分。

进而，根据采集的被试者的清醒静息态EEG数据，构建该被试者的脑网络：

针对每个采集到的采样样本，分别构建一个脑网络；也就是说，对应于N个采样样本，分别构建N个脑网络；其中，构建一个采样样本所对应的脑网络的具体方法，流程如图3所示，包括如下子步骤：

子步骤S301：对于一个采样样本，将各脑电电极作为对应于该采样样本所构建的脑网络中的各节点；

子步骤S302：对于每个脑电电极，将该脑电电极在该采样样本中采集的脑电信号的功率谱密度，作为所述脑网络中对应于该脑电电极的节点的特征向量；

子步骤S303：根据节点的特征向量计算节点间的相似性，构建所述脑网络中具有相似性的节点之间的边连接；

计算每两个节点的特征向量之间的欧氏距离；若两个节点的特征向量之间的欧氏距离小于设定的门限值，则判断这两个节点具有相似性，从而构建所述脑网络中这两个节点之间的边连接；否则，这两个节点之间没有边连接。

从而得到对应于该采样样本的无向图的脑网络G＝(V,E)；其中，V为节点集，代表脑电电极；E为边的集合，表示节点之间的连接。

基于构建的脑网络，可以得到脑网络的节点特征矩阵、邻接矩阵和度矩阵；

其中，所述脑网络的节点特征矩阵是由所述脑网络中各节点的特征向量组成；邻接矩阵和度矩阵是根据脑网络的节点之间的连接关系得到的；具体地，邻居矩阵A是n×n的方阵，第i行第j列元素a

度矩阵D是n×n的对角阵，其对角上各元素分别为各节点的度，即各节点的边的数量。

上述的门限值可以是本领域技术人员根据经验设定，也可以是自动计算得到的自适应门限值；计算自适应门限值的方法如下：

对于被试者的采样样本集合中的N个采样样本，计算节点的特征向量之间的欧氏距离的平均值；将计算得到的平均值作为自适应门限值。

也就是说，对于每个采样样本，计算该采样样本中节点的特征向量之间的欧氏距离的平均值，作为该采样样本的欧氏距离平均值；进而，将对N个采样样本的欧氏距离平均值求平均，得到自适应门限值。

步骤S202：将所述脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症。

本步骤中，将每个采样样本所对应的脑网络，即N个脑网络按对应的采样样本的先后顺序，输入到预先训练的神经网络模型；通过所述神经网络模型识别所述被试者是否为失眠障碍症。

其中，所述神经网络模型是以多个正常人以及失眠障碍症患者的清醒静息态EEG数据所构建的脑网络作为训练样本预先训练得到的。

在一个示例性的实施方式中，上述的神经网络模型是以图卷积神经网络(GraphConvolutional Network,GCN)和双向长短期记忆网络(Bi-directional Long Short-TermMemory network,BiLSTM)构造的GCN-BiLSTM(图卷积网络-双向长短期记忆网络)模型，该模型可以在空间及时间维度上提取EEG的特征，达到检测失眠障碍的目的。

如图4所示，神经网络模型中可以包括：图卷积神经网络模块401、双向长短期记忆网络模块402，以及归一化(softmax)模块403。

其中，图卷积神经网络模块401用于对当前输入的脑网络进行多次卷积操作，提取所述脑网络的整体结构和所有节点的特征信息后，得到并输出网络拓扑变化的脑网络。

具体地，图卷积神经网络模块401中可以包括n-1层图卷积层；例如，脑网络具有n＝6个顶点，一个顶点最远有5跳的邻居顶点，因此构建n-1＝5层图卷积层。其中，图卷积层的激活函数σ选择线性整流函数(Rectified Linear Unit,ReLU)。

图卷积神经网络模块401的输入具体为脑网络的节点特征矩阵。其中，第l层图卷积层以所述脑网络的邻接矩阵和度矩阵作为卷积核，对输入的节点特征矩阵H

其中，σ()表示激活函数；A、D分别表示所述脑网络的邻接矩阵和度矩阵；

输入到图卷积神经网络模块401的节点特征矩阵，为所述脑网络的初始的节点特征矩阵，亦即输入到第1层图卷积层的节点特征矩阵H

双向长短期记忆网络模块402用于对图卷积神经网络模块301输出的一系列网络拓扑变化的脑网络提取双向时序特征；具体地，双向长短期记忆网络模块402针对图卷积神经网络模块301输出的一系列节点特征矩阵(即N个节点特征矩阵)提取双向时序特征。

归一化(softmax)模块403中包括归一化(softmax)层，用于根据双向长短期记忆网络模块302提取的双向时序特征，输出所述被试者是否为失眠障碍症的识别结果。

上述的GCN-BiLSTM模型可以采用监督学习方式基于梯度下降算法进行训练。损失函数为交叉熵函数，学习率设定为0.0001，添加随机失活机制(Dropout)防止过拟合，比例p设置为0.2。为了增强模型的泛化性能，使用早停机制，若网络的损失值在连续5次迭代中持续上升，训练即停止，保持5次迭代前的模型。

本发明实施例提供的一种神经网络模型的训练方法，具体流程如图5所示，包括如下步骤：

步骤S501：生成训练样本。

具体地，以采集的多个正常人的清醒静息态EEG数据，分别构建多个训练样本，并标记这些训练样本的标签为正常人；在一个标签为正常人的训练样本中，包括根据采集的该正常人的N个采样样本所构建的N个脑网络。

以采集的多个失眠障碍症患者的清醒静息态EEG数据，分别构建多个训练样本，并标记这些训练样本的标签为失眠障碍症患者；在一个标签为失眠障碍症患者的训练样本中，包括根据采集的该失眠障碍症患者的N个采样样本所构建的N个脑网络。

步骤S502：根据所述训练样本对所述神经网络模型进行多次迭代训练；

具体地，在一次迭代训练过程中，将一个训练样本中，根据采集的N个采样样本所构建的N个脑网络，按照对应的采样样本的采样顺序，依次输入所述神经网络模型，通过所述神经网络模型识别所述被试者是否为失眠障碍症；

计算该训练样本的识别结果与该训练样本的标签之间的差异；根据计算的差异，调整所述神经网络模型的参数。

多次调整所述神经网络模型的参数，直到所述模型收敛。

图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理单元)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的一种基于清醒静息态脑电识别失眠障碍症的方法。

此外，所述处理器执行所述计算机程序时还可实现本说明书实施例所提供的一种神经网络模型的训练方法。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，可以与非线性接收机相连，从非线性接收机接收信息，实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质其上存储有计算机程序，所述计算机程序可被至少一个处理器所执行，以使所述至少一个处理器执行实现实施例中的电子设备的操作。

本实施例中，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，计算机可读存储介质可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，计算机可读存储介质也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，简称为SMC)，安全数字(Secure Digital，简称为SD)卡，闪存卡(Flash Card)等。当然，计算机可读存储介质还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，计算机可读存储介质通常用于存储安装于计算机设备的操作系统和各类应用软件，例如实施例中语音视频连线方法的程序代码等。此外，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的各类数据。

本发明的技术方案中，根据被试者的清醒静息态EEG数据，构建该被试者的脑网络；将构建的脑网络通过预先训练的神经网络模型识别所述被试者是否为失眠障碍症；其中，所述神经网络模型是以多个正常人以及失眠障碍症患者的清醒静息态EEG数据所构建的脑区网络作为训练样本预先训练得到的。一方面，用清醒静息态EEG作为数据集相比于现有方法，能够在白天短时采集EEG数据，使得数据采集工作更为便捷，且不必在夜间影响被试者的睡眠，避免病人容易因为不适应睡眠环境导致的采集数据失真、影响诊断准确性；另一方面，对清醒静息态EEG使用神经网络模型自动检测被试者是否患有失眠障碍，有效缩短检测过程；因此，本发明技术方案可以改善被试者的就诊体验，帮助医生提高失眠障碍诊断效率和准确性。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。