信号处理方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种信号处理方法、装置、计算机设备和存储介质。

背景技术

ECG是一种心脏电信号，经常用于对各种心律失常、心室心房肥大、心肌梗死、心肌缺血等病症检查。传统12导联ECG通常用于重病监控室，病人几乎没有运动，因此信号可平稳采集。现阶段流行的Holter(动态心电图)式心电图采集装置通常不限制病人活动，可长程监控病人心电图。

现今，这些监控通常作为一种筛查方案，从已经记录的信号中识别记录时段信号是否为疾病信号。然而，有些心脏推断事件的检测不止需要ECG信号，需要更多信号如呼吸，血氧等作为辅助。但发生心律失常心肌梗死等症状作为突发的临时性事件时，现有的心电图采集装置只能根据已经发生的症状进行检查，无法在症状发生之前进行提前预警。

发明内容

为了解决上述技术问题，本申请提供了一种信号处理方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种信号处理方法，包括：

获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；

将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

可选地，所述将所述第一综合信号输入至预警模型中，得到第一预警信息之后，所述方法还包括：

将所述第一综合信号输入至检测模型中，得到第一检测结果，所述第一检测结果包括所述第一时刻对应的异常状态以及异常类型。

可选地，所述第二时刻与所述第一时刻的时间差为预设间隔，所述将所述第一综合信号输入至检测模型中，得到所述第一时刻对应的检测结果之后，所述方法还包括：

获取所述第二时刻对应的第二综合信号；

将所述第二综合信号输入至所述检测模型中，得到第二检测结果；

根据所述第二检测结果校正所述预警模型。

可选地，所述根据所述第二检测结果校正所述预警模型，包括：

当所述第二检测结果与所述第一预警信息不匹配时，根据所述第二检测结果修正所述预警模型，得到修正后的预警模型，所述修正后的预警模型用于对第三时刻对应的综合信号进行预警分析。

可选地，所述将所述第一综合信号输入至预警模型中，得到第一预警信息之后，所述方法还包括：

当所述第一预警信息中当前推断事件对应的发生概率大于对应事件的预设阈值时，根据所述第一综合信号生成预警报告，并发出预警信号。

可选地，所述获取第一时刻对应的第一综合信号之前，所述方法还包括：

在预设时长内，获取样本综合信号，所述样本综合信号包括多个检测信号；

根据异常检测算法对各个所述检测信号进行标记，得到各个检测信号对应的异常标记；

根据各个所述检测信号对应的异常标记，对各个所述检测信号进行切分，得到对应的预警信号切片；

根据各个检测信号对应的预警信号切片和异常标签进行深度学习，建立所述预警模型。

可选地，所述根据各个所述检测信号对应的异常时刻，对各个所述检测信号进行切分，得到对应的预警信号切片，包括：

对各个所述检测信号进行切分，得到多个片段信号，所述片段信号携带对应的起始时刻和结束时刻；

在各个所述检测信号对应的异常时刻之前，选择与所述异常时刻相距预设间隔的结束时刻对应的片段信号作为所述预警信号切片。

第二方面，本申请提供了一种信号处理装置，包括：

第一信号获取模块，用于获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；

预警模块，用于将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻大于所述第一时刻。

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计算机程序时实现以下步骤：

获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；

将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；

将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

上述信号处理方法、装置、计算机设备和存储介质，所述方法包括：获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。基于上述方法，根据实时采集的综合信号预判当前时刻之后发生的推断事件以及推断事件发生的概率，从而对于患者的病情进行提前预警采取对应的救济措施，避免用户发生突发事件无法及时采取相应措施。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中一种信号处理方法的应用环境图；

图2为一个实施例中一种信号处理方法的流程示意图；

图3为一个实施例中一种信号处理原理示意图；

图4为一个实施例中一种信号处理装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为一个实施例中信号处理方法的应用环境图。参照图1，该信号处理方法应用于信号处理系统。该信号处理系统包括信号采集终端110和服务器120。信号采集终端110和服务器120通过网络连接。信号采集终端110包括ECG传感器、高精度陀螺仪传感器、声音传感器、光电传感器、血压传感器或其他生物传感器等中至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，图2为一个实施例中一种信号处理方法的流程示意图，参照图2，提供了一种信号处理方法。本实施例主要以该方法应用于上述图1中的信号采集终端110(或服务器120)来举例说明，该信号处理方法具体包括如下步骤：

步骤S210，获取第一时刻对应的第一综合信号。

具体地，获取多个生物传感器在第一时刻采集到的第一综合信号，综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号等生理参数。

步骤S220，将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

具体地，预警模型为提前训练好的神经网络模型，第一预警信息为预警模型根据第一综合信号得出的推断结果，第一预警信息包括至少一个推断事件以及各个推断事件对应的发生概率，根据预警模型估算各个信号对应事件发生的概率，从而综合预判第一时刻之后的第二时刻将会发生的推断事件以及推断事件的发生概率，推断事件为根据综合信号推断将会发生的异常事件，根据推断事件即可在患者发生症状之前提取采取相应的救助措施，避免当用户发生突发事件时需要根据症状确定病情，再根据病情采取相应的措施浪费大量的救助时间。

在一个实施例中，将所述第一综合信号输入至检测模型中，得到第一检测结果，所述第一检测结果包括所述第一时刻对应的异常状态以及异常类型。

具体地，将第一综合信号同时输入至检测模型和预警模型中，预警模型用于检测第二时刻对应的推断事件和推断事件发生的概率，即根据预警模型用于检测后续异常事件发生的可能性，根据推断事件进行提前预警。而检测模型用于检测第一时刻下第一综合信号对应的异常状态和异常类型，第一检测结果为根据第一时刻的第一综合信号得出的诊断结果，即检测模型用于检测当下时刻是否发生异常事件，异常状态包括正常和异常，异常类型为根据第一综合信号得出的疾病类型。

在一个实施例中，所述第二时刻与所述第一时刻的时间差为预设间隔，所述将所述第一综合信号输入至检测模型中，得到所述第一时刻对应的检测结果之后，获取所述第二时刻对应的第二综合信号；将所述第二综合信号输入至所述检测模型中，得到第二检测结果；根据所述第二检测结果校正所述预警模型。

具体地，根据第一综合信号得到推断事件以及推断事件的发生概率，在第二时刻获取第二时刻对应的第二综合信号，根据检测模型即可检测第二综合信号对应的第二检测结果，即在第一时刻之后得到的诊断结果，第二时刻对应的诊断结果可用于检测第一时刻根据预警模型得出的推断事件以及推断事件的发生概率的准确性，若第二时刻对应的第二检测结果与第一时刻对应的推断事件相匹配，则验证第一时刻预警模型输出的推断结果准确。

在一个实施例中，当所述第二检测结果与所述第一预警信息不匹配时，根据所述第二检测结果修正所述预警模型，得到修正后的预警模型，所述修正后的预警模型用于对第三时刻对应的综合信号进行预警分析。

具体地，第二时刻对应的第二检测结果与第一时刻对应的推断事件不匹配，则根据第二时刻对应的第二检测结果对预警模型进行校正，得到校正后的预警模型，根据校正后的预警模型对后续采集的综合信号进行异常事件的预判，以此类推，根据当前时刻检测模型输出的检测结果对上一时刻预警模型输出的推断结果进行校正，对预警模型进行迭代更新，从而提高了预警模型输出结果的准确度。

在一个实施例中，所述将所述第一综合信号输入至预警模型中，得到第一预警信息之后，当所述第一预警信息中当前推断事件对应的发生概率大于对应事件的预设阈值时，根据所述第一综合信号生成预警报告，并发出预警信号。

具体地，当前推断事件为第一时刻对应的第一预警信息中任意一个推断事件，每个推断事件都有对应的预设阈值，预设阈值为概率值，若当前推断事件对应的发生概率大于该事件对应的预设阈值，表示当前推断事件发生的可能性较高，则根据第一综合信号生成预警报告，预警报告用于上传服务器后台或发送至患者的监管医护人员、监护人所持有的移动终端，及时告知相关人员患者即将发生症状的相关信息，同时发出预警信号及时告知身边人员或持有远程监控终端的监护人员采取相应的救助措施，避免患者等到出现症状后来不及救助。

在一个实施例中，所述获取第一时刻对应的第一综合信号之前，在预设时长内，获取样本综合信号，所述样本综合信号包括多个检测信号；根据异常检测算法对各个所述检测信号进行标记，得到各个检测信号对应的异常标记；根据各个所述检测信号对应的异常标记，对各个所述检测信号进行切分，得到对应的预警信号切片；根据各个检测信号对应的预警信号切片和异常标签进行深度学习，建立所述预警模型。

具体地，样本综合信号为预设时长内持续采集的信号，样本综合信号包括多个检测信号，每个检测信号的信号长度对应预设时长，检测信号具体可以为陀螺仪信号、声音信号、血压信号、光电信号和信号等生理参数，根据异常检测算法检测各个检测信号中是否存在异常，并对各个检测信号中发生异常的片段上进行标记，得到各个检测信号对应的异常标记，根据各个检测信号上的异常标记对各个检测信号进行切分，将每个检测信号切分为多个片段信号，每个片段信号携带对应的时间信息，每个片段信号距离异常标记的时间长度不同，从多个片段信号中选择任意一个片段信号作为预警信号切片，选择不同的片段信号与异常标签进行训练得到的预警模型也不同。

参照图3，连续记录的综合多模态信号为综合信号中任意一个检测信号，多该检测信号进行切分，其中，预警用信号切片χ

在一个实施例中，对各个所述检测信号进行切分，得到多个片段信号，所述片段信号携带对应的起始时刻和结束时刻；在各个所述检测信号对应的异常时刻之前，选择与所述异常时刻相距预设间隔的结束时刻对应的片段信号作为所述预警信号切片。

具体地，每个片段信号携带对应的时间信息，时间信息包括该片段信号的起始时刻和结束时刻，在各个检测信号中的异常标记也携带对应的异常时刻，异常时刻为异常发生的起始时刻，预设间隔为在异常时刻之前与异常时刻相距的时间间隔，预设间隔越大表示预警信号切片与异常标记的片段信号越远，但距离异常标记越近的预警信号切片对应的信号预测异常事件的能力越强，即预判异常事件的准确性越高，预设间隔可根据实际情况进行自定义。

图2为一个实施例中信号处理方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种信号处理装置，包括：

第一信号获取模块310，用于获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；

预警模块320，用于将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻大于所述第一时刻。

在一个实施例中，所述装置还包括：

第一信号检测模块，用于将所述第一综合信号输入至检测模型中，得到第一检测结果，所述第一检测结果包括所述第一时刻对应的异常状态以及异常类型。

在一个实施例中，所述装置还包括：

第二信号获取模块，用于获取所述第二时刻对应的第二综合信号；

第二信号检测模块，用于将所述第二综合信号输入至所述检测模型中，得到第二检测结果；

校正模块，用于根据所述第二检测结果校正所述预警模型。

在一个实施例中，所述校正模块包括：

校正单元，用于当所述第二检测结果与所述第一预警信息不匹配时，根据所述第二检测结果修正所述预警模型，得到修正后的预警模型，所述修正后的预警模型用于对第三时刻对应的综合信号进行预警分析。

在一个实施例中，所述装置还包括：

预警报告模块，用于当所述第一预警信息中当前推断事件对应的发生概率大于对应事件的预设阈值时，根据所述第一综合信号生成预警报告，并发出预警信号。

在一个实施例中，所述装置还包括：

样本获取模块，用于在预设时长内，获取样本综合信号，所述样本综合信号包括多个检测信号；

异常标记模块，用于根据异常检测算法对各个所述检测信号进行标记，得到各个检测信号对应的异常标记；

信号切分模块，用于根据各个所述检测信号对应的异常标记，对各个所述检测信号进行切分，得到对应的预警信号切片；

模型训练模块，用于根据各个检测信号对应的预警信号切片和异常标签进行深度学习，建立所述预警模型。

在一个实施例中，所述信号切分模块包括：

信号切分单元，用于对各个所述检测信号进行切分，得到多个片段信号，所述片段信号携带对应的起始时刻和结束时刻；

片段选择单元，用于在各个所述检测信号对应的异常时刻之前，选择与所述异常时刻相距预设间隔的结束时刻对应的片段信号作为所述预警信号切片。

图5示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的信号采集终端110(或服务器120)。如图5所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现信号处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行信号处理方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的信号处理装置可以实现为一种计算机程序的形式，计算机程序可在如图5所示的计算机设备上运行。计算机设备的存储器中可存储组成该信号处理装置的各个程序模块，比如，图4所示的第一信号获取模块310和预警模块320。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的信号处理方法中的步骤。

图5所示的计算机设备可以通过如图4所示的信号处理装置中的第一信号获取模块310执行获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号。计算机设备可通过预警模块320执行将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻大于所述第一时刻。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述第一综合信号输入至检测模型中，得到第一检测结果，所述第一检测结果包括所述第一时刻对应的异常状态以及异常类型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述第二时刻对应的第二综合信号；将所述第二综合信号输入至所述检测模型中，得到第二检测结果；根据所述第二检测结果校正所述预警模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述第二检测结果与所述第一预警信息不匹配时，根据所述第二检测结果修正所述预警模型，得到修正后的预警模型，所述修正后的预警模型用于对第三时刻对应的综合信号进行预警分析。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：当所述第一预警信息中当前推断事件对应的发生概率大于对应事件的预设阈值时，根据所述第一综合信号生成预警报告，并发出预警信号。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：在预设时长内，获取样本综合信号，所述样本综合信号包括多个检测信号；根据异常检测算法对各个所述检测信号进行标记，得到各个检测信号对应的异常标记；根据各个所述检测信号对应的异常标记，对各个所述检测信号进行切分，得到对应的预警信号切片；据各个检测信号对应的预警信号切片和异常标签进行深度学习，建立所述预警模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对各个所述检测信号进行切分，得到多个片段信号，所述片段信号携带对应的起始时刻和结束时刻；在各个所述检测信号对应的异常时刻之前，选择与所述异常时刻相距预设间隔的结束时刻对应的片段信号作为所述预警信号切片。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取第一时刻对应的第一综合信号，所述第一综合信号包括陀螺仪信号、声音信号、血压信号、光电信号和信号；将所述第一综合信号输入至预警模型中，得到第一预警信息，所述第一预警信息包括第二时刻对应的推断事件以及所述推断事件对应的发生概率，所述第二时刻在所述第一时刻之后。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述第一综合信号输入至检测模型中，得到第一检测结果，所述第一检测结果包括所述第一时刻对应的异常状态以及异常类型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述第二时刻对应的第二综合信号；将所述第二综合信号输入至所述检测模型中，得到第二检测结果；根据所述第二检测结果校正所述预警模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当所述第二检测结果与所述第一预警信息不匹配时，根据所述第二检测结果修正所述预警模型，得到修正后的预警模型，所述修正后的预警模型用于对第三时刻对应的综合信号进行预警分析。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：当所述第一预警信息中当前推断事件对应的发生概率大于对应事件的预设阈值时，根据所述第一综合信号生成预警报告，并发出预警信号。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在预设时长内，获取样本综合信号，所述样本综合信号包括多个检测信号；根据异常检测算法对各个所述检测信号进行标记，得到各个检测信号对应的异常标记；根据各个所述检测信号对应的异常标记，对各个所述检测信号进行切分，得到对应的预警信号切片；根据各个检测信号对应的预警信号切片和异常标签进行深度学习，建立所述预警模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对各个所述检测信号进行切分，得到多个片段信号，所述片段信号携带对应的起始时刻和结束时刻；在各个所述检测信号对应的异常时刻之前，选择与所述异常时刻相距预设间隔的结束时刻对应的片段信号作为所述预警信号切片。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

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。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。