模型训练方法、装置、电子设备及计算机可读存储介质

技术领域

本申请涉及医疗领域，具体而言本申请实施例涉及一种模型训练方法、装置、电子设备及计算机可读存储介质。

背景技术

心脏的状态关系到人的生命安全，通过持续地监测心率，能够发现心率过慢、心率过快、窦性心律等问题，并提醒用户及时检查、保护心脏。在心脏两侧放置电极片测量ECG是医院中使用的技术方案，该方案具有测量准确性高的优点，但同时存在佩戴麻烦、测量时间长、无法在步行、跑步、篮球等体育运动中检测的问题。

为了更方便的对心率进行检测，现有技术中提出了一种名为光电容积脉搏波描记法(Photo plethysmo graphy，PPG)的心率检测方法，其原理为利用不同心率下血液流速不同导致的对绿光吸收程度的变化得到PPG信号，并使用心率检测算法模型对PPG信号进行计算，得到心率值。

使用心率检测算法模型对PPG信号进行计算之前首先需要对心率检测算法模型进行模型训练，而模型训练过程中就需要使用到已知的心率样本。然而，由于大部分人在大部分情况下的心率为正常心率，现有技术中采集到的心率值一般呈现长尾分布，即低心率、高心率的样本数量较少，中间正常值心率的样本较多，使得算法倾向于将高心率、低心率预测为中间值心率，造成心率估计偏差较大，精准度较低。

发明内容

本申请实施例的目的在于提供一种模型训练方法、装置、电子设备及计算机可读存储介质，能够提升心率检测算法模型的心率检测结果的精准度。

第一方面，本申请实施例提供一种模型训练方法，用于对心率检测算法模型进行模型训练，包括：获取训练样本集，所述训练样本集包括不同心率大小的多个训练样本；将所述多个训练样本按照心率大小范围进行划分，形成多个训练样本子集；将所述训练样本的数量大于第一预设阈值的训练样本子集作为第一目标子集，将所述训练样本的数量小于所述第一预设阈值的训练样本子集作为第二目标子集；获取所述第一目标子集中的若干所述训练样本作为第一样本；根据所述第一样本生成若干第二样本，所述第二样本的心率大小属于第二目标子集所对应的心率大小范围；将所述若干第二样本加入所述第二目标子集，得到目的样本集；使用所述目的样本集对所述心率检测算法模型进行模型训练。

在一些实施例中，所述将所述训练样本的数量小于所述第一预设阈值的训练样本子集作为第二目标子集，包括：将所述训练样本的数量小于所述第一预设阈值、且最小心率大于第一预设心率的训练样本子集作为第二目标子集。由于人体正常心率存在一个分布范围，在这一心率范围内均为正常心率，其特点近似，因此根据最小心率确定第二目标子集可以更好的标识出异常心率，进一步的提升心率检测算法模型的检测结果的精准度。

在一些实施例中，所述根据所述第一样本生成若干第二样本，包括：将多个第一样本进行拼接，形成拼接样本；对所述拼接样本进行时域压缩处理，生成所述第二样本。

在一些实施例中，所述将所述训练样本的数量小于所述第一预设阈值的训练样本子集作为第二目标子集，包括：将所述训练样本的数量小于所述第一预设阈值、且最大心率小于第二预设心率的训练样本子集作为第二目标子集。由于人体正常心率存在一个分布范围，在这一心率范围内均为正常心率，其特点近似，因此根据最大心率确定第二目标子集可以更好的标识出异常心率，进一步的提升心率检测算法模型的检测结果的精准度。

在一些实施例中，所述根据所述第一样本生成若干第二样本，包括：将所述第一样本进行分割，形成多个分割样本；对所述多个分割样本分别进行时域拉伸处理，生成多个所述第二样本。

在一些实施例中，所述使用所述目的样本集对所述心率检测算法模型进行模型训练后，所述方法还包括：使用所述心率检测算法模型进行多次心率检测，得到多个心率检测结果；获取所述多个心率检测结果中异常心率检测结果的第一数量占比，所述异常心率检测结果为心率小于所述第二预设心率或心率大于所述第一预设心率的心率检测结果；判断所述第一数量占比是否属于第一预设范围，若所述第一数量占比超出所述第一预设范围，根据所述第一数量占比调节所述第一样本的数量，并重新对所述心率检测算法模型进行模型训练。使用训练后的心率测试算法模型进行心率检测，通过心率检测结果中异常心率检测结果的数量占比判断心率测试算法模型是否训练完成，若心率检测结果中异常心率检测结果的数量占比超出了预设范围，则说明心率测试算法模型尚未训练完成，调整第一样本的数量并重新进行模型训练，从而实现对心率测试算法模型的反馈调节，进一步的提升心率测试算法模型训练完成后的心理测试结果的准确度。

在一些实施例中，所述将所述第二样本加入所述训练样本集前，所述方法还包括：将所述若干第一样本从所述训练样本集中去除。将作为基础生成第二样本的第一样本从训练样本集中去除，避免两个样本波形相似而仅心率不同对心率测试算法模型的模型训练过程造成影响，进一步的提升心理测试算法模型的心率测试准确度。

在一些实施例中，所述获取所述第一目标子集中的若干所述训练样本作为第一样本，包括：计算多个所述第一目标子集的训练样本的数量平均值；从所述训练样本的数量大于所述数量平均值的所述第一目标子集中获取所述第一样本。仅从训练样本数量大于数量平均值的第一目标子集中获取第一样本，可以平均各个第一目标子集中的训练样本数量，使得目标样本集中的训练样本的心率分布更加均匀，进一步的提升模型训练效果。

第二方面，本发明实施例提供了一种模型训练装置，用于对心率检测算法模型进行模型训练，包括：样本获取模块，所述样本获取模块用于获取训练样本集，所述训练样本集包括不同心率大小的多个训练样本；样本划分模块，所述样本划分模块用于将所述多个训练样本按照心率大小范围进行划分，形成多个训练样本子集；样本调整模块，所述样本调整模块用于将所述训练样本的数量大于第一预设阈值的训练样本子集作为第一目标子集，将所述训练样本的数量小于所述第一预设阈值的训练样本子集作为第二目标子集，获取所述第一目标子集中的若干所述训练样本作为第一样本，根据所述第一样本生成若干第二样本，所述第二样本的心率大小属于第二目标子集所对应的心率大小范围，将所述若干第二样本加入所述第二目标子集，得到目的样本集；模型训练模块，所述模型训练模块用于使用所述目的样本集对所述心率检测算法模型进行模型训练。

第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述的方法。

第四方面，本发明实施例提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现如前述的方法。

与现有技术相比，本发明实施例所提供的模型训练方法、装置、电子设备及计算机可读存储介质中，将心率检测算法模型的训练样本集按照不同的心率大小进行分类，得到多个不同心率大小的训练样本子集，然后从训练样本数量较多的训练样本子集中获取第一样本，根据第一样本生成第二样本，将第二样本添加至训练样本数量较少的训练样本子集中，从而平衡各个心率大小范围的训练样本的数量，得到心率样本数量分布更为均衡的目的样本集，使用心率样本数量分布更为均衡的目的样本集对心率检测算法模型进行模型训练可以提升训练完成后的心率检测算法模型的心率检测结果的精准度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明实施例一所提供的模型训练方法的流程示意图；

图2为心率值分别对应60.37BPM和60.15BPM的训练样本图像；

图3为80.22BPM的训练样本生成的40.11BPM的第二样本的图像；

图4为图2中60.37BPM和60.15BPM的训练样本生成的120.52BPM的第二样本的图像和真实采样得到的120.45BPM的样本图像；

图5为本发明实施例二所提供的模型训练方法的流程示意图；

图6为本发明实施例三所提供的模型训练装置的结构示意图；

图7为本发明实施例四所提供的电子设备的结构示意图。

具体实施方式

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描述。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

至少为了解决背景技术部分所提及的现有技术中存在的技术缺陷，本申请的一些实施例中通过对心率检测算法模型的训练样本集进行划分，并向训练样本数量较少的心率大小范围的训练样本子集内补充训练样本，达到平衡各个心率大小范围的训练样本子集中的训练样本数量的效果，进而达到使得训练得到的心率检测算法模型对心率的检测结果更为准确的效果。

请参看图1，下面结合图1示例性阐述本发明实施例一所提的模型训练方法，该方法包括：

步骤S101：获取训练样本集。

具体的，在本步骤中，训练样本集中包括多个不同心率的训练样本。在本发明的一些实施例中，训练样本集可以为实际测量得到的不同测试人员在不同心率下的PPG信号。

步骤S102：将多个训练样本按照心率大小范围进行划分，形成多个训练样本子集。

具体的，在本发明的一些实施例中，可以根据训练样本集中的各个训练样本的心率大小进行划分，首先获取训练样本集中的各个训练样本的最小心率和最大心率，得到训练样本集中的训练样本的心率分布范围，然后按照划分需求将心率分布范围等分为若干的训练样本子集。例如，训练样本集中的训练样本的最大心率为X，最小心率为Y，则训练样本集中的训练样本的心率分布范围为[Y，X]，将心率分布范围为[Y，X]等分为多个小的心率范围，每个小的心率范围内的训练样本即组成一个训练样本子集。可以理解的是，前述仅为本发明一些实施例中奖训练样本集划分为若干训练样本子集的具体方法的举例说明，并不构成限定，在本发明的一些其它的实施例中，也可以是根据其它方法进行划分，例如使用固定的心率值大小进行划分，例如大众人群的日常常见心率为60BPM-100BPM的范围，则训练样本集划分为心率小于60BPM，心率大于60BPM且小于100BPM，以及心率大于100BPM三个训练样本子集。

步骤S103：将训练样本的数量大于第一预设阈值的训练样本子集作为第一目标子集，将训练样本的数量小于第一预设阈值的训练样本子集作为第二目标子集。

具体的，在本步骤中，第一预设阈值为预先根据需求设置的数值常量，在本发明的不同实施例中，第一预设阈值可以根据训练样本集的训练样本数量进行设置，也可以根据训练样本子集的划分方法进行设置，或者可以根据其它实际需要进行设置。

进一步的，在本发明的一些实施例中，还可以将训练样本的数量小于第一预设阈值、且最小心率大于第一预设心率的训练样本子集作为第二目标子集，或者将训练样本的数量小于第一预设阈值、且最大心率小于第二预设心率的训练样本子集作为第二目标子集。由于人体正常心率存在一个分布范围，在这一心率范围内均为正常心率，其特点近似，因此根据最大心率和最小心率确定第二目标子集可以更好的标识出异常心率，进一步的提升心率检测算法模型的检测结果的精准度。例如正常人体的心率为60BPM-100BPM的范围，则可以将第一预设心率设置为100BPM，第二预设心率设置为60BPM。

步骤S104：获取第一目标子集中的若干训练样本作为第一样本，根据第一样本生成若干第二样本。

具体的，在本发明的一些实施例中，可以根据第一目标子集中的训练样本的数量获取第一样本，若存在多个不同的第一目标子集，每个第一目标子集中的训练样本的数量各不相等，则可以从数量更多的第一目标子集中获取数量更多的第一样本，而从数量更少的第一目标子集中获取数量更少的第一样本，或者对于数量更少的第一目标子集不获取第一样本等。具体的，可以计算多个第一目标子集的训练样本的数量平均值，从训练样本数量大于数量平均值的第一目标子集中获取第一样本，对于少于数量平均值的第一目标子集，则不从其中获取第一样本。仅从训练样本数量大于数量平均值的第一目标子集中获取第一样本，可以平均各个第一目标子集中的训练样本数量，使得目标样本集中的训练样本的心率分布更加均匀，进一步的提升模型训练效果。可以理解的是，前述仅为本发明的一些实施例中从第一目标子集中获取训练样本的方法的举例说明，并不构成限定，在本发明的一些其它的实施例中，也可以是从每个第一目标子集中获取等量的第一样本等其它方法，具体可以根据实际需要进行灵活的设置。

进一步的，在本发明的一些实施例中，根据第一样本生成若干第二样本的过程中可以根据第一样本和第二样本的心率大小不同采用不同的生成方法，例如在本发明的一些实施例中，使用心率较大的第一样本生成心率较小的第二样本的过程为，将心率较大的第一样本分割为多段分割样本，将每段分割样本分别进行时域拉伸处理，生成多个第二样本。其中，时域拉伸处理为可以重采样算法处理过程，具体可以为将分割样本进行时域等比扩大，然后在中间值处插入前后两个时间点的平均值，例如，对于分割样本原本时域上处于39和40两个点的数据，可以将其扩大为78和80两个点处的数据，然后在79的位置添加原本39和40两个点的数据的平均值，形成新的第二样本。可以理解的是，前述仅为本发明一些实施例中的具体的举例说明，并不构成限定，在本发明的一些其它的实施例中，也可以是采用最近邻、单线性插值、双线性插值等插值算法生成第二样本，具体可以根据实际需要进行灵活的使用。如图2所示为心率值分别对应60.37BPM和60.15BPM的训练样本图像，图3所示为80.22BPM的训练样本生成的40.11BPM的低心率第二样本的图像。

本发明的一些其它的实施例中，还可以使用心率较小的第一样本生成心率较大的第二样本，具体过程为，将多个第一样本进行拼接，形成拼接样本；对拼接样本进行时域压缩处理，生成第二样本。其中，时域压缩处理过程同样可以为重采样算法处理过程，具体可以为将拼接样本进行时域等比缩小，然后将中间值处的数据删除，例如，对于分割样本原本时域上处于78和80两个点的数据，可以将其缩小为39和40两个点处的数据，然后将原本位于79的位置的数据删除，形成新的第二样本。可以理解的是，前述仅为本发明一些实施例中的具体的举例说明，并不构成限定，在本发明的一些其它的实施例中，也可以是采用最近邻、单线性插值、双线性插值等插值算法生成第二样本，具体可以根据实际需要进行灵活的使用。如图4所示为根据图2中60.37BPM和60.15BPM的生成的120.52BPM的高心率第二样本的图像和真实采样得到的120.45BPM的高心率样本图像。

进一步的，在本发明的一些实施例中，第二样本生成完成之后，将第一样本从训练样本集中去除。将作为基础生成第二样本的第一样本从训练样本集中去除，避免两个样本波形相似而仅心率不同对心率测试算法模型的模型训练过程造成影响，进一步的提升心理测试算法模型的心率测试准确度。

步骤S105：将若干第二样本加入第二目标子集，得到目的样本集。

步骤S106：使用目的样本集对心率检测算法模型进行模型训练。

与现有技术相比，本发明实施例一所提供的模型训练方法中，将心率检测算法模型的训练样本集按照不同的心率大小进行分类，得到多个不同心率大小的训练样本子集，然后从训练样本数量较多的训练样本子集中获取第一样本，根据第一样本生成第二样本，将第二样本添加至训练样本数量较少的训练样本子集中，从而平衡各个心率大小范围的训练样本的数量，得到心率样本数量分布更为均衡的目的样本集，使用心率样本数量分布更为均衡的目的样本集对心率检测算法模型进行模型训练可以提升训练完成后的心率检测算法模型的心率检测结果的精准度。

请参看图5，下面结合图5示例性阐述本发明实施例二所提的模型训练方法，该方法包括：

步骤S201：获取训练样本集。

步骤S202：将多个训练样本按照心率大小范围进行划分，形成多个训练样本子集。

步骤S203：将训练样本的数量大于第一预设阈值的训练样本子集作为第一目标子集，将训练样本的数量小于第一预设阈值的训练样本子集作为第二目标子集。

步骤S204：获取第一目标子集中的若干训练样本作为第一样本，根据第一样本生成若干第二样本。

步骤S205：将若干第二样本加入第二目标子集，得到目的样本集。

步骤S206：使用目的样本集对心率检测算法模型进行模型训练。

可以理解的是，本发明实施例二所提供的模型训练方法中的步骤S201至步骤S206与实施例一中的步骤S101至步骤S106大致相同，具体可以参照前述实施例中的具体说明，在此不再赘述。

步骤S207：使用心率检测算法模型进行多次心率检测，得到多个心率检测结果。

具体的，在本步骤中，使用步骤S206中训练完成的心率检测算法模型对大量用户进行多次心率检测，从而得到大量的心率检测结果。

步骤S208：获取多个心率检测结果中异常心率检测结果的第一数量占比。

具体的，在本步骤中，异常心率检测结果为心率小于第二预设心率或心率大于第一预设心率的心率检测结果，如前述实施例一中的具体介绍，第一预设心率和第二预设心率可以根据实际需要进行灵活的设置，在应用过程中，通常可以设置第一预设心率为60BPM，第二预设心率为100BPM，但并不构成限定，在本发明的一些其它的实施例中，也可以根据用户人群的具体情况进行灵活的设置，例如对于心脏病患者可以设置第一预设心率大于60BPM，或者第二预设心率为大于100BPM，具体可以根据实际需要进行设置。

步骤S209：判断第一数量占比是否属于第一预设范围，若是，执行步骤S210，若否，执行步骤S211。

具体的，在本步骤中，第一预设范围同样可以根据用户人群的具体情况进行灵活的设置，例如对于普向大众人群，可以设置第一预设范围为10％～20％，对于心脏病患者人群可以设置第一预设范围为30％～50％等，具体可以根据实际需要进行灵活的设置。

步骤S210：心率检测算法模型训练完成。

步骤S211：根据第一数量占比调节第一样本的数量。

具体的，在本步骤中，若第一数量占比大于第一预设范围的最大值，则减少第一样本的数量，若第一数量占比小于第一预设范围的最小值，则增大第一样本的数量。并再次执行步骤S204至步骤S206再次对心率检测算法模型进行模型训练。

与现有技术相比，本发明实施例二所提供的模型训练方法中包括实施例一的全部技术特征，具备与实施例一相同的技术效果，具体可以参照前述实施例一中的具体说明，此外，在本发明实施例二所提供的模型训练方法中，使用训练后的心率测试算法模型进行心率检测，通过心率检测结果中异常心率检测结果的数量占比判断心率测试算法模型是否训练完成，若心率检测结果中异常心率检测结果的数量占比超出了预设范围，则说明心率测试算法模型尚未训练完成，调整第一样本的数量并重新进行模型训练，从而实现对心率测试算法模型的反馈调节，进一步的提升心率测试算法模型训练完成后的心理测试结果的准确度。

本发明实施例三提供了一种模型训练装置，用于对心率检测算法模型进行模型训练，具体如图6所示，包括：样本获取模块601，样本获取模块601用于获取训练样本集，训练样本集包括不同心率大小的多个训练样本；样本划分模块602，样本划分模块602用于将多个训练样本按照心率大小范围进行划分，形成多个训练样本子集；样本调整模块603，样本调整模块603用于将训练样本的数量大于第一预设阈值的训练样本子集作为第一目标子集，将训练样本的数量小于第一预设阈值的训练样本子集作为第二目标子集，获取第一目标子集中的若干训练样本作为第一样本，根据第一样本生成若干第二样本，第二样本的心率大小属于第二目标子集所对应的心率大小范围，将若干第二样本加入第二目标子集，得到目的样本集；模型训练模块604，模型训练模块604用于使用目的样本集对心率检测算法模型进行模型训练。

与现有技术相比，本发明实施例三所提供的模型训练装置中，样本划分模块602将样本获取模块601获取的训练样本集按照不同的心率大小进行分类，得到多个不同心率大小的训练样本子集，然后样本调整模块603从训练样本数量较多的训练样本子集中获取第一样本，根据第一样本生成第二样本，将第二样本添加至训练样本数量较少的训练样本子集中，从而平衡各个心率大小范围的训练样本的数量，得到心率样本数量分布更为均衡的目的样本集，模型训练模块604使用心率样本数量分布更为均衡的目的样本集对心率检测算法模型进行模型训练可以提升训练完成后的心率检测算法模型的心率检测结果的精准度。

不难发现，本实施例为与本发明前述实施例相对应的装置的实施例，因此本实施例中的技术细节和技术内容同样可以应用在前述实施例中，且具备与前述实施例相同的技术效果，同理，本发明前述实施例中的技术细节和技术内容同样可以应用在本实施例中，具备同样的技术效果，在此不再赘述。

本申请实施例四提供了一种电子设备，如图7所示，包括：至少一个处理器701；以及，与至少一个处理器701通信连接的存储器702；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够执行如前述的方法。

其中，存储器702可以是只读存储器702(Read-Only Memory，ROM)、随机存取存储器702(Random Access Memory，RAM)或其他存储器702。本申请实施例中，存储器702用于存储数据以及各种算法和命令。

在本申请实施例中，存储器702可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方法的媒体加以存储。本实施方式的存储器702又可以包括：利用电能方式存储信息的装置，如RAM、ROM等；利用磁能方式存储信息的装置，如硬盘、软盘、磁带、磁芯存储器702、磁泡存储器702、U盘；利用光学方式存储信息的装置，如CD或DVD。当然，还有其他方式的存储器702，例如量子存储器702、石墨烯存储器702等等。

处理器701，被配置为从存储器702读取计算机程序，并执行计算机程序以实现如前述实施例所提供的方法。

需要说明的是，处理器701可以是中央处理单元(Central Processing Unit，CPU)，该处理器701还可以是其他处理器701、数字信号处理器701(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器701可以是微处理器701或者该处理器701也可以是任何常规的处理器701等。处理器701还可以是一种集成电路芯片，具有信号的处理能力。

本申请的实施例五提供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可实现如上述获取驱动信号的方法所包括的任意实施例的方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。