本發(fā)明涉及機(jī)器學(xué)習(xí)和模式識(shí)別領(lǐng)域，具體涉及一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法及裝置。

背景技術(shù)：

人腦活動(dòng)會(huì)產(chǎn)生電磁信號(hào)，可以通過(guò)設(shè)備對(duì)產(chǎn)生的電磁信號(hào)進(jìn)行捕捉。研究這些信號(hào)，對(duì)人類攻克各種疾病和對(duì)人類各種高級(jí)行為如語(yǔ)言、動(dòng)作、思維的研究都具有深遠(yuǎn)的意義。

神經(jīng)影像數(shù)據(jù)記錄了大腦活動(dòng)的狀態(tài)，分析在神經(jīng)影像數(shù)據(jù)背后大腦對(duì)實(shí)際刺激的真實(shí)反應(yīng)，稱為腦解碼(brain decoding)，相關(guān)研究可以追溯至上個(gè)世紀(jì)90年代。在過(guò)去20多年的研究中，對(duì)腦解碼的研究主要涉及三個(gè)方面，即功能性磁共振成像(functional magnetic resonance imaging,fMRI)、腦電圖(electroencephalograph,EEG)和腦磁圖(magnetoencephalography,MEG)共三類信號(hào)。這三類信號(hào)均為多維時(shí)間序列信號(hào)。

腦解碼在這三類信號(hào)中問(wèn)題的一般形式是，先對(duì)測(cè)試者給定外部的刺激，用設(shè)備記錄測(cè)試者相應(yīng)腦活動(dòng)的神經(jīng)影像數(shù)據(jù)；然后通過(guò)獲得的神經(jīng)影像數(shù)據(jù)，進(jìn)行對(duì)應(yīng)模型的訓(xùn)練；再通過(guò)訓(xùn)練得到的模型，分析當(dāng)前測(cè)試者腦活動(dòng)產(chǎn)生的波形所對(duì)應(yīng)的神經(jīng)狀態(tài)。

這些信號(hào)在采集與傳輸?shù)倪^(guò)程中，不可避免地會(huì)受到大量的噪聲干擾；特別是EEG與MEG信號(hào)由多通道多采樣時(shí)間點(diǎn)構(gòu)成的高維數(shù)據(jù)特性，給腦解碼的研究帶來(lái)了難題。

另外，人腦所產(chǎn)生的電磁信號(hào)在不同個(gè)體之間較大的差異，給腦解碼的廣泛應(yīng)用帶來(lái)了困難；因此，如何讓腦解碼的模型具有普遍性、建構(gòu)一個(gè)能盡可能多的去表征人類腦部活動(dòng)的泛化模型，便成為亟待解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的不足和缺陷，本發(fā)明提供一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法及裝置。

一方面，本發(fā)明實(shí)施例提出一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法，包括：

S1、獲取待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)；

S2、將所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)輸入預(yù)設(shè)的深度學(xué)習(xí)預(yù)測(cè)模型，得到產(chǎn)生所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別；

其中，在所述S2之前，還包括所述深度學(xué)習(xí)預(yù)測(cè)模型的構(gòu)建步驟：

獲取多個(gè)受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本以及對(duì)應(yīng)的產(chǎn)生所述腦活動(dòng)多維時(shí)間序列信號(hào)樣本的腦刺激類別；

對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波；

構(gòu)建棧式自編碼器，利用濾波后的信號(hào)對(duì)所述棧式自編碼器進(jìn)行訓(xùn)練，并利用訓(xùn)練好的棧式自編碼器提取所述濾波后的信號(hào)的信號(hào)特征；

根據(jù)解碼需求選擇分類器作為目標(biāo)分類器，將所述信號(hào)特征作為輸入，對(duì)應(yīng)的腦刺激類別作為輸出訓(xùn)練所述目標(biāo)分類器，從而形成所述深度學(xué)習(xí)預(yù)測(cè)模型。

另一方面，本發(fā)明實(shí)施例提出一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼裝置，包括：

獲取單元，用于獲取待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)；

處理單元，用于將所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)輸入預(yù)設(shè)的深度學(xué)習(xí)預(yù)測(cè)模型，得到產(chǎn)生所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別；

其中，所述裝置還包括構(gòu)建單元，包括：

獲取子單元，用于在所述處理單元進(jìn)行工作之前，獲取多個(gè)受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本以及對(duì)應(yīng)的產(chǎn)生所述腦活動(dòng)多維時(shí)間序列信號(hào)樣本的腦刺激類別；

濾波子單元，用于對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波；

提取子單元，用于構(gòu)建棧式自編碼器，利用濾波后的信號(hào)對(duì)所述棧式自編碼器進(jìn)行訓(xùn)練，并利用訓(xùn)練好的棧式自編碼器提取所述濾波后的信號(hào)的信號(hào)特征；

訓(xùn)練子單元，用于根據(jù)解碼需求選擇分類器作為目標(biāo)分類器，將所述信號(hào)特征作為輸入，對(duì)應(yīng)的腦刺激類別作為輸出訓(xùn)練所述目標(biāo)分類器，從而形成所述深度學(xué)習(xí)預(yù)測(cè)模型。

本發(fā)明具有如下有益效果：

利用深度學(xué)習(xí)預(yù)測(cè)模型通過(guò)濾波、特征提取、腦刺激分類步驟對(duì)產(chǎn)生待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別進(jìn)行預(yù)測(cè)，能夠降低噪聲干擾，充分利用人腦所產(chǎn)生的電磁信號(hào)中潛在的有用信息，保持序列信號(hào)在時(shí)域上的連續(xù)性，提升了分類的準(zhǔn)確度，另外，在深度學(xué)習(xí)預(yù)測(cè)模型的構(gòu)建過(guò)程中進(jìn)行了特征提取，能夠克服腦活動(dòng)多維時(shí)間序列信號(hào)在不同個(gè)體之間的差異問(wèn)題，使腦解碼具有普適性。

附圖說(shuō)明

圖1為本發(fā)明基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法一實(shí)施例的流程示意圖；

圖2為本發(fā)明基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼裝置一實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

參看圖1，本實(shí)施例公開一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法，包括：

S1、獲取待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)；

在具體應(yīng)用中，所述腦活動(dòng)多維時(shí)間序列信號(hào)包括EEG信號(hào)和MEG信號(hào)。

S2、將所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)輸入預(yù)設(shè)的深度學(xué)習(xí)預(yù)測(cè)模型，得到產(chǎn)生所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別；

其中，在所述S2之前，還包括所述深度學(xué)習(xí)預(yù)測(cè)模型的構(gòu)建步驟(圖中未示出)：

S30、獲取多個(gè)受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本以及對(duì)應(yīng)的產(chǎn)生所述腦活動(dòng)多維時(shí)間序列信號(hào)樣本的腦刺激類別，其中，所述腦活動(dòng)多維時(shí)間序列信號(hào)樣本是在預(yù)先定義的腦刺激下產(chǎn)生的腦部電磁信號(hào)；

在具體應(yīng)用中，可以對(duì)多個(gè)受試者的腦部施加預(yù)先定義的多種不同的腦刺激，得到對(duì)應(yīng)的腦部電磁信號(hào)作為腦活動(dòng)多維時(shí)間序列信號(hào)樣本。

S31、對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波；

本實(shí)施例中，對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波，可以包括如下的圖中未示出的步驟：

S310、對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本依次進(jìn)行50HZ陷波濾波、100HZ低通濾波器和均值濾波。

通過(guò)對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波，能夠減少噪聲干擾。

S32、構(gòu)建棧式自編碼器，利用濾波后的信號(hào)對(duì)所述棧式自編碼器進(jìn)行訓(xùn)練，并利用訓(xùn)練好的棧式自編碼器提取所述濾波后的信號(hào)的信號(hào)特征；

需要說(shuō)明的是，所述棧式自編碼器由多層自編碼器構(gòu)成，所述棧式自編碼器中前一個(gè)自編碼器的隱藏層為后一個(gè)自編碼器的輸入層。其中，所述的自編碼器包括輸入層、隱藏層和輸出層，對(duì)于任一自編碼器，其隱藏層的神經(jīng)元個(gè)數(shù)比輸入層的神經(jīng)元個(gè)數(shù)少。

所述自編碼器的函數(shù)模型如下：

h＝δ(wt+b) (1)

z＝δ(w′t+b′) (2)

其中，t、h和z分別為自編碼器的輸入層、隱藏層和輸出層，w和b均為輸入層與隱藏層之間的模型參數(shù)，w′和b′均為隱藏層與輸出層之間的模型參數(shù)，δ(s)為神經(jīng)元函數(shù)，表達(dá)式如下：

$\mathrm{\δ}\left(s\right)=\frac{1}{1+e^{-s}}---\left(3\right)$

其中，s為神經(jīng)元函數(shù)δ(s)的自變量。

其中，利用濾波后的信號(hào)對(duì)所述棧式自編碼器進(jìn)行訓(xùn)練，可以包括如下的圖中未示出的步驟：

S320、對(duì)于組成所述棧式自編碼器的每一個(gè)自編碼器，以訓(xùn)練樣本的輸入量作為該自編碼器的輸入層，使該自編碼器輸出層與輸入層的損失函數(shù)L最小為目標(biāo)，通過(guò)梯度下降法求解出該自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數(shù)；

所述的損失函數(shù)L的表達(dá)式如下：

L＝||z-t||² (4)

S321、根據(jù)各個(gè)自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數(shù)確定出訓(xùn)練好的棧式自編碼器。

需要說(shuō)明的是，對(duì)于訓(xùn)練好的棧式自編碼器，當(dāng)其輸入層輸入濾波后的信號(hào)，則其隱藏層輸出的即為信號(hào)特征。對(duì)于通道數(shù)少于1000維的腦活動(dòng)多維時(shí)間序列信號(hào)，在構(gòu)建棧式自編碼器時(shí)采用至少2層自編碼器，每一層自編碼器的隱藏層的神經(jīng)元個(gè)數(shù)少于輸入層的神經(jīng)元個(gè)數(shù)，且不少于通道數(shù)的1/4。

S33、根據(jù)解碼需求選擇分類器作為目標(biāo)分類器，將所述信號(hào)特征作為輸入，對(duì)應(yīng)的腦刺激類別作為輸出訓(xùn)練所述目標(biāo)分類器，從而形成所述深度學(xué)習(xí)預(yù)測(cè)模型。

具體地，所述根據(jù)解碼需求選擇分類器作為目標(biāo)分類器，可以包括：

當(dāng)腦刺激類別為2分類時(shí)選擇邏輯回歸模型作為目標(biāo)分類器或者當(dāng)腦刺激類別為多分類時(shí)選擇softmax分類器作為目標(biāo)分類器。

由于人腦產(chǎn)生的電磁信號(hào)存在的大量噪聲干擾，需要根據(jù)這些信號(hào)的特性來(lái)設(shè)計(jì)合理的濾波器進(jìn)行去噪。這些高維數(shù)據(jù)需要采用有效的降維方式進(jìn)行降維，同時(shí)降維后的特征數(shù)據(jù)，需要采用有效的方式對(duì)數(shù)據(jù)進(jìn)行分類。其解決框架一般是對(duì)信號(hào)進(jìn)行預(yù)處理后，結(jié)合機(jī)器學(xué)習(xí)的辦法，對(duì)信號(hào)進(jìn)行分類，進(jìn)而判斷大腦對(duì)應(yīng)的神經(jīng)狀態(tài)是受何種刺激而產(chǎn)生。

另外，需要說(shuō)明的是，本發(fā)明實(shí)施例不限于多維度腦活動(dòng)電磁信號(hào)，也可用于其它多維生物信號(hào)的腦解碼，具體方法同多維度腦活動(dòng)電磁信號(hào)相同，此處不再贅述。當(dāng)本發(fā)明用于其它多維生物信號(hào)的腦解碼時(shí)，若其它多維生物信號(hào)的通道數(shù)不少于1000維，則在構(gòu)建棧式自編碼器時(shí)采用的自編碼器層數(shù)需要增加。

本發(fā)明實(shí)施例提供的基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼方法，利用深度學(xué)習(xí)預(yù)測(cè)模型通過(guò)濾波、特征提取、腦刺激分類步驟對(duì)產(chǎn)生待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別進(jìn)行預(yù)測(cè)，能夠降低噪聲干擾，充分利用人腦所產(chǎn)生的電磁信號(hào)中潛在的有用信息，保持序列信號(hào)在時(shí)域上的連續(xù)性，提升了分類的準(zhǔn)確度，另外，在深度學(xué)習(xí)預(yù)測(cè)模型的構(gòu)建過(guò)程中進(jìn)行了特征提取，能夠克服腦活動(dòng)多維時(shí)間序列信號(hào)在不同個(gè)體之間的差異問(wèn)題，使腦解碼具有普適性。

參看圖2，本實(shí)施例公開一種基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼裝置，包括：

獲取單元1，用于獲取待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)；

在具體應(yīng)用中，所述腦活動(dòng)多維時(shí)間序列信號(hào)包括EEG信號(hào)和MEG信號(hào)。

處理單元2，用于將所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)輸入預(yù)設(shè)的深度學(xué)習(xí)預(yù)測(cè)模型，得到產(chǎn)生所述待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別；

其中，所述裝置還包括構(gòu)建單元，包括：

獲取子單元，用于在所述處理單元進(jìn)行工作之前，獲取多個(gè)受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本以及對(duì)應(yīng)的產(chǎn)生所述腦活動(dòng)多維時(shí)間序列信號(hào)樣本的腦刺激類別；

濾波子單元，用于對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波；

本實(shí)施例中，所述濾波子單元，具體可以用于：

對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本依次進(jìn)行50HZ陷波濾波、100HZ低通濾波器和均值濾波。

通過(guò)對(duì)所述受試者的腦活動(dòng)多維時(shí)間序列信號(hào)樣本進(jìn)行濾波，能夠減少噪聲干擾。

提取子單元，用于構(gòu)建棧式自編碼器，利用濾波后的信號(hào)對(duì)所述棧式自編碼器進(jìn)行訓(xùn)練，并利用訓(xùn)練好的棧式自編碼器提取所述濾波后的信號(hào)的信號(hào)特征；

在實(shí)際應(yīng)用中，所述提取子單元，具體可以用于：

對(duì)于組成所述棧式自編碼器的每一個(gè)自編碼器，將所述濾波后的信號(hào)作為該自編碼器的輸入層，以該自編碼器輸出層與輸入層的損失函數(shù)最小為目標(biāo)，通過(guò)梯度下降法求解出該自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數(shù)；

根據(jù)各個(gè)自編碼器輸入層與隱藏層之間以及隱藏層與輸出層之間的模型參數(shù)確定出訓(xùn)練好的棧式自編碼器。

其中，對(duì)于通道數(shù)少于1000維的腦活動(dòng)多維時(shí)間序列信號(hào)，在構(gòu)建棧式自編碼器時(shí)采用至少2層自編碼器，每一層自編碼器的隱藏層的神經(jīng)元個(gè)數(shù)少于輸入層的神經(jīng)元個(gè)數(shù)，且不少于通道數(shù)的1/4。

訓(xùn)練子單元，用于根據(jù)解碼需求選擇分類器作為目標(biāo)分類器，將所述信號(hào)特征作為輸入，對(duì)應(yīng)的腦刺激類別作為輸出訓(xùn)練所述目標(biāo)分類器，從而形成所述深度學(xué)習(xí)預(yù)測(cè)模型。

在實(shí)際應(yīng)用中，所述訓(xùn)練子單元，具體可以用于：

當(dāng)腦刺激類別為2分類時(shí)選擇邏輯回歸模型作為目標(biāo)分類器或者當(dāng)腦刺激類別為多分類時(shí)選擇softmax分類器作為目標(biāo)分類器。

本發(fā)明實(shí)施例提供的基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼裝置，利用深度學(xué)習(xí)預(yù)測(cè)模型通過(guò)濾波、特征提取、腦刺激分類步驟對(duì)產(chǎn)生待預(yù)測(cè)的腦活動(dòng)多維時(shí)間序列信號(hào)的腦刺激類別進(jìn)行預(yù)測(cè)，能夠降低噪聲干擾，充分利用人腦所產(chǎn)生的電磁信號(hào)中潛在的有用信息，保持序列信號(hào)在時(shí)域上的連續(xù)性，提升了分類的準(zhǔn)確度，另外，在深度學(xué)習(xí)預(yù)測(cè)模型的構(gòu)建過(guò)程中進(jìn)行了特征提取，能夠克服腦活動(dòng)多維時(shí)間序列信號(hào)在不同個(gè)體之間的差異問(wèn)題，使腦解碼具有普適性。

本實(shí)施例的基于自學(xué)習(xí)的腦活動(dòng)多維時(shí)間序列信號(hào)的解碼裝置，可以用于執(zhí)行前述圖1所示方法實(shí)施例的技術(shù)方案，其實(shí)現(xiàn)原理和技術(shù)效果類似，此處不再贅述。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本申請(qǐng)的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本申請(qǐng)可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本申請(qǐng)可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、CD-ROM、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本申請(qǐng)是參照根據(jù)本申請(qǐng)實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來(lái)描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過(guò)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

需要說(shuō)明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同要素。術(shù)語(yǔ)“上”、“下”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以根據(jù)具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。

本發(fā)明的說(shuō)明書中，說(shuō)明了大量具體細(xì)節(jié)。然而能夠理解的是，本發(fā)明的實(shí)施例可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對(duì)本說(shuō)明書的理解。類似地，應(yīng)當(dāng)理解，為了精簡(jiǎn)本發(fā)明公開并幫助理解各個(gè)發(fā)明方面中的一個(gè)或多個(gè)，在上面對(duì)本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個(gè)特征有時(shí)被一起分組到單個(gè)實(shí)施例、圖、或者對(duì)其的描述中。然而，并不應(yīng)將該公開的方法解釋呈反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個(gè)權(quán)利要求中所明確記載的特征更多的特征。更確切地說(shuō)，如權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個(gè)實(shí)施例的所有特征。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個(gè)權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)中的實(shí)施例及實(shí)施例中的特征可以相互組合。本發(fā)明并不局限于任何單一的方面，也不局限于任何單一的實(shí)施例，也不局限于這些方面和/或?qū)嵤├娜我饨M合和/或置換。而且，可以單獨(dú)使用本發(fā)明的每個(gè)方面和/或?qū)嵤├蛘吲c一個(gè)或更多其他方面和/或其實(shí)施例結(jié)合使用。

最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說(shuō)明書的范圍當(dāng)中。