心电信号的检测方法、装置及电子设备
技术领域
本申请涉及电子技术领域,尤其涉及一种心电信号的检测方法、装置及电子设备。
背景技术
近年来,随着深度学习方法的兴起,研究人员越来越多地开始采用训练神经网络的模式进行心电信号(ECG)分类和识别。但由于现有技术多是针对心电信号的单心拍进行识别并分类,现有技术尚未对连续时序的ECG进行病理识别。
发明内容
有鉴于此,本申请提供一种新的技术方案,可以对连续的心电信号进行病理诊断。
为实现上述目的,本申请提供技术方案如下:
根据本申请的第一方面,提出了一种心电信号的检测方法,包括:
对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
确定所述第一设定个数的单心拍中每一个单心拍对应的特征数据组合,得到第一设定个数的特征数据组合;
基于所述设定时间长度的心电信号和所述第一设定个数的特征数据组合,确定所述设定时间长度的心电信号的病理类别。
根据本申请的第二方面,提出了一种心电信号的检测方法,包括:
通过第二卷积神经网络确定设定时间长度的心电信号的病理类别;
若所述病理类别表示所述心电信号出现异常,对所述设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
通过第一卷积神经网络确定所述第一设定个数的单心拍中出现异常的心拍位置。
根据本申请的第三方面,提供了一种心电信号的检测装置,包括:
第一分割模块,用于对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
第一确定模块,用于确定所述第一分割模块得到的所述第一设定个数的单心拍中每一个单心拍对应的特征数据组合,得到第一设定个数的特征数据组合;
第二确定模块,用于基于所述设定时间长度的心电信号和所述第一确定模块确定的所述第一设定个数的特征数据组合,确定所述设定时间长度的心电信号的病理类别。
根据本申请的第四方面,提供了一种心电信号的检测装置,包括:
第四确定模块,用于通过第二卷积神经网络确定设定时间长度的心电信号的病理类别;
第二分割模块,用于若所述第四确定模块确定的所述病理类别表示所述心电信号出现异常,对所述设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
第五确定模块,用于通过第一卷积神经网络确定所述第二分割模块得到的所述第一设定个数的单心拍中出现异常的心拍位置。
根据本申请的第五方面,提出了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述第一方面或者第二方面提出的心电信号的检测方法。
根据本申请的第六五方面,提出了一种电子设备,其特征在于,所述设备包括:
处理器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器,用于执行上述第一方面或者第二方面提出的心电信号的检测方法。
由以上技术方案可见,由于任何单个心拍在连续时序的ECG信号中都不是孤立的,都与其前后相邻的单心拍相关,因此本申请中的第一设定个数的单心拍中每一个单心拍对应的特征数据组合可以用来很好地表征所代表的心电信号的病理特性,因此通过心电信号和第一设定个数的特征数据组合能够很好地检测出设定时间长度的心电信号的病理类别。
附图说明
图1A是本发明一示例性实施例的心电信号的检测方法的流程示意图;
图1B是图1A所示实施例中的连续心电信号的示意图;
图1C是图1A所示实施例中的单心拍的示意图;
图2A是本发明另一示例性实施例的心电信号的检测方法的流程示意图;
图2B是图2A所示实施例所适用的检测心电信号的架构示意图;
图2C是图2A所示实施例中的第一卷积神经网络的结构示意图;
图2D是图2A所示实施例中的第二卷积神经网络的结构示意图;
图3A是本发明又一示例性实施例的心电信号的检测方法的流程示意图;
图3B是图3A所示实施例所适用的检测心电信号的架构示意图之一;
图3C是图3A所示实施例所适用的检测心电信号的架构示意图之二;
图4A是本发明再一示例性实施例的心电信号的检测方法的流程示意图;
图4B是图4A所示实施例所适用的检测心电信号的架构示意图;
图5是本发明一示例性实施例的心电信号的检测装置的结构示意图;
图6是本发明另一示例性实施例的心电信号的检测装置的结构示意图;
图7是本发明又一示例性实施例的心电信号的检测装置的结构示意图;
图8是本发明一示例性实施例的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为对本申请进行进一步说明,提供下列实施例:
图1A是本发明一示例性实施例的心电信号的检测方法的流程示意图,图1B是图1A所示实施例中的连续心电信号的示意图,图1C是图1A所示实施例中的单心拍的示意图;本申请可应用在可穿戴设备以及手持设备等电子设备中,以监测用户的心脏健康状况,如图1A所示,包括如下步骤:
步骤101,对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍。
在一实施例中,可以通过现有技术中关于ECG信号的识别方法对设定时间长度的ECG进行分割,得到第一设定个数的单心拍。如图1B和图1C所示,通过对设定时间长度的连续ECG进行分割,可获知每个单心拍的开始时间点、结束时间点以及持续时长,且每个单心拍的持续时长可以归一化为预设长度,例如,预设长度为L,则单心拍可以表示为:
e=(P,X)=((p1,p2,…,pL),t)
其中,P表示单心拍在采样点处的信号强度,p1,p2,…,pL表示单心拍在L个采样点处的信号强度,t为该单心拍的持续时长,以第一设定个数为N进行示例性说明,连续N个ECG单心拍可表示为:
E={e1,e2,…,eN}={P1,P2,…,PN,t1,t2,…tN}
={(p11,p12,…,p1L),(p21,p22,…,p2L),…,(pN1,pN2,…,pNL),t1,t2,…,tN}。
其中,pij表示第i个单心拍在第j处采样点的信号强度,i=1,2,…,N,j=1,2,…,L,t1,t2,…,tN表示N个单心拍各自的持续时长。
步骤102,确定第一设定个数的单心拍中每一个单心拍对应的特征数据组合,得到第一设定个数的特征数据组合。
在一实施例中,可以基于深度学习网络确定第一设定个数的单心拍中每一个单心拍对应的特征数据组合,该特征数据组合可以为深度学习网络中通过设定卷积层进行卷积处理后的特征数据。
与上述步骤101相对应,特征数据组合例如为:T1,T2,…,TN。
即步骤102可以实现:Pi→Ti,其中,i=1,2,…,N。
步骤103,基于设定时间长度的心电信号和第一设定个数的特征数据组合,确定设定时间长度的心电信号的病理类别。
在一实施例中,可以将设定时间长度的心电信号输入到一个卷积神经网络的输入层,将第一设定个数的特征数据组合输入到该卷积神经网络的卷积层,通过卷积神经网络的处理,在输出层确定心电信号的病理类别。在一实施例中,可以通过海量的具有各种不同病理特征的心电信号对该卷积神经网络进行训练,通过训练该卷积神经网络,可以使该卷积神经网络能够准确识别出心电信号的病理类别。
在一实施例中,病理类别可以包括:房性早搏、室性早搏、心房颤动、心房扑动、室上性心动过速等,需要说明的是,上述病理类别只是示例性说明其并不能形成对本申请的限制。
由上述描述可知,由于任何单个心拍在连续时序的ECG信号中都不是孤立的,都与其前后相邻的单心拍相关,因此本申请中的第一设定个数的单心拍中每一个单心拍对应的特征数据组合可以用来很好地表征所代表的心电信号的病理特性,因此通过心电信号和第一设定个数的特征数据组合能够很好地检测出设定时间长度的心电信号的病理类别。
图2A是本发明另一示例性实施例的心电信号的检测方法的流程示意图,图2B是图2A所示实施例所适用的检测心电信号的架构示意图,图2C是图2A所示实施例中的第一卷积神经网络的结构示意图,图2D是图2A所示实施例中的第二卷积神经网络的结构示意图;如图2A所示,包括如下步骤:
步骤201,对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍。
步骤201的描述可以参见上述图1A所示实施例的描述,在此不再详述。
步骤202,将第一设定个数的单心拍顺次输入到第一卷积神经网络。
步骤203,通过第一卷积神经网络提取第一设定个数的单心拍中每一个单心拍对应的特征数据组合。
步骤204,确定设定时间长度的心电信号中每一个单心拍对应的时序数据组合,得到第一设定个数的时序数据组合。
步骤205,将第一设定个数的时序数据组合和第一设定个数的特征数据组合输入第二卷积神经网络的输入层。
步骤206,通过第二卷积神经网络确定心电信号的病理类别。
步骤207,通过第一卷积神经网络对第一设定个数的单心拍中的每一个单心拍进行判决,得到判决结果。
步骤208,根据判决结果确定第一设定个数的单心拍中出现异常的心拍位置。
需要说明的是,上述步骤207和步骤208并不必然在步骤206之后执行,也可以在步骤203之后,再执行步骤207和步骤208,从而可以通过第一卷积神经网络识别第一设定个数的单心拍中出现异常的心拍位置。
下面结合图2B-图2D对本实施例进行示例性说明。
在上述步骤202和步骤203中,如图2B所示,通过上述步骤201得到连续25个单心拍,以及该25个单心拍的开始时间点、结束时间点以及持续时长,对每个单心拍的数据进行长度归一化,如归一化长度为196,则可以将25个长度为196的单心拍数据顺次输入到第一卷积神经网络,在第一卷积神经网络的预设卷积层,可以输出每一个单心拍数据对应的特征数据组合,例如,特征数据组合包含的特征数据的个数为5*2,则25个单心拍可对应的特征数据为5*2*25。如图2B所示,可以在通过第一卷积神经网络得到每一个单心拍的特征数据组合后,对每一个单心拍对应的特征数据组合缓存。
在上述步骤204和步骤205中,在一实施例中,可以针对设定时间长度的心电信号中的每一个单心拍,确定该单心拍的R波对应的时间点,确定与该单心拍的R波前后相邻第二设定个数以内的单心拍的R波各自对应的时间点,基于该单心拍的R波对应的时间点以及与该单心拍前后相邻第二设定个数的单心拍的R波各自对应的时间点,确定该单心拍对应的时序数据组合。例如,第二设定个数为2个,则当前单心拍的R波与前后两个以内的单心拍(即共四个单心拍)的R波距离分别为x
1,x
2,x
3,x
4,将各单心拍的节律信息X表示为一个5维向量,即
则N个单心拍可以表示为:
其中,N为第一设定个数,即单心拍的个数。
例如,单心拍对应的特征数据组合的m1*n1个特征数据,时序数据组合为m2*n2个时序数据,则输入到第二卷积神经网络的数据共有m1*n1+m2*n2个数据。如图2B所示,输入到第二卷积神经网络的单心拍对应的特征数据组合的5*2*25个特征数据,输入到第二卷积神经网络的单心拍对应的时序数据组合为5*1*25,则输入到第二卷积神经网络的数据共有5*3*25个数据。
在上述步骤206中,当第二卷积神经网络通过海量的具有各种病理特征的心电信号进行训练后,第二卷积神经网络即可通过输入层的数据,准确识别出该心电信号的病理类别。
在上述步骤207和步骤208中,可以对第一卷积神经网络通过海量的正常与异常的单心拍的心电信号进行训练,通过训练后,第一卷积神经网络即可准确识别出单心拍是否出现异常。例如,当将25个单心拍顺次输入到第一卷积神经网络后,第一卷积神经网络可以对单心拍的正常与异常做出判决,例如,1表示单心拍正常,0表示单心拍异常,则25个单心拍可对应25个0和1的序列组合,通过该序列组合,即可识别出这25个单心拍中出现异常的心拍位置。
如图2C所示,第一卷积神经网络包括四层卷积,每层卷积除输入输出数据和卷积核尺寸不同外,计算顺序均相同,即单心拍的数据在输入第一卷积神经网络后,先经过卷积和激活,然后池化(pooling),从而得到该卷积层输出的特征数据,其中,第一层卷积层到第三层卷积层中,每层都包含连续的两级卷积和激活,第四层只有一级卷积层。其中,激活运算一般有sigmoid、tanH、reLu等函数。在第一卷积神经网络中,卷积运算用以提取心电信号的特征数据;激活运算用以提升特征数据的非线性性,即活跃度;池化运算是对特征数据降维。
如图2D所示,第二卷积神经网络包括三层卷积,每层卷积除输入输出数据和卷积核尺寸不同外,计算顺序均相同,即输入数据(包括心电信号的时序数据)在输入第二卷积神经网络后,先经过卷积和激活,从而得到该卷积层输出的特征数据,其中,第一层卷积层到第三层卷积层中,每层都包含一级卷积和激活,并未包含池化。
本实施例中,在第二卷积神经网络对连续的心电信号做出病理诊断的同时,还能够通过第一卷积神经网络准确地给出现异常的心拍位置;由于第一卷积神经网络输出的特征数据组合可以看成是原始的单心拍的近似,因此将第一卷积神经网络输出的特征数据累加到原始的心电信号中,大大增强识别心电信号的性能。
图3A是本发明又一示例性实施例的心电信号的检测方法的流程示意图,图3B是图3A所示实施例所适用的检测心电信号的架构示意图之一,图3C是图3A所示实施例所适用的检测心电信号的架构示意图之二;如图3A所示,包括如下步骤:
步骤301,对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍。
步骤301的描述可以参见上述图1A所示实施例的描述,在此不再详述。
步骤302,将第一设定个数的单心拍顺次输入到第一卷积神经网络。
步骤303,通过第一卷积神经网络提取第一设定个数的单心拍中每一个单心拍对应的特征数据组合。
步骤302和步骤303的描述可以参见上述图2A所示实施例的描述,在此不再详述。
步骤304,将第一设定个数的特征数据组合输入第二卷积神经网络的设定卷积层。
步骤305,将设定时间长度的心电信号输入第二卷积神经网络的输入层。
步骤306,通过第二卷积神经网络确定心电信号的病理类别。
步骤306的描述可以参见上述图2A所示实施例的描述,在此不再详述。
下面结合如图3B和图3C对步骤304和步骤305进行示例性说明。如图3B所示,可以将分割后的第一设定个数的单心拍顺次输入到第一卷积神经网络,将未分割的原始的心电信号输入到第二卷积神经网络,例如,原始连续的心电信号分割为20个单心拍,则20个单心拍的数据被顺次输入到第一卷积神经网络,其中,该20个单心拍的数据被第一卷积神经网络处理后,从第一卷积神经网络的第二层卷积层输出的特征数据,可先缓存得到20组特征数据组,其中,若每一个单心拍从第二层卷积层输出的特征数据为21*32,则20个单心拍对应的特征数据的数量为21*32*20=420*32。
原始连续的心电信号被输入到第二卷积神经网络的输入层。
在一实施例中,可以将第一卷积神经网络的设定卷积层得到的特征数据注入到第二卷积神经网络的设定卷积层得到的特征数据。如图3C所示,将第一卷积神经网络的第二层卷积层得到的特征数据,注入到第二卷积神经网络的第二层卷积层得到的特征数据中,将这两组特征数据一起输入到第二卷积神经网络的第三层卷积层。例如,从第二卷积神经网络的第二卷积层得到的特征数据的数量为531*32,则第三层卷积层输入的特征数据的数量为420*32+531*32=(531-111)*32+531*32=531*64-111*32,若第三层卷积层能够处理的特征数据为531*64,因此对于第三层卷积层而言,缺少111*32个特征数据,对于缺少的部分,可以通过补零的方式确保第三层卷积层实际输入的特征数据与第三层卷积层需要处理的特征数据相一致。
需要说明的是,图3C仅为示例性说明,可以从第一卷积神经网络的各个卷积层输出不同维度的特征数据,注入到第二卷积神经网络的卷积层,从而可灵活调整第二卷积神经网络对第一卷积神经网络的特征数据的依赖程度。
本实施例中,通过将第一设定个数的特征数据组合输入第二卷积神经网络的设定卷积层,可以使第二卷积神经网络的识别结果依赖第一卷积神经网络的特征数据,从而可增强对心电信号的识别性能。
图4A是本发明再一示例性实施例的心电信号的检测方法的流程示意图,图4B是图4A所示实施例所适用的检测心电信号的架构示意图;如图4A所示,包括如下步骤:
步骤401,通过第二卷积神经网络确定设定时间长度的心电信号的病理类别。
步骤402,若病理类别表示心电信号出现异常,对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍。
步骤403,通过第一卷积神经网络确定第一设定个数的单心拍中出现异常的心拍位置。
可选的,在上述步骤403中,可以将第一设定个数的单心拍输入第一卷积神经网络的输入层;通过第一卷积神经网络对第一设定个数的单心拍中的每一个单心拍进行判决,得到判决结果;根据判决结果确定第一设定个数的单心拍中出现异常的心拍位置。
如图4B所示,将一段设定时间长度(例如,30秒)的连续心电信号的数据直接输入第二卷积神经网络,通过对该连续心电信号的数据进行识别,得到病理类别,若病理类别表示心电信号出现异常,可以对该设定时间长度的心电信号进行分割,得到例如25个单心拍的数据,通过第一卷积神经网络对这25个单心拍的数据进行顺次识别,得到判决结果,判决结果可以为0和1组成的序列,例如,0表示异常,1表示正常,则25个单心拍可以对应长度为25的0和1的组合,通过识别0所在的位置,即可确定这25个单心拍中出现异常的心拍位置。
本实施例中,第一卷积神经网络在第二卷积神经网络识别出的病理类别表示心电信号出现异常时,对该心电信号的单心拍逐个进行识别,从而识别出出现异常的心拍位置。
通过上述图2B、图3A和图3B以及图4B所示的架构图可知,本申请中的第一卷积神经网络可视为单心拍识别网络,第二卷积神经网络可视为心电信号检测网络,本申请中第一卷积神经网络和第二卷积神经网络的架构设计,可具有如下有益技术效果:
1)可以对第一卷积神经网络单独训练,降低对整个网络架构的训练难度;
2)对于参与训练的单心拍的数据,易于获取到充足的训练样本,因此第一卷积神经网络可以得到充分的训练,单心拍识别的稳定性和可靠性能够得到保障;
3)在第一卷积神经网络训练好后,可以基于第一卷积神经网络得到的特征数据,来增强第二卷积神经网络的训练,从而可解决长序列的连续心拍的心电信号的数据不足的问题;
4)由于心电信号的数量小,因此本申请中的架构设计可适用到嵌入式开发应用中。
图5是本发明一示例性实施例的心电信号的检测装置的结构示意图;如图5所示,该心电信号的检测装置可以包括:第一分割模块51、第一确定模块52、第二确定模块53。其中:
第一分割模块51,用于对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
第一确定模块52,用于确定第一分割模块51得到的第一设定个数的单心拍中每一个单心拍对应的特征数据组合,得到第一设定个数的特征数据组合;
第二确定模块53,用于基于设定时间长度的心电信号和第一确定模块52确定的第一设定个数的特征数据组合,确定设定时间长度的心电信号的病理类别。
图6是本发明另一示例性实施例的心电信号的检测装置的结构示意图,如图6所示,在上述图5所示实施例的基础上,第一确定模块52可包括:
第一输入单元521,用于将第一设定个数的单心拍顺次输入到第一卷积神经网络;
提取单元522,用于通过第一卷积神经网络提取第一设定个数的单心拍中每一个单心拍对应的特征数据组合。
在一实施例中,心电信号的检测装置还包括:
判决模块54,用于通过第一卷积神经网络对第一分割模块51得到的第一设定个数的单心拍中的每一个单心拍进行判决,得到判决结果;
第三确定模块55,用于根据判决模块54得到的判决结果确定第一设定个数的单心拍中出现异常的心拍位置。
在一实施例中,第二确定模块53可包括:
第一确定单元531,用于确定设定时间长度的心电信号中每一个单心拍对应的时序数据组合,得到第一设定个数的时序数据组合;
第二输入单元532,用于将第一确定单元531得到的第一设定个数的时序数据组合和第一设定个数的特征数据组合输入第二卷积神经网络的输入层;
第二确定单元533,用于通过第二卷积神经网络确定心电信号的病理类别。
其中,第一确定单元531具体可用于:
针对设定时间长度的心电信号中的每一个单心拍,确定该单心拍的R波对应的时间点;
确定与该单心拍的R波前后相邻第二设定个数以内的单心拍的R波各自对应的时间点;
基于该单心拍的R波对应的时间点以及与该单心拍前后相邻第二设定个数的单心拍的R波各自对应的时间点,确定该单心拍对应的时序数据组合。
在一实施例中,第二确定模块53包括:
第三输入单元534,用于将第一设定个数的特征数据组合输入第二卷积神经网络的设定卷积层;
第四输入单元535,用于将设定时间长度的心电信号输入第二卷积神经网络的输入层;
第三确定单元536,用于通过第二卷积神经网络对第三输入单元534输入的第一设定个数的特征数据组合和第四输入单元535输入的心电信号进行识别,确定心电信号的病理类别。
图7是本发明又一示例性实施例的心电信号的检测装置的结构示意图,如图7所示,心电信号的检测装置可包括:第四确定模块71、第二分割模块72、第五确定模块73;其中:
第四确定模块71,用于通过第二卷积神经网络确定设定时间长度的心电信号的病理类别;
第二分割模块72,用于若第四确定模块71确定的病理类别表示心电信号出现异常,对设定时间长度的心电信号进行分割,得到第一设定个数的单心拍;
第五确定模块73,用于通过第一卷积神经网络确定第二分割模块72得到的第一设定个数的单心拍中出现异常的心拍位置。
在一实施例中,第五确定模块73可包括:
第五输入单元731,用于将第一设定个数的单心拍输入第一卷积神经网络的输入层;
判决单元732,用于通过第五输入单元731输入到第一卷积神经网络对第一设定个数的单心拍中的每一个单心拍进行判决,得到判决结果;
第四确定单元733,用于根据判决单元732得到的判决结果确定第一设定个数的单心拍中出现异常的心拍位置。
本申请内存检测装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图8所示,为本申请心电信号的检测装置所在电子设备的一种硬件结构图,除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。