可穿戴设备的状态监测方法、装置及可穿戴设备
技术领域
本申请涉及可穿戴设备技术领域,尤其涉及一种可穿戴设备的状态监测方法、装置及可穿戴设备。
背景技术
睡眠质量的好坏直接关系到用户的健康问题,因此用户也越来越多的关注到睡眠质量。现有技术通过可穿戴设备记录用户的活动量来判断睡眠状态,进而通过睡眠状态来评价用户的睡眠质量。
在实施本发明实施例的过程中,发明人发现,用户会在洗澡时摘掉可穿戴设备,或者会在起床后摘掉可穿戴智能设备进行洗漱,又或者会晚上佩戴可穿戴设备入睡而在半夜感觉不舒服时摘掉可穿戴设备等。而对于静止放置可穿戴设备的场景和由用户佩戴着可穿戴设备熟睡的场景来说,两者加速度传感器表现的物理特征非常相似的。
因此通过监测用户的体动或活动量已不能准确地判断出可穿戴设备的状态(佩戴状态或未佩戴状态),进而会影响后续对用户睡眠质量的监测。
发明内容
有鉴于此,本申请提供一种新的技术方案,可以解决用户未佩戴可穿戴设备对睡眠监测的干扰的技术问题。
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,提出了一种可穿戴设备的状态监测方法,包括:
通过多轴加速度传感装置采集多个轴向的加速度数据;
根据所述加速度数据确定当前时间段内用户的活动量;
若所述活动量小于或等于第一预设阈值,则采集所述用户的生理特征数据;其中,所述第一预设阈值为大于0的正数;
根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态。
根据本申请的第二方面,提出了一种可穿戴设备的状态监测装置,包括:
加速度采集模块,用于通过多轴加速度传感装置采集多个轴向的加速度数据;
活动量确定模块,用于根据所述加速度数据确定当前时间段内用户的活动量;
生理数据采集模块,用于当所述活动量小于或等于第一预设阈值时,采集所述用户的生理特征数据;其中,所述第一预设阈值为大于0的正数;
设备状态确定模块,用于根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态。
根据本申请的第三方面,提出了一种可穿戴设备,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,被配置为执行上述任一种所述的可穿戴设备的状态监测方法。
根据本申请的第四方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种所述的可穿戴设备的状态监测方法。
由以上技术方案可见,本申请基于加速度数据确定用户的活动量,并在该活动量小于或等于第一预设阈值时采集用户的生理特征数据,进而根据采集的生理特征数据确定当前时间段的可穿戴设备的状态,可以实现将可穿戴设备的未佩戴状态与用户处于睡眠状态进行准确区分,因而提高后续对用户睡眠时间的判断的准确性,即可提高后续对用户睡眠质量的监测的可信度。
附图说明
图1A示出了相关方案中用户由清醒到睡眠场景的活动量示意图;
图1B示出了相关方案中用户由清醒到摘掉可穿戴设备场景的活动量示意图;
图1C示出了相关方案中用户由睡眠到摘掉可穿戴设备场景的活动量示意图;
图1D示出了相关方案中用户睡眠中存在体动场景的活动量示意图;
图2示出了根据本发明的一示例性实施例的可穿戴设备的状态监测方法的流程示意图;
图3A示出了根据本发明的一示例性实施例的清醒状态下实时采集的加速度数据数据的示意图;
图3B示出了根据本发明的一示例性实施例的睡眠状态下实时采集的加速度数据;
图3C示出了根据本发明的一示例性实施例的不佩戴可穿戴设备状态下实时采集的加速度数据的示意图;
图4A示出了根据本发明的一示例性实施例的如何确定活动量的流程示意图;
图4B示出了根据本发明的一示例性实施例的如何确定活动向量的流程示意图;
图5示出了根据本发明的一示例性实施例的如何根据生理特征数据确定可穿戴设备的状态的流程示意图;
图6示出了根据本发明的一示例性实施例的可穿戴设备被误触情况下的用户活动量示意图;
图7示出了根据本发明的一示例性实施例的可穿戴设备的结构示意图;
图8示出了根据本发明的一示例性实施例的可穿戴设备的状态监测装置的结构示意图;
图9示出了根据本发明的又一示例性实施例的可穿戴设备的状态监测装置的结构示意图。
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”。
图1A示出了相关方案中用户由清醒到睡眠场景的活动量示意图;图1B示出了相关方案中用户由清醒到摘掉可穿戴设备场景的活动量示意图;图1C示出了相关方案中用户由睡眠到摘掉可穿戴设备场景的活动量示意图;图1D示出了相关方案中用户睡眠中存在体动场景的活动量示意图;
由图1A至图1D可以看出,四幅图的活动量走势完全一致,但是应用场景却不相同,图1A示出的为用户佩戴可穿戴设备由清醒状态进入睡眠状态的活动量,因而活动量由大于0的状态变为0;图1B示出的为用户清醒状态下摘掉可穿戴设备的场景,由于摘掉了该可穿戴设备,因而无法监测到用户的活动量,因而活动量由大于0的状态变为0;图1C示出的为用户半夜醒来或者用户早上醒来进行洗漱而摘掉可穿戴设备的场景,因而活动量由大于0的状态变为0;图1D为用户睡眠中正常佩戴设备翻身或者有体动的场景。由此可知,上述仅仅通过活动量监测方法并不能够准确地判断出可穿戴设备的状态(佩戴状态或未佩戴状态),进而会影响后续对用户睡眠质量的监测。
本申请可以基于加速度数据确定用户的活动量,并在该活动量小于或等于第一预设阈值时采集用户的生理特征数据,进而根据采集的生理特征数据确定当前时间段的可穿戴设备的状态,可以实现将可穿戴设备的未佩戴状态与用户处于睡眠状态进行准确区分,因而提高后续对用户睡眠时间的判断的准确性,即可提高后续对用户睡眠质量的监测的可信度。
为了对本申请进行进一步说明,提供下列实施例:
图2示出了根据本发明的一示例性实施例的可穿戴设备的状态监测方法的流程示意图;如图2所示,该方法包括如下步骤:
S1:通过多轴加速度传感装置采集多个轴向的加速度数据;
在一个可选的实施例中,所述多个轴向的加速度数据可以为两个以上轴向的加速度传感器采集的多个轴向的加速度数据。例如,如图3A至图3C所示,横轴表示采样点,例如横轴对应的“200”表示第200个采样点,纵轴表示加速度数据的大小,其中,以三轴加速度传感器每分钟1500个采样点的加速度数据为例进行说明,标号11表示三轴加速度传感器在x轴方向的加速度数据,标号12表示三轴加速度传感器在y轴方向的加速度数据,标号13表示三轴加速度传感器在z轴方向的加速度数据。
S2:根据所述加速度数据确定当前时间段内用户的活动量;
由图3A至图3C可知,在用户处于清醒状态、睡眠状态以及未佩戴可穿戴设备状态下,加速度数据的大小在三个轴向的幅值均较为平稳,因此现有技术并不能从加速度数据直观的分辨上述三种状态,进而使清醒状态、未佩戴可穿戴设备状态对用户的睡眠状态的监测形成干扰。
为了区分上述三种状态,本实施例通过将多个轴向的加速度数据转化为相应的活动量来判断用户的活动状态,根据加速度数据的相关欧式距离、平移、差分、求和、均值得到活动量,活动量的一个计算方式可以参见下述图4A所示实施例,在此先不详述。
S3:若所述活动量小于或等于第一预设阈值,则采集所述用户的生理特征数据;其中,所述第一预设阈值为大于0的正数;
在一实施例中,由于用户佩戴可穿戴设备但处于睡眠(有较小体动)或未佩戴可穿戴设备等情况下的活动量基本上接近0,因此为了明显区分这两种状态下的活动量与用户清醒状态的活动量的区别,第一预设阈值可以设置为一个较小的正数。
在另一实施例中,也可以将所述第一预设阈值设置为0,则在判断并获知所述活动量等于0时,采集所述用户的生理特征数据。
在一实施例中,可以在所述活动量小于或等于第一预设阈值时,通过开启红外传感器、光电容积脉搏波PPG传感器或硬件电路(具体可以根据该可穿戴设备的功能以及佩戴于用户身体上的部位决定)等采集所述用户的心跳或脉搏等生理数据,并从所述生理数据中提取出对应的生理特征数据;
在一实施例中,可以分别在时域和频域上从所述生理数据中提取特征,以得到生理特征数据,其中,所述特征可以包括幅值均值、幅值方差、幅值的极大值、幅值的极小值、频谱信息、倒谱信息以及熵中的至少两种。
S4:根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态;
可以理解的是,由于用户佩戴可穿戴设备但处于睡眠以及未佩戴可穿戴设备等情况下的活动量相近(均接近0),因而无法根据该几种状态下的活动量确定可穿戴设备的状态,进而无法准确区分出来用户的实际起睡时间(即起床时间、入睡时间)。
因此通过所述可穿戴设备中的生理数据采集装置采集所述用户的生理数据,并根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态。其中,确定可穿戴设备的状态的一种具体方式可以参见下述图5所示实施例,在此先不详述。
可以理解的是,在确定可穿戴设备的状态后,即可采用后续的睡眠质量监测方法对所述用户的睡眠质量进行监测,消除无法准确区分出各种可穿戴设备佩戴场景对睡眠监测的影响,准确地判断用户的睡眠时间点,从而可以提高对用户睡眠质量的监测的可信度。
在一实施例中,睡眠质量监测方法可以包括将对用户睡眠质量的监测结果以图表、数据等方式进行显示,使用户更清楚的了解自身的睡眠情况。
由上述描述可知,本发明实施例通过上述步骤S1至步骤S4可以基于加速度数据确定用户的活动量,并在该活动量小于或等于第一预设阈值时采集用户的生理特征数据,进而根据采集的生理特征数据确定当前时间段的可穿戴设备的状态,可以实现将可穿戴设备的未佩戴状态与用户处于睡眠状态进行准确区分,因而提高后续对用户睡眠时间的判断的准确性,即可提高后续对用户睡眠质量的监测的可信度。
在一个实施例中,步骤S3中所述若所述活动量小于或等于第一预设阈值,则采集所述用户的生理特征数据,还可以包括:
若所述活动量小于或等于第一预设阈值,并且所述可穿戴设备在所述当前时间段的前一时间段的状态为佩戴状态,则采集所述用户的生理特征数据。
具体来说,若在所述当前时间段的前一时间段,所述可穿戴设备的状态被判断为未佩戴,则无需执行采集所述用户的生理数据的操作,监测结束。
可以理解的是,若前一时间段所述可穿戴设备的状态为未佩戴,而当前时间段的状态变为佩戴,则必然会监测到较大的(大于所述第一预设阈值的)活动量,而不会触发采集所述生理特征数据的条件(活动量小于或等于第一预设阈值)。换言之,只有在判断并获知所述前一时间段所述可穿戴设备的状态为佩戴时才执行所述采集所述用户的生理特征数据,如此即可避免传感器一直采集用户的生理特征数据,即能够起到节约可穿戴设备的电量,增强续航能力的作用。
图4A示出了根据本发明的一示例性实施例的如何确定活动量的流程示意图;如图4A所示,在上述实施例的基础上,步骤S2所述根据所述加速度数据确定当前时间段内用户的活动量,可以包括:
S21:计算所述多个轴向上的每一个轴向的加速度数据的欧式距离,得到各轴向对应的距离向量;
在一实施例中,多个轴向上的加速度数据的欧氏距离可以通过三轴加速度传感器采集到的x、y、z的在一分钟内各自对应的1500个加速度数据计算得到,例如,距离向量s=[s1,s2,…,sN],其中,N为设定时间周期内的采样点的个数,本实施例以N=1500进行示例性说明。
S22:根据所述各轴向对应的距离向量确定用于表示所述当前时间段内所述用户的活动量的活动向量;
在一实施例中,可以通过对距离向量进行平移等处理得到活动向量news=[news1,news2,news3,news4]。
S23:根据所述活动向量确定所述当前时间段内所述用户的活动量。
在一实施例中,可以对活动向量进行求和的平方,除以2,得到用户的活动量。
举例来说,对上述S22得到的活动向量进行求和的平方,得到(news1+news2+news3+news4)2/2,由此得到当前时间段内所述用户的活动量。
图4B示出了根据本发明的一示例性实施例的如何确定活动向量的流程示意图;如图4B所示,步骤S22可以通过如下流程实现:
S221:对距离向量进行平移操作,得到平移后的第一设定个数的向量;
在一实施例中,对距离向量s=[s1,s2,…,sN]进行平移的操作包括:距离向s=[s1,s2,…,sN]向左平移1位得到距离向量s1=[s2,…,sN,s1],距离向量s1向左平移1位得到距离向量s2=[s3,…,sN,s1,s2],距离向量s2向左平移1位s3=[s4,…,sN,s1,s2,s3],本实施例中的第一设定个数为3。
S222:分别提取距离向量与第一设定个数的向量的前第二设定个数的元素,得到第三设定个数的向量;其中,第三设定个数为第一设定个数加1得到;
在一实施例中,分别提取距离向量s、s1、s2、s3的N-3维数据,得到4个N-3维的向量,分别为news1=[s1,s2,…,sN-3]、news2=[s2,…,sN-2]、news4=[s4,…,sN]、news3=[s3,…,sN-1]。本实施例中的第二设定个数为N-3,第三设定个数为4,本领域技术人员可以理解的是,上述N-3以及4等具体值仅用于示例,并不能形成对本申请的限制。
S223:对第三设定个数的向量求和,得到一个总向量;
将上述4个N-3维的向求和,得到总向量news=news1+news2+news3+news4。
S224:确定总向量的差分向量;
S225:确定总向量的差分向量的绝对值向量;
其中,总向量的差分向量可以表示相邻两个采样点之间的差异,在差异足够小的情形下,差分值接近0。
通过计算差分向量中的每一个元素的绝对值即可得到总向量的差分向量的绝对值向量。
S226:将绝对值向量除以第三设定个数,得到活动向量。
在一实施例中,将绝对值向量除以4,即可得到活动向量active。
本实施例中,针对采集得到的基于多个轴向的实时加速度数据,得到一个用于表示用户的活动量的活动向量,进而得到用户的活动量,从而使活动量的考量更完整、客观。
本领域技术人员可以理解的是,本申请仅以三轴加速度传感器监测到的加速度数据来监测用户的活动量为例进行示例性说明,本申请还可以使用更多轴或者两轴的加速度传感器采集到的加速度数据得到活动量;对于上述实施例中涉及到的计算活动量所使用的欧式距离、平移、差分、求和、均值等步骤,本申请对各个步骤的处理顺序不做限制。
图5示出了根据本发明的一示例性实施例的如何根据生理特征数据确定可穿戴设备的状态的流程示意图;如图5所示,在上述实施例的基础上,步骤S4所述根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态,可以包括:
S41:将所述生理特征数据输入预先训练的分类器;其中,所述分类器包括预先根据所述用户的生理特征数据样本训练的用于区分所述用户是否佩戴可穿戴设备的多分类器;
在一实施例中,可以根据的可穿戴设备的状态,以及每一状态对应的生理特征数据样本的组合训练该多分类器。
在一实施例中,可以对用于训练分类器的生理特征数据样本进行归一化处理,以将有量纲的数据经过变换化为无量纲的数据,成为标量。
同理,在具体应用过程中,将提取的生理特征数据输入分类器进行分类前,也需对待输入的生理特征数据进行归一化处理。
举例来说,假设提取的生理特征数据为幅值均值、幅值方差、幅值的极大值,幅值均值对应的二分类器的结果为A0或A1;幅值方差对应的二分类器的结果为B0或B1;幅值的极大值对应的二分类器的结果为C0或C1,其中,“0”表示“小于或等于对应的分类器阈值”、“1”表示“大于对应的分类器阈值”;
例如,某一时间段内上述幅值均值、幅值方差、幅值的极大值对应的二分类器的结果分别为A1、B0、C1,且该时间段内可穿戴设备的状态为“佩戴”;另一时间段内上述幅值均值、幅值方差、幅值的极大值对应的二分类器的结果分别为A0、B0、C1,且该时间段内可穿戴设备的状态为“未佩戴”;……;则可以根据这些已知的状态以及每一状态对应的生理特征数据样本的组合训练该多分类器。
S42:根据所述分类器的分类结果确定所述可穿戴设备的状态。
在一实施例中,根据所述分类器的分类结果(如结果“1”代表“佩戴”;“0”代表“未佩戴”)来匹配对应的可穿戴设备的状态。
在一实施例中,提取所述生理数据对应的生理特征数据之前,所述方法还可以包括:
对所述生理数据进行高通滤波处理。
在一实施例中,可以将采集的所述生理数据输入一高通滤波器,以去除采集的生理数据中不必要的低频成分(低频干扰)。
可以理解的是,即使可穿戴设备在静止放置(未佩戴)时也会存在直流信号干扰,因而通过设置高通滤波器,似的某一预设频率以上的信号分量通过,去除不必要的低频成分,可以降低噪声影响,提高数据采集的精度。
图6示出了根据本发明的一示例性实施例的可穿戴设备被误触情况下的用户活动量示意图;如图6所示,通常情况下,若可穿戴设备的状态为未佩戴,而被放在桌面上或者床头等处,此时监测到的用户的活动量应为0。而当用户在进行其他活动时不小心触碰该可穿戴设备,将产生活动量,此时会将可穿戴设备的状态由未佩戴变更为佩戴,而下一时间段又会将可穿戴设备的状态确定为未佩戴。
显然,这是一种“误判”情况,且该情况是由于可穿戴设备被误触导致的。有鉴于此,在一实施例中,所述方法还可以包括:
若所述可穿戴设备的状态为佩戴状态,则确定所述当前时间段的前一时间段所述可穿戴设备的状态;
若所述前一时间段所述可穿戴设备的状态为未佩戴状态,监测所述当前时间段的后一时间段所述可穿戴设备的状态;
若所述后一时间段所述可穿戴设备的状态为未佩戴状态,则基于所述当前时间段的活动量与预设的活动量阈值的大小关系,对所述当前时间段所述可穿戴设备的状态进行校正。
可以理解的是,用户佩戴所述可穿戴设备的过程中所需的活动量是大于可穿戴设备被误触导致的活动量是不同的,因而可以通过设置所述预设的活动量阈值来区分两种情况。
在一实施例中,所述预设的活动量阈值可以通过统计用户在最初使用可穿戴设备的一段时间内(例如,使用可穿戴设备1个月之内)的使用习惯得到。
在一实施例中,所述基于所述当前时间段的活动量与预设的活动量阈值的大小关系,对所述当前时间段所述可穿戴设备的状态进行校正,可以包括:
若监测并获知所述当前时间段的活动量小于所述预设的活动量阈值,则将所述当前时间段所述可穿戴设备的状态校正为未佩戴状态。
本实施例中,由于考虑到误触可穿戴设备会导致佩戴状态的误判,因而通过监测可穿戴设备的状态以及活动量的方法,将被未佩戴状态的长时间段内所包裹的佩戴状态的短时间段重新置为未佩戴状态,降低了佩戴状态的误判概率,提高了佩戴状态判断的准确性。
对应于上述的可穿戴设备的状态监测方法,本申请还提出了图7所示的根据本申请的一示例性实施例的可穿戴设备的示意结构图。请参考图7,在硬件层面,该可穿戴设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成可穿戴设备的状态监测装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一种所述的可穿戴设备的状态监测方法。
图8为根据本发明的一示例性实施例的可穿戴设备的状态监测装置的结构示意图;如图8所示,该可穿戴设备的状态监测装置可以包括:加速度采集模块10、活动量确定模块20、生理数据采集模块30以及设备状态确定模块40,其中:
加速度采集模块10,用于通过多轴加速度传感装置采集多个轴向的加速度数据;
活动量确定模块20,用于根据所述加速度数据确定当前时间段内用户的活动量;
生理数据采集模块30,用于当所述活动量小于或等于第一预设阈值时,采集所述用户的生理特征数据;其中,所述生理特征包括心跳以及脉搏中的至少一项;
设备状态确定模块40,用于根据所述生理特征数据确定所述当前时间段内所述可穿戴设备的状态。
在一实施例中,所述生理数据采集模块30还可以用于当所述活动量小于或等于第一预设阈值,并且所述可穿戴设备在所述当前时间段的前一时间段的状态为佩戴状态时,采集所述用户的生理特征数据其中,默认可穿戴设备的初始状态为佩戴。
图9示出了根据本发明的又一示例性实施例的可穿戴设备的状态监测装置的结构示意图;如图9所示,在上述图8所示实施例的基础上,在一实施例中,活动量确定模块20可包括:
距离计算单元21,用于计算所述多个轴向上的每一个轴向的加速度数据的欧式距离,得到各轴向对应的距离向量;
向量确定单元22,用于根据所述各轴向对应的距离向量确定用于表示所述当前时间段内所述用户的活动量的活动向量;
活动量确定单元23,用于根据所述活动向量确定所述当前时间段内所述用户的活动量。
在一实施例中,所述设备状态确定模块40还可以包括:
特征数据输入单元41,用于将所述生理特征数据输入预先训练的分类器;其中,所述分类器包括预先根据所述用户的生理特征数据样本训练的用于区分所述可穿戴设备的不同状态的多分类器;
设备状态确定单元42,用于根据所述分类器的分类结果确定所述可穿戴设备的状态。
在一实施例中,所述装置还包括:设备状态校正模块50,所述设备状态校正模块50包括:
第一确定单元51,用于当所述可穿戴设备的状态为佩戴状态时,确定所述当前时间段的前一时间段所述可穿戴设备的状态;
第一监测单元52,用于当所述前一时间段所述可穿戴设备的状态为未佩戴状态时,监测所述当前时间段的后一时间段所述可穿戴设备的状态;
状态校正单元53,用于当所述后一时间段所述可穿戴设备的状态为未佩戴状态时,基于所述当前时间段的活动量与预设的活动量阈值的大小关系,对所述当前时间段所述可穿戴设备的状态进行校正。
在一实施例中,所述状态校正单元42具体用于当监测并获知所述当前时间段的活动量小于所述预设的活动量阈值时,将所述当前时间段所述可穿戴设备的状态校正为未佩戴状态。
上述实施例可见,本申请基于加速度数据确定用户的活动量,并在该活动量小于或等于第一预设阈值时采集用户的生理特征数据,进而根据采集的生理特征数据确定当前时间段的可穿戴设备的状态,可以实现将可穿戴设备的未佩戴状态与用户处于睡眠状态进行准确区分,因而提高后续对用户睡眠时间的判断的准确性,即可提高后续对用户睡眠质量的监测的可信度。
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。