一种基于BCI情感反馈的AI生成音乐优化方法以及相关装置与流程

一种基于bci情感反馈的ai生成音乐优化方法以及相关装置
技术领域
1.本技术涉及人工智能技术领域，尤其涉及一种基于bci情感反馈的ai生成音乐优化方法以及相关装置。


背景技术：

2.音乐是抚平心灵创伤和调整情感的灵药，使得人们具有更加正面地情感价值。为了使人们能够与音乐产生共鸣和情感连接，使音乐作品更具有感染力和互动性，在现有音乐创作过程中，音乐艺术家需要考虑听众的情感体验。
3.目前，传统音乐创作依赖于听众的主观情感反馈和音乐艺术家的主观艺术理解。然而，听众不一定能够及时准确地表达其主观情感感受，无法实时准确地感知用户在听音乐时的情感；音乐艺术家需要理解听众情感后，再根据其理解调整音乐创作设备的相关音乐参数，但是音乐艺术家的主观艺术理解存在诸多差异。可见，传统音乐创作无法实时准确地感知用户情感和无法自动调整音乐创作设备参数。


技术实现要素：

4.本技术提供了一种基于bci情感反馈的ai生成音乐优化方法，以解决当前音乐创作设备无法实时感知用户情感和无法自动调整音乐参数的技术问题。
5.为了解决上述技术问题，第一方面，本技术提供了一种基于bci情感反馈的ai生成音乐优化方法，包括：获取听众用户在当前音乐环境下的脑电特征数据，所述当前音乐环境为正在播放第一ai音乐数据的环境；利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据；利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据；以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据。
6.在第一方面的一些实现方式中，所述获取听众用户在当前音乐环境下的脑电特征数据，包括：播放所述第一ai音乐数据，并基于脑电检测设备采集所述听众用户的多个脑部区域的脑电信号；对于每个所述脑部区域的脑电信号，利用与所述脑部区域对应的预设信号特征提取算法，提取所述脑电信号的脑电特征数据。
7.在第一方面的一些实现方式中，所述预设情感分类模型包括与脑部区域对应的多个情感分类网络和一个融合决策网络，所述利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据，包括：
对于每个所述脑部区域的脑电特征数据，利用所述脑部区域对应的情感分类网络，根据所述脑部区域的脑电特征数据，识别所述脑部区域所表征的区域情感数据；利用所述融合决策网络，对多个所述脑部区域所表征的区域情感数据进行融合，得到所述听众用户的当前情感数据。
8.在第一方面的一些实现方式中，所述预设情感分类模型的表达式为：；其中，为当前情感数据，为融合决策网络的激活函数，为脑部区域数量，为第个脑部区域的权重矩阵，表示第个脑部区域的情感分类网络，为情感分类网络的激活函数，为第个情感分类网络的权重矩阵，为脑部区域的脑电特征数据，为第个情感分类网络的偏置向量，为融合决策网络的偏置向量。
9.在第一方面的一些实现方式中，所述利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据，包括：将所述当前情感数据和第一ai音乐数据输入至所述预设ai生成音乐模型，计算所述当前情感数据与预设情感数据之间的误差值；基于所述误差值，调整所述第一ai音乐数据的音乐参数，得到第二ai音乐数据。
10.在第一方面的一些实现方式中，所述计算所述当前情感数据与预设情感数据之间的误差值，包括：利用预设误差函数，计算所述当前情感数据与预设情感数据之间的误差值，所述预设误差函数的表达式为：；其中，表示当前情感数据与预设情感数据之间的误差值，表示最大值函数，表示当前情感数据，表示预设情感数据。
11.在第一方面的一些实现方式中，所述以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据，包括：以所述第二ai音乐数据作为新的第一ai音乐数据，识别所述听众用户在当前ai音乐环境下的情感数据；若所述听众用户在当前音乐环境下的情感数据符合预设情感数据，则确定所述第二ai音乐数据为目标音乐数据；若所述听众用户在当前音乐环境下的情感数据不符合预设情感数据，则以梯度下降方式，继续优化所述新的第一ai音乐数据，直至所述听众用户在当前音乐环境下的情感数据符合预设情感数据。
12.第二方面，本技术还提供一种基于bci情感反馈的ai生成音乐优化装置，包括：获取模块，用于获取听众用户在当前音乐环境下的脑电特征数据，所述当前音乐环境为正在播放第一ai音乐数据的环境；识别模块，用于利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据；
调参模块，用于利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据；优化模块，用于以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据。
13.第三方面，本技术还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的基于bci情感反馈的ai生成音乐优化方法。
14.第四方面，本技术还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于bci情感反馈的ai生成音乐优化方法。
15.与现有技术相比，本技术至少具备以下有益效果：通过获取听众用户在当前音乐环境下的脑电特征数据，所述当前音乐环境为正在播放第一ai音乐数据的环境，利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据，以自动实时感知听众用户在听到第一ai音乐数据时的情感反馈；利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据，以自动调整第一ai音乐数据的音乐参数，无需艺术家基于经验理解进行手动调整音乐创作设备中关于第一ai音乐数据的音乐参数，提高音乐创作设备的智能化和调参准确度；以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据，实现了自动化调参。
附图说明
16.图1为本技术实施例示出的基于bci情感反馈的ai生成音乐优化方法的流程示意图；图2为本技术实施例示出的基于bci情感反馈的ai生成音乐优化装置的结构示意图；图3为本技术实施例示出的计算机设备的结构示意图。
具体实施方式
17.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
18.请参照图1，图1为本技术实施例提供的一种基于bci情感反馈的ai生成音乐优化方法的流程示意图。本技术实施例的基于bci情感反馈的ai生成音乐优化方法可应用于具备音乐创作功能的计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的基于bci情感反馈的ai生成音乐优化方法包括步骤s101至步骤s104，详述如下：步骤s101，获取听众用户在当前音乐环境下的脑电特征数据，所述当前音乐环境为正在播放第一ai音乐数据的环境。
19.在本步骤中，在听众用户所处环境播放第一ai音乐数据，该第一ai音乐数据可以是随机生成的ai音乐，使用脑电检测设备对听众用户进行检测，并记录其脑电信号，再对脑电信号进行特征提取，得到脑电特征数据。
20.在一些实施例中，所述步骤s101，包括：播放所述第一ai音乐数据，并基于脑电检测设备采集所述听众用户的多个脑部区域的脑电信号；对于每个所述脑部区域的脑电信号，利用与所述脑部区域对应的预设信号特征提取算法，提取所述脑电信号的脑电特征数据。
21.在本实施例中，为听众提供头戴式可检测情感相关脑电信号的脑机接口（brain computer interface，bci）头环，该头环覆盖前额叶、颞叶等区域，并附有电极网，用于接收和记录对应脑部区域（如杏仁核与额叶区域、内侧前额叶皮层以及脑岛区域）的脑电信号。例如，抑郁情感的严重程度与杏仁核与额叶区域（包括：背外侧前额叶皮质和前扣带皮层）的连接减少有关；心境障碍患者的内侧前额叶皮层、杏仁核以及脑岛都呈现出异常的神经反馈，并且在背外侧前额叶皮层呈现出神经反馈弱化。
22.可选地，对采集到的脑电信号进行预处理，包括但不限于去除噪声、滤波、降采样等预处理操作，以有助于提高后续处理的准确性。从预处理后的脑电信号中提取有意义的脑电特征数据，特征提取包括但不限于时域特征（如均值、方差）、频域特征（如功率谱密度）和时频域特征（如小波变换系数）。
23.可选地，使用特征选择或降维方法，如主成分分析（pca）或线性判别分析（lda），以减少特征维度并提高分类性能。
24.步骤s102，利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据。
25.在本步骤中，预设情感分类模型可以为基于深度学习算法的多分类模型。深度学习可通过深层非线性网络结构学习特征，并通过组合低层特征形成更加抽象的深层表示 ( 属性类别或特征) ，实现复杂函数逼近，从而可以学习到数据集的本质特征。示例性地，在输入层使用多个节点，以上述脑部区域的脑电信号等为输入向量x1
………
xn（特征）。各节点通过激活函数实现非线性变换后输入，可以通过多个隐藏层进行输出；将神经网络输出与实际输出或期望输出进行比较。根据误差的大小，采用反向传播算法（back-propagation algorithm，bp算法）改变连接权值w值和b值，通过模型不断迭代最小化损失函数，使各预测结果值和真实结果值越来越接近，损失函数值不再变化，例如直到误差达到接近0.001。对于多分类问题，可以采用softmax损失函数。最后，在训练阶段结束后，将权重值固定到最终值。通过该模型对脑电特征数据进行分析和处理，并判断出听众当前的情感反馈。
26.在一些实施例中，所述预设情感分类模型包括与脑部区域对应的多个情感分类网络和一个融合决策网络，所述步骤s102，包括：对于每个所述脑部区域的脑电特征数据，利用所述脑部区域对应的情感分类网络，根据所述脑部区域的脑电特征数据，识别所述脑部区域所表征的区域情感数据；利用所述融合决策网络，对多个所述脑部区域所表征的区域情感数据进行融合，得到所述听众用户的当前情感数据。
27.在本实施例中，例如，将多个脑区特征的各个分类过程统一到一个完整的cnn 融合决策网络之中，该网络融合了各个单一脑区特征的cnn情感分类网络，情感分类网络由一系列卷积、池化和relu激活层组成的cnn模型。网络融合可以采用基于点开关玻尔兹曼机(point-wise gated boltzmann machine, pgbm)的网络融合方法：将多个cnn情感分类网络的最后一层特征向量进行拼接，拼接后的特征向量作为pgbm部分可见层的输入进行该部分的训练，pgbm部分采用对比散度方法进行训练。通过训练后得到的网络连接权重，可以获得拼接后特征向量中任务相关部分的特征表示，该部分特征表示作为新加入的全连接层的输入，对新加入的全连接层进行训练。
28.在一些实施例中，所述预设情感分类模型的表达式为：；其中，为当前情感数据，为融合决策网络的激活函数，为脑部区域数量，为第个脑部区域的权重矩阵，表示第个脑部区域的情感分类网络，为情感分类网络的激活函数，为第个情感分类网络的权重矩阵，为脑部区域的脑电特征数据，为第个情感分类网络的偏置向量，为融合决策网络的偏置向量。
29.在本实施例中，以多个脑区的脑电特征数据分别作为对应情感分类网络的输入，以得到相应的分类结果，再通过融合决策网络对多个分类结果进行融合决策，得到最终情感分类结果，能够充分考虑各个脑区对情感分类结果的影响，提高情感分类的准确度。
30.步骤s103，利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据。
31.在本步骤中，根据情感模型的输出，对音乐参数进行调整，也可以根据用户的喜好和情感反馈，调整音高、音色、节奏、声音强度等参数，以使音乐更符合用户的情感需求。例如，将情感识别的结果反馈给预设ai生成音乐模型，如果听众的情感为负面情感，模型会自动调整ai音乐数据生成的音乐旋律，将其转换为更正向或抒情风格的音乐，以达到情感优化的效果。
32.可选地，对于预设ai生成音乐模型，收集带有标记的情感数据样本，并记录与之相关联的音乐特征，如节奏、和弦进程、音色等。使用机器学习算法对这些数据进行训练，以构建一个能够将情感分类与音乐特征关联起来的模型。基于情感分类模型和音乐生成算法，模型可以根据用户当前的情感状态自动生成符合该情感的音乐作品。音乐风格、曲调、速度等可以根据情感分类与音乐特征的关联来选择和调整。根据用户情感的变化，模型可以实时生成并调整音乐作品，以适应不同的情感状态。当用户情感发生变化时，模型可以自动切换到相应的音乐风格和特征，以提供更符合用户当前情感的音乐体验。用户可以提供对生成的音乐作品的反馈，如喜欢或不喜欢。模型可以根据用户的反馈进行调整和改进，以提升音乐生成的准确性和符合用户情感的程度。
33.通过基于用户情感的ai音乐生成技术，用户可以享受到与其情感状态相匹配的音乐体验，这有助于提升情感调节、放松和娱乐的效果。同时，也为音乐创作者提供了一种创造个性化、情感化音乐作品的方式，不同用户可以实时听到更符合自己喜好的音乐版本。
34.在一些实施例中，所述步骤s103，包括：将所述当前情感数据和第一ai音乐数据输入至所述预设ai生成音乐模型，计算所述当前情感数据与预设情感数据之间的误差值；基于所述误差值，调整所述第一ai音乐数据的音乐参数，得到第二ai音乐数据。
35.在本实施例中，以当前情感数据与预设情感数据之间的误差值，调整第一ai音乐数据的音乐参数，能够参考预设情感数据，使调整后的第一ai音乐数据能够更接近用户创作需求。可选地，以梯度下降方式，根据误差值，调整第一ai音乐数据的音乐参数。
36.在一些实施例中，利用预设误差函数，计算所述当前情感数据与预设情感数据之间的误差值，所述预设误差函数的表达式为：；其中，表示当前情感数据与预设情感数据之间的误差值，表示最大值函数，表示当前情感数据，表示预设情感数据。
37.在本实施例中，以最大值函数确定当前情感数据与预设情感数据之间的最大差异作为误差值，能够最大化当前情感数据与预设情感数据之间的间隔，从而提高调参正确性。
38.步骤s104，以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据。
39.在本步骤中，以所述第二ai音乐数据作为新的第一ai音乐数据，识别所述听众用户在当前ai音乐环境下的情感数据；若所述听众用户在当前音乐环境下的情感数据符合预设情感数据，则确定所述第二ai音乐数据为目标音乐数据；若所述听众用户在当前音乐环境下的情感数据不符合预设情感数据，则以梯度下降方式，继续优化所述新的第一ai音乐数据，直至所述听众用户在当前音乐环境下的情感数据符合预设情感数据。
40.可选地，若当前音乐环境下的情感数据不符合预设情感数据，则更新第一代音乐数据,进入新一轮循环，定义一个迭代轮数函数:,其中n表示允许的最大迭代轮数；e表示当前情感值与目标情感值之间的误差，即误差函数的值；k表示经过的当前迭代轮数；f表示误差与迭代轮数的函数关系，，其中a,b,c,d为经验系数。即n会随着当前误差e和迭代轮数k的变化而动态调整。误差e越大,允许的最大轮数n越多;迭代轮数k越多,允许的最大轮数n越少。
41.进一步地，当经过多轮迭代优化循环后,听众情感仍未达到预期目标时,则触发双确认的退出机制，具体地：计算本轮参数向量p与上轮参数向量p'的欧式距离d：参数向量p和p'表示两轮迭代的参数取值,维度相同，如果有n个参数,则p和p'可以表示为:，；p和p'之间欧式距离,其中,表示计算平方根。应理解，d越小表示两轮参数变化越少，设定阈值距离dt=0.05,如果d《dt,表示优化趋于平稳和收敛,参数已逼近最优区,继续迭代意味着计算资源的浪费,准备退出。
42.测量当前情感值v与目标情感值v'的距离
,dv提供了判断当前音乐是否能够达到预期情感效果的定量指标。如果dv小于阈值et，et可以取值0.1,则说明当前音乐在情感上基本达到要求。虽然可能还能稍微继续优化,但改进非常微小,可以认为已接近最优，确认退出，取最后一轮的参数pn作为输出目标音乐的参数，以避免不必要计算,提高音乐生成效率。
43.在本实施例中，通过闭环反馈的方式，利用听众情绪的正向激励作用，不断改进生成ai音乐数据，以实现对不同听众情绪的更精确、更个性化的响应。
44.为了执行上述方法实施例对应的基于bci情感反馈的ai生成音乐优化方法，以实现相应的功能和技术效果。参见图2，图2示出了本技术实施例提供的一种基于bci情感反馈的ai生成音乐优化装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本技术实施例提供的基于bci情感反馈的ai生成音乐优化装置，包括：获取模块201，用于获取听众用户在当前音乐环境下的脑电特征数据，所述当前音乐环境为正在播放第一ai音乐数据的环境；识别模块202，用于利用预设情感分类模型，根据所述脑电特征数据，识别所述听众用户的当前情感数据；调参模块203，用于利用预设ai生成音乐模型，基于所述当前情感数据，对所述第一ai音乐数据进行调参，得到第二ai音乐数据；优化模块204，用于以所述第二ai音乐数据作为新的第一ai音乐数据进行音乐优化，直至当前情感数据符合预设情感数据，得到目标ai音乐数据。
45.在一些实施例中，所述获取模块201，具体用于：播放所述第一ai音乐数据，并基于脑电检测设备采集所述听众用户的多个脑部区域的脑电信号；对于每个所述脑部区域的脑电信号，利用与所述脑部区域对应的预设信号特征提取算法，提取所述脑电信号的脑电特征数据。
46.在一些实施例中，所述预设情感分类模型包括与脑部区域对应的多个情感分类网络和一个融合决策网络，所述识别模块202，具体用于：对于每个所述脑部区域的脑电特征数据，利用所述脑部区域对应的情感分类网络，根据所述脑部区域的脑电特征数据，识别所述脑部区域所表征的区域情感数据；利用所述融合决策网络，对多个所述脑部区域所表征的区域情感数据进行融合，得到所述听众用户的当前情感数据。
47.在一些实施例中，所述预设情感分类模型的表达式为：；其中，为当前情感数据，为融合决策网络的激活函数，为脑部区域数量，为第个脑部区域的权重矩阵，表示第个脑部区域的情感分类网络，为情感分类网络的激活函数，为第个情感分类网络的权重矩阵，为脑部区域的脑电特征数据，为第个情感分类网络的偏置向量，为融合决策网络的偏置向量。
48.在一些实施例中，所述调参模块203，包括：计算单元，用于将所述当前情感数据和第一ai音乐数据输入至所述预设ai生成音乐模型，计算所述当前情感数据与预设情感数据之间的误差值；调整单元，用于基于所述误差值，调整所述第一ai音乐数据的音乐参数，得到第二ai音乐数据。
49.在一些实施例中，所述计算单元，具体用于：利用预设误差函数，计算所述当前情感数据与预设情感数据之间的误差值，所述预设误差函数的表达式为：；其中，表示当前情感数据与预设情感数据之间的误差值，表示最大值函数，表示当前情感数据，表示预设情感数据。
50.在一些实施例中，所述优化模块204，具体用于：以所述第二ai音乐数据作为新的第一ai音乐数据，识别所述听众用户在当前ai音乐环境下的情感数据；若所述听众用户在当前音乐环境下的情感数据符合预设情感数据，则确定所述第二ai音乐数据为目标音乐数据；若所述听众用户在当前音乐环境下的情感数据不符合预设情感数据，则以梯度下降方式，继续优化所述新的第一ai音乐数据，直至所述听众用户在当前音乐环境下的情感数据符合预设情感数据。
51.上述的基于bci情感反馈的ai生成音乐优化装置可实施上述方法实施例的基于bci情感反馈的ai生成音乐优化方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
52.图3为本技术一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30（图3中仅示出一个）处理器、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
53.所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
54.所称处理器30可以是中央处理单元(central processing unit，cpu)，该处理器30还可以是其他通用处理器、数字信号处理器 (digital signal processor，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
55.所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计
算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作模型、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
56.另外，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
57.本技术实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
58.在本技术所提供的几个实施例中，可以理解的是，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，所述模块、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。也应当注意的是，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。
59.所述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，本技术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执行本技术各个实施例所述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。
60.以上所述的具体实施例，对本技术的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本技术的具体实施例而已，并不用于限定本技术的保护范围。特别指出，对于本领域技术人员来说，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。