一种基于排列熵的UWB生命体征信号探测方法和装置与流程

一种基于排列熵的uwb生命体征信号探测方法和装置
技术领域
1.本公开涉及目标探测领域，尤其涉及基于排列熵的超宽带(ultra
‑
wideband radar，uwb)生命体征信号探测。


背景技术：

2.通常，在地震、坍塌、建筑物倒塌下的废墟救援中，在消防、市政、矿山救护、反恐等机构中，在诸如反馈塌陷的建筑物、深井、矿井等的有限空间及常规方法救援人员难以接近的救援工作中，以及在养老院、医院中，等等，都需要对人体目标进行探测和定位。然而，在对人体目标进行探测和定位过程中，生命体征信号被大量背景杂波和环境噪声淹没，信噪比过低导致无法直接识别人类目标。因此，要实现人类目标探测，就要通过消除背景杂波、提升信噪比等处理提取出生命体征信号。
3.近年来，使用脉冲式uwb雷达进行人体非接触式生命体征测量已成为研究热点，利用脉冲式超宽带雷达非接触式检测技术，对生命体征信号进行检测时，微弱生命体征回波信号常常会被各种噪声掩盖，造成人类无法对多目标进行识别和定位。
4.现有技术中通常使用形态学滤波方法来分析uwb雷达的时域信号，以提取人的心率。还通常利用d
‑
j阈值来对雷达回波延迟时间进行滤波。
5.雷达回波信号降噪的关键是阈值的确定。传统d
‑
j阈值必须先得到噪声的方差，而且d
‑
j阈值只是最优阈值的上界，应用d
‑
j阈值过于扼杀小波系数，进而造成较大的重构误差。选取的阈值过小降噪效果不好，选取过大会滤除更多的噪声，但是会丢失高频信息。
6.在传统算法中，呼吸和心跳信号的提取是通过慢时间方向累积的单帧信号进行频谱分析估计的。但是当采样频率固定时，时间序列越长，频谱越好，因此需要长期客观的数据，但是降低了雷达的效率。
7.目前重构后分解效果还不是十分完美，实际测试场景中的介质具有局限性，噪声种类考虑不足，会对雷达回波信号有一定的干扰。


技术实现要素：

8.本发明的技术方案是这样实现的：一种基于排列熵的uwb生命体征信号探测方法通过指定雷达测试场景对原始数据进行采集，首先采用道信号相减法对背景杂波进行简单消除，用时间平均减法进行静止杂波消除，并进行线性趋势抑制lts消除线性趋势，由于此时的生命信号相对较弱，利用自动增益控制agc在信号的扫描时间方向增强微弱的生命体征信号，提高信噪比。对于雷达回波延迟时间采用广义交叉验证函数gcv进行滤波，同时对于信号的扫描时间采用巴特沃斯滤波器进行滤波，最后采用排列熵将人类目标的位置相邻距离门的回波信号排列成行重组，再利用fft变换进行频域分析，获得生命体征(呼吸、心跳)信号。本方法在高效地抑制了超宽带雷达回波信号中的环境噪声干扰的同时，可以自适应、准确地提取出静止目标和微动目标的呼吸、心跳频率，提高雷达的效率，对超宽带雷达信号处理具有一定参考价值。
9.根据本公开的第一方面，提供一种基于排列熵的uwb生命体征信号探测方法，包括：对来自uwb雷达的回波信号进行预处理；利用排列熵算法执行距离检测；以及执行回波信号的选择和显示，其中，所述排列熵算法的具体步骤为：
10.(1)假设雷达回波延迟时间为m1，对于长度为n的信号的扫描时间序列x[m1，i]＝{y(1)，y(2)，...，y(i)}，i＝1，2，3，...，n，y∈w
m
×
n
；
[0011]
a.令其中τ
d
为延迟时间(τ
d
＝1)，q为嵌入维度(q＝3)，k＝n
‑
(q
‑
1)τ
d
，进行相空间重构：
[0012][0013]
b.对于相空间矩阵的每一行皆为重构分量，将第j个重构分量中的元素按升序排列，得到新的重构分量如下：
[0014]
x(i (j1‑
1)τ
d
)≤x(i (j2‑
1)τ
d
)≤...≤x(i (j
q
‑
1)τ
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]
若其中元素相等，则按j值大小排序；
[0016]
相空间矩阵的任意重构分量皆可得到一组序列：
[0017]
s(l)＝(j1,j2,...,j
q
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]
其中，l＝1，2，...，k，k≤q！，m维序列产生m！种s(l)排序；
[0019]
c.计算每种s(l)序列不同排序的概率p
k
，所有的排序的概率和为1，则x[m1,i]的排列熵按shannon熵的形式定义为：
[0020][0021]
对排列熵h
p
进行归一化可表示为：
[0022]
h
p
(m)＝h
p
(m)/ln(m！)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0023]
其中h
p
的取值范围为[0，1]，h
p
的大小表示了信号的扫描时间序列x[m1,i]的复杂性，h
p
的值越小，时间序列变化越规则；
[0024]
(2)在雷达回波矩阵w
m
×
n
中，人类目标位置范围的信号的扫描时间方向数据变化相对规则，所以人体目标区域对应的pe值较低，
[0025]
a.可以通过寻找pe值的最小值来确定人类目标的位置p
pos
，从而得到目标的距离信息：
[0026][0027]
其中v＝3
×
108m/s和t
f
表示雷达回波延迟时间方向的采样间隔；
[0028]
b.基于pe值，可以充分利用分布在相邻距离门中的回波信号增加信号长度从而提高雷达效率；
[0029]
c.假设人体胸腔的横向距离d
tho
，而后根据雷达回波延迟时间方向的采样间隔t
f
，可以计算出人体胸腔距离在接受脉冲中占据的点数，即p
tho
＝2d
tho
/vt
f
，其中v＝3
×
108m/s，用ψ表示生命体征信号矩阵，然后可以将其表示为：
[0030][0031]
d.通过将人类目标的位置p
pos
相邻距离门的回波信号排列成行重组，获得生命体征信号向量ζ；
[0032]
通过利用fft变换进行频域分析，获得生命体征(呼吸、心跳)信号。
[0033]
在本公开的一个实施例中，所述距离检测包括范围探测和范围估计，并且所述回波信号的选择和显示包括回波信号选择及加长、回波信号的重组以及频域分析显示。
[0034]
在本公开的一个实施例中，所述排列熵算法将人类目标的位置相邻距离门的回波信号排列成行重组。
[0035]
在本公开的一个实施例中，所述预处理包括到信号相减法、时间平均减法、线性趋势抑制、自动增益控制和雷达回波延迟时间滤波和扫描时间滤波。
[0036]
根据本公开的另一方面，提供一种基于排列熵的uwb生命体征信号探测装置，包括：预处理模块，用于对来自uwb雷达的回波信号进行预处理；距离检测模块，用于利用排列熵算法执行距离检测；以及回波信号选择和显示模块，用于执行回波信号的选择和显示，其中，所述距离检测模块的具体操作为：
[0037]
(1)假设雷达回波延迟时间为m1，对于长度为n的信号的扫描时间序列x[m1,i]＝{y(1),y(2),...,y(i)},i＝1,2,3,...,n,y∈w
m
×
n
；
[0038]
a.令其中τ
d
为延迟时间(τ
d
＝1)，q为嵌入维度(q＝3)，k＝n
‑
(q
‑
1)τ
d
，进行相空间重构：
[0039][0040]
b.对于相空间矩阵的每一行皆为重构分量，将第j个重构分量中的元素按升序排列，得到新的重构分量如下：
[0041]
x(i (j1‑
1)τ
d
)≤x(i (j2‑
1)τ
d
)≤...≤x(i (j
q
‑
1)τ
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0042]
若其中元素相等，则按j值大小排序；
[0043]
相空间矩阵的任意重构分量皆可得到一组序列：
[0044]
s(l)＝(j1,j2,...,j
q
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0045]
其中，l＝1,2,...,k,k≤q！，m维序列产生m！种s(l)排序；
[0046]
c.计算每种s(l)序列不同排序的概率p
k
，所有的排序的概率和为1，则x[m1,i]的排列熵按shannon熵的形式定义为：
[0047][0048]
对排列熵h
p
进行归一化可表示为：
[0049]
h
p
(m)＝h
p
(m)/ln(m！)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0050]
其中h
p
的取值范围为[0，1]，h
p
的大小表示了信号的扫描时间序列x[m1,i]的复杂性，h
p
的值越小，时间序列变化越规则；
[0051]
(2)在雷达回波矩阵w
m
×
n
中，人类目标位置范围的信号的扫描时间方向数据变化相对规则，所以人体目标区域对应的pe值较低，
[0052]
a.可以通过寻找pe值的最小值来确定人类目标的位置p
pos
，从而得到目标的距离信息：
[0053][0054]
其中v＝3
×
108m/s和t
f
表示雷达回波延迟时间方向的采样间隔；
[0055]
b.基于pe值，可以充分利用分布在相邻距离门中的回波信号增加信号长度从而提高雷达效率；
[0056]
c.假设人体胸腔的横向距离d
tho
，而后根据雷达回波延迟时间方向的采样间隔t
f
，可以计算出人体胸腔距离在接受脉冲中占据的点数，即p
tho
＝2d
tho
/vt
f
，其中v＝3
×
108m/s，用ψ表示生命体征信号矩阵，然后可以将其表示为：
[0057][0058]
d.通过将人类目标的位置p
pos
相邻距离门的回波信号排列成行重组，获得生命体征信号向量ζ；
[0059]
通过利用fft变换进行频域分析，获得生命体征(呼吸、心跳)信号。
[0060]
在本公开的一个实施例中，所述距离检测包括范围探测和范围估计，并且所述回波信号的选择和显示包括回波信号选择及加长、回波信号的重组以及频域分析显示。
[0061]
在本公开的一个实施例中，所述排列熵算法将人类目标的位置相邻距离门的回波信号排列成行重组。
[0062]
在本公开的一个实施例中，所述预处理包括到信号相减法、时间平均减法、线性趋势抑制、自动增益控制和雷达回波延迟时间滤波和扫描时间滤波。
[0063]
根据本公开的方法和装置，通过计算在信号的扫描时间内累积的雷达接受脉冲的基于pe值选择和再组合这些相邻距离门上的信号，重组后的信号进行自适应分解，并在时域中重构呼吸和心跳信号，pe值获取人体目标的位置信息，有效地提高了呼吸与心跳信号的信噪比，实验数据分析结果表明，该方法能够准确得到人体的位置、呼吸和心跳频率信息，说明此信号提取处理以及重构方面的可行性和有效性，对于雷达的效率大幅度提高，且尺寸小，可实现自动识别，具有很大优势。
[0064]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0065]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
[0066]
图1是根据本公开一示例性实施例的基于排列熵的uwb生命体征信号探测算法框图。
[0067]
图2是根据本公开一示例性实施例的基于排列熵的uwb生命体征信号探测方法的流程图。
[0068]
图3是根据本公开一示例性实施例的基于排列熵的uwb生命体征信号探测装置的方框图。
具体实施方式
[0069]
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
[0070]
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开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、本公开的一些方面相一致的装置和方法的例子。
[0071]
与激光、红外探测和声波探测技术相比，利用uwb雷达检测人体的生命信号不受环境温度、热物的影响，能有效穿透介质，较好地解决了激光、红外探测受温度影响严重、遇物体阻挡失效及误报率高的缺陷，也克服了超声探测受环境杂物反射干扰、水、冰等阻挡失效的问题。超宽带雷达在各种领域中得到了广泛的应用，特别是在生命特征探测领域。uwb雷达具有各种参数，包括
‑
10db上/下截止频率、输出功率、快/慢时间域采样频率、脉冲重复频率等。
[0072]
下面的表1是根据本发明使用的脉冲超宽带雷达系统的参数表示。
[0073][0074]
表1脉冲超宽带雷达系统的参数
[0075]
排列熵是为度量时间序列复杂性的一种方法。排列熵的计算过程较为简洁，计算量主要为k次序列长度为m的全排序，在满足功能的前提下，窗口可以尽量的小，同时，窗口大小和延迟值的大小选取非常重要。排列熵的大小表征时间序列的随机程序，值越小说明该时间序列越规则，反之，该时间序列越具有随机性。在排列熵算法的基础上也可以发展处诸多使用熵值的对时间序列进行异常检测的算法。
[0076]
在本发明的一种实现中，在对来自uwb雷达的回波信号进行预处理之后，利用排列熵算法执行距离检测，并且接着进行回波选择显示。在本发明的一个实施例中，采用排列熵将人类目标的位置相邻距离门的回波信号排列成行重组，再利用fft变换进行频域分析，获得包括呼吸和心跳的生命体征信号。
[0077]
下面参照图1来描述根据本公开一示例性实施例的基于排列熵的uwb生命体征信号探测算法框图。参见图1，该算法主要包括两个部分：信号预处理以及距离检测和回波选择显示。该方法通过指定雷达测试场景对原始数据进行采集，首先采用道信号相减法对背景杂波进行简单消除，用时间平均减法进行静止杂波消除，并进行线性趋势抑制lts消除线性趋势，由于此时的生命信号相对较弱，利用自动增益控制agc在信号的扫描时间方向增强微弱的生命体征信号，提高信噪比。对于雷达回波延迟时间采用广义交叉验证函数gcv进行滤波，同时对于信号的扫描时间采用巴特沃斯滤波器进行滤波，最后采用排列熵将人类目标的位置相邻距离门的回波信号排列成行重组，再利用fft变换进行频域分析，获得生命体征(呼吸、心跳)信号。本方法在高效地抑制了超宽带雷达回波信号中的环境噪声干扰的同时，可以自适应、准确地提取出静止目标和微动目标的呼吸、心跳频率，提高雷达的效率，对超宽带雷达信号处理具有一定参考价值。
[0078]
本方法在高效地抑制了超宽带雷达回波信号中的环境噪声干扰的同时，可以自适应、准确地提取出静止目标和微动目标的呼吸、心跳频率，提高雷达的效率，对超宽带雷达信号处理具有一定参考价值。
[0079]
下面参照图2来描述根据本发明实施例的基于排列熵的uwb生命体征信号探测方法的流程图。在图2所述的方法流程图中，在步骤s201，对通过指定雷达测试场景对原始数据进行采集得到的信号进行预处理。所述预处理包括：采用道信号相减法对背景杂波进行简单消除，用时间平均减法进行静止杂波消除，并进行线性趋势抑制lts消除线性趋势，由于此时的生命信号相对较弱，利用自动增益控制agc在信号的扫描时间方向增强微弱的生命体征信号，提高信噪比。对于雷达回波延迟时间采用广义交叉验证函数gcv进行滤波，同时对于信号的扫描时间采用巴特沃斯滤波器进行滤波。
[0080]
在本公开的一个实施例中，采用道信号相减法对背景杂波进行简单消除，假设雷达回波延迟时间序列为yj，j＝1，2，3，
…
，n，n为扫描时间采样点数；
[0081]
y
′
j
＝y
j 1
‑
y
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0082]
然后，用时间平均减法进行静止杂波消除,
[0083][0084]
消除静止杂波的结果:
[0085]
[0086]
接着，进行线性趋势抑制lts消除线性趋势，
[0087]
w＝ω
t
‑
x(x
t
x)
‑1x
t
ω
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0088]
其中，x＝[x1,x2]，x1＝[1,2,...,n]
t
，x2＝[1,1,...,1]
t
。
[0089]
随后，由于此时的生命信号相对较弱，利用自动增益控制agc在信号的扫描时间方向增强微弱的生命体征信号，提高信噪比。
[0090]
以第n1帧回波信号r(τ,n1)为例：
[0091][0092]
r
e
(τ,t)＝g
mask
(τ,t)
×
r(τ,t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0093]
其中，g
mask
(τ
i
,t)表示增益系数，而r
e
(τ
i
,t)是agc处理后的信号；
[0094]
接着，对于雷达回波延迟时间采用广义交叉验证函数gcv进行滤波，其表达式为：
[0095][0096]
式中，n和n0分别表示小波系数的数量和小波系数为0的数量，w和w
t
分别表示含噪声和降噪后的雷达回波信号；
[0097]
然后，同时对于信号的扫描时间采用巴特沃斯滤波器进行滤波，根据人体呼吸的频率范围(0.1
‑
0.8hz)、心跳的频率范围(0.8
‑
2.5hz)，选择的巴特沃斯滤波器，其平方幅度函数定义为：
[0098][0099]
其中，n是滤波器的阶数，ω
c
为3db截至频率，ε是控制带通波纹幅度的参数，选定的频带为0.1
‑
2.5hz。
[0100]
接着，在步骤s202，利用排列熵算法执行距离检测。即，采用排列熵将人类目标的位置相邻距离门的回波信号排列成行重组。具体地，利用排列熵算法进行范围探测，并且之后进行范围估计。
[0101]
采用排列熵将人类目标的位置相邻距离门的回波信号排列成行重组，对信号的微小变化具有放大作用，其过程如下：
[0102]
(1)假设雷达回波延迟时间为m1，对于长度为n的信号的扫描时间序列x[m1,i]＝{y(1),y(2),...,y(i)},i＝1,2,3,...,n,y∈w
m
×
n
；
[0103]
a.令其中τ
d
为延迟时间(τ
d
＝1)，q为嵌入维度(q＝3)，k＝n
‑
(q
‑
1)τ
d
，进行相空间重构：
[0104][0105]
b.对于相空间矩阵的每一行皆为重构分量，将第j个重构分量中的元素按升序排列，得到新的重构分量如下：
[0106]
x(i (j1‑
1)τ
d
)≤x(i (j2‑
1)τ
d
)≤...≤x(i (j
q
‑
1)τ
d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0107]
若其中元素相等，则按j值大小排序；
[0108]
相空间矩阵的任意重构分量皆可得到一组序列：
[0109]
s(l)＝(j1,j2,...,j
q
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0110]
其中，l＝1,2,...,k,k≤q！，m维序列产生m！种s(l)排序。
[0111]
c.计算每种s(l)序列不同排序的概率p
k
，所有的排序的概率和为1.则x[m1,i]的排列熵按shannon熵的形式定义为：
[0112][0113]
对排列熵h
p
进行归一化可表示为：
[0114]
h
p
(m)＝h
p
(m)/ln(m！)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0115]
其中h
p
的取值范围为[0，1]，h
p
的大小表示了信号的扫描时间序列x[m1,i]的复杂性，h
p
的值越小，时间序列变化越规则。
[0116]
(2)在雷达回波矩阵w
m
×
n
中，人类目标位置范围的信号的扫描时间方向数据变化相对规则，所以人体目标区域对应的pe值较低。
[0117]
a.可以通过寻找pe值的最小值来确定人类目标的位置p
pos
，从而得到目标的距离信息：
[0118][0119]
其中v＝3
×
108m/s和t
f
表示雷达回波延迟时间方向的采样间隔；
[0120]
b.基于pe值，可以充分利用分布在相邻距离门中的回波信号增加信号长度从而提高雷达效率。
[0121]
c.假设人体胸腔的横向距离d
tho
，而后根据雷达回波延迟时间方向的采样间隔t
f
，可以计算出人体胸腔距离在接受脉冲中占据的点数，即p
tho
＝2d
tho
/vt
f
，其中v＝3
×
108m/s。用ψ表示生命体征信号矩阵，然后可以将其表示为：
[0122][0123]
d.通过将人类目标的位置p
pos
相邻距离门的回波信号排列成行重组，获得生命体
征信号向量ζ。
[0124]
通过利用fft变换进行频域分析，获得生命体征(呼吸、心跳)信号。
[0125]
最后，在步骤s203中，进行回波选择和显示。具体地，对信号进行选择和加长处理，然后进行回波信号的重组，并且最后对重组的信号进行频域分析和显示。根据发明的实施例，在高效地抑制了超宽带雷达回波信号中的环境噪声干扰的同时，可以自适应、准确地提取出静止目标和微动目标的呼吸、心跳频率，提高雷达的效率，对超宽带雷达信号处理具有一定参考价值。
[0126]
图3示出了根据本公开一示例性实施例的基于排列熵的uwb生命体征信号探测装置的方框图。
[0127]
参照图3，根据本公开的基于排列熵的uwb生命体征信号探测装置包括：预处理模块310，用于对来自uwb雷达的回波信号进行预处理；距离检测模块320，用于利用排列熵算法执行距离检测；以及回波信号选择和显示模块330，用于执行回波信号的选择和显示。根据图3所示的装置按照上面描述的各种方法步骤进行操作。
[0128]
需要说明的是，前述对基于排列熵的uwb生命体征信号探测的方法实施例的解释说明也适用于该实施例的基于排列熵的uwb生命体征信号探测的装置实施例，此处不再赘述。
[0129]
根据本公开的基于排列熵的uwb生命体征信号探测方法和装置，通过计算在信号的扫描时间内累积的雷达接受脉冲的基于pe值选择和再组合这些相邻距离门上的信号，重组后的信号进行自适应分解，并在时域中重构呼吸和心跳信号，pe值获取人体目标的位置信息，有效地提高了呼吸与心跳信号的信噪比，实验数据分析结果表明，该方法能够准确得到人体的位置、呼吸和心跳频率信息，说明此信号提取处理以及重构方面的可行性和有效性，对于雷达的效率大幅度提高，且尺寸小，可实现自动识别，具有很大优势。
[0130]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。
[0131]
在本公开的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本公开中，对上述术语的示意性表述不必针对的是相同的实时或示例。而且，描述的具体特征、结构、材料或者特点可以在任意一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本公开中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0132]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。