事件预测模型的构建方法、事件预测模型及应用与流程

1.本发明属于预测模型技术领域，具体涉及一种事件预测模型的构建方法、院内心搏骤停预测模型、预警系统和预警方法。


背景技术：

2.随着机器学习技术的普及，其越来越多地被应用于生活中的各个方面。在例如对将来事件的预测方面，通常的做法是选用一个合适的机器学习模型，并利用事件相关的数据对该模型进行训练，从而不断优化模型对该类事件预测结果的可靠性。
3.在实际应用中，这样方式构建的机器学习模型通常不能对一些特定事件具有满意的预测效果。
4.因此，针对上述技术问题，有必要提供一种新的事件预测模型的构建方法。


技术实现要素：

5.本发明的目的在于提供一种事件预测模型的构建方法、事件预测模型及应用，以解决现有技术中的问题。
6.为了实现上述目的，本发明提供的技术方案如下：
7.第一方面，本发明提供了一种事件预测模型的构建方法，其包括以下步骤：
8.获取预定区域内历史目标事件发生前各选定时间节点的预测因子数据；
9.按各选定时间节点对所获取的预测因子数据进行分类，分别建立各选定时间节点下的预测因子数据库；
10.利用所述各选定时间节点下的预测因子数据库分别训练多个选定的人工智能模型；
11.根据各选定时间节点下预测效果评分最高的人工智能模型，构建目标事件的预测模型。
12.进一步地，所述方法还包括：
13.对所述预测模型进行内部验证和外部验证；
14.其中，所述外部验证包括时段验证和空间验证。
15.进一步地，所述时段验证具体包括：
16.在所述预测模型构建过程中持续获取目标事件的各选定时间节点的预测因子数据；
17.在所述预测模型构建完成后，利用新获取的预测因子数据对所述预测模型进行验证。
18.进一步地，所述方法还包括：
19.获取预定区域之外其他区域内的历史目标事件发生前各选定时间节点的预测因子数据，以建立迁移学习数据库对所述预测模型进行迁移训练。
20.进一步地，所述方法还包括：
21.持续获取所述预定区域内历史目标事件发生前所述各选定时间节点的预测因子数据，实时更新到所述各选定时间节点下的预测因子数据库中，对所述预测模型进行增量训练。
22.进一步地，所述多个选定的人工智能模型包括：分类树模型、回归树模型、随机森林模型、极限梯度提升模型、人工神经网络模型和支持向量机模型中的至少三个。
23.进一步地，利用所述各选定时间节点下的预测因子数据库训练多个选定的人工智能模型，具体包括：
24.分别以所述各选定时间节点下的预测因子数据库为样本集，从各所述样本集中有放回随机抽样形成训练集，训练所述多个选定的人工智能模型，用以预测所述目标事件的发生概率。
25.进一步地，所述预测效果评分根据roc曲线、auc和brier分数来判定。
26.第二方面，本发明提供了另一种事件预测模型的构建方法，其包括以下步骤：
27.获取预定区域内院内心搏骤停患者发生院内心搏骤停前的诊疗数据；
28.按照标准数据模板对所获取的诊疗数据进行筛选，得到各选定时间节点的院内心搏骤预测因子数据；
29.按各选定时间节点对所得到的院内心搏骤预测因子数据进行分类，分别建立各选定时间节点下的院内心搏骤停预测因子数据库；
30.利用所述各选定时间节点下的院内心搏骤停预测因子数据库分别训练多个选定的人工智能模型；
31.根据各选定时间节点下预测效果评分最高人工智能模型，构建院内心搏骤停事件的预测模型。
32.进一步地，所述院内心搏骤停事件的预测模型的验证方法包括内部验证和外部验证，所述外部验证包括时段验证和空间验证。
33.进一步地，所述空间验证具体包括：使用麻省理工公共临床数据库对所述初步预测模型进行验证。
34.进一步地，所述院内心搏骤预测因子数据至少包括心率、呼吸频率、年龄、血肌酐、收缩压、舒张压和氧合指数。
35.第三方面，本发明提供了一种院内心搏骤停预测模型，其由前所述的方法构建形成。
36.第四方面，本发明提供了一种院内心搏骤停预警系统，其包括：
37.数据获取模块，用于获取患者的诊疗数据；
38.数据筛选模块，用于根据标准数据模板对所述诊疗数据进行筛选，自动提取所述诊疗数据中与所述标准数据模板相匹配的数据以得到院内心搏骤预测因子数据；
39.如前所述的院内心搏骤停预测模型，用于根据所述院内心搏骤预测因子数据预测所述患者发生院内心搏骤停的概率；
40.预警模块，用于根据所述院内心搏骤停预测模型的预测结果形成预警信息，并将所述预警信息传递给医务人员。
41.第五方面，本发明提供了一种院内心搏骤停预警方法，其包括以下步骤：
42.获取患者的诊疗数据；
43.根据标准数据模板对所述诊疗数据进行筛选，得到院内心搏骤预测因子数据；
44.使用如前所述的院内心搏骤停预测模型，对所获取的诊疗数据进行处理，以预测所述患者发生为院内心搏骤停的概率；
45.根据所述院内心搏骤停预测模型的预测结果形成预警信息，并将所述预警信息传递给医务人员。
46.第六方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行如前所述的事件预测模型的构建方法或院内心搏骤停预警方法。
47.第七方面，本发明提供了一种计算设备，其包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现如前所述的事件预测模型的构建方法或院内心搏骤停预警方法。
48.本发明有益效果：
49.与现有技术相比，本发明提供的事件预测模型的构建方法，能够得到适用于各个区域的目标事件预测的预测模型，而且得到的预测模型具有对应于目标事件发生前多个时间节点的人工智能模型，可以提高对目标事件发生与否的预测准确率，以预警目标事件的发生；尤其是用于院内心搏骤停事件的预测和预警时，能够对患者是否发生院内心搏骤停进行早期识别，以使得救治时间窗前移，将可能发展为院内心搏骤停的患者提前纳入icu病人管理体系，避免重要器官功能不全的发生，提高救治成功率，节约医疗资源。
附图说明
50.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
51.图1是本技术一实施例中事件预测模型的构建方法的流程图；
52.图2是本技术另一实施例中事件预测模型的构建方法的流程图；
53.图3是本技术一实施例中使用极限梯度提升模型进行院内心搏骤模拟预测的roc曲线图；
54.图4是本技术一实施例中院内心搏骤停预警系统的结构框图；
55.图5是本技术一实施例中用于事件预测模型的构建的计算设备的结构框图；
56.图6是本技术一实施例中用于院内心搏骤停预警的计算设备的结构框图。
具体实施方式
57.以下将结合附图所示的各实施方式对本发明进行详细描述。但该等实施方式并不限制本发明，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
58.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“和/或”包括一个或多个相关
的所列项目的任意的和所有的组合。
59.请参照图1所示，图1为本发明一实施例中事件预测模型的构建方法的示意性流程图，包括以下步骤：
60.s101：获取预定区域内历史目标事件发生前各选定时间节点的预测因子数据。
61.上述预定区域可以是某个区域或某几个区域；历史目标事件可以是过去某段时间内已发生的多起目标事件，其中，该段时间可以是10年、5年、1年、1个月的时间等；各选定时间节点可以是历史目标事件发生前的48h、24h、12h、8h、4h等时间节点；预测因子为与目标事件的发生相关联的因素。
62.具体的，上述预测因子数据可以是通过云端下载的数据，也可以是通过其他设备导入的数据。
63.s102：按各选定时间节点对所获取的预测因子数据进行分类，分别建立各选定时间节点下的预测因子数据库。
64.步骤s102中的数据分类方式具体为：将对应同一时间节点的预测因子数据归纳为同一类，按各选定时间节点将所获取的预测因子数据进行分类；然后对应各选定时间节点分别建立预测因子数据库。
65.s103：利用所述各选定时间节点下的预测因子数据库分别训练多个选定的人工智能模型。
66.所述多个选定的人工智能模型包括：分类树模型、回归树模型、随机森林模型、极限梯度提升模型、人工神经网络模型和支持向量机模型中的至少三个。
67.步骤s103中的训练人工智能模型方式具体包括：分别以所述各选定时间节点下的预测因子数据库为样本集，从各所述样本集中有放回随机抽样形成训练集，训练所述多个选定的人工智能模型，用以预测所述目标事件的发生概率。
68.s104：根据各选定时间节点下预测效果评分最高的人工智能模型，构建目标事件的预测模型。
69.具体的，上述预测效果评分可以根据roc曲线、auc和brier分数来综合判定，其中，roc曲线和auc用于评价各模型的区分度，brier分数用于评价各模型的校准度；将在各选定时间节点下预测效果评分最高的人工智能模型，集合构建形成目标事件的预测模型。
70.示例性的，以历史目标事件发生前的48h、24h、12h为选定的时间节点，分别以48h、24h、12h三个时间节点的预测因子数据库训练多个选定的人工智能模型，分别筛选出48h、24h、12h三个时间节点下的预测效果评分最高的人工智能模型，集合构建形成目标事件的预测模型，该预测模型可以根据输入的目标事件预测因子数据，预测目标事件在48h、24h、12h三个时间节点下的发生概率。其中，48h、24h、12h三个时间节点下的预测效果评分最高的人工智能模型可以是相同或不同的人工智能模型。
71.具体的，在一实施例中的事件预测模型的构建方法，还包括以下步骤：
72.s105：对步骤s104中构建形成的预测模型进行内部验证和外部验证。
73.其中，内部验证的实施采用bootstrap方法，即通过在预测模型开发队列中进行有放回抽样，构造一个相同样本量大小的bootstrap重抽样样本，并将此样本作为训练集，将预测模型开发队列作为验证集评价模型性能重复此过程n次。从而比较预测模型训练集(training set)和验证集(validation set)在预测准确性表现的一致性和稳定性，检验预
测模型开发过程的可重复性(reproducibility)，并且防止预测模型过度拟合导致高估模型的性能。
74.外部验证是利用预测模型开发中没有使用过的数据来评估模型在新数据中的表现。相对于内部验证，保证预测模型的可移植性(transportability)和可泛化性(generalizability)。主要通过时段验证(temporal validation)和空间验证(geographical validation)实现。所述时段验证是在所述预测模型构建过程中持续获取目标事件的各选定时间节点的预测因子数据，在所述预测模型构建完成后，利用新获取的预测因子数据对所述预测模型进行验证。
75.s106：获取预定区域之外其他区域内的历史目标事件发生前各选定时间节点的预测因子数据，以建立迁移学习数据库对所述预测模型进行迁移训练。以实现最佳适配，解决不同区域、不同数据采集设备对数据集分布产生的漂移影响。
76.s107：持续获取所述预定区域内目标事件发生前所述各选定时间节点的预测因子数据，实时更新到所述各选定时间节点下的预测因子数据库中，对所述预测模型进行增量训练。以持续对预测模型进行训练和修正，长期优化模型的预测能力。
77.请参照图2所示，基于相同的发明构思，本发明另一实施方式中提供的事件预测模型的构建方法，包括以下步骤：
78.s201：获取预定区域内院内心搏骤停患者发生院内心搏骤停前的诊疗数据。
79.其中，预定区域可以是某个医院或某几个医院；院内心搏骤停患者可以是所述预定区域内近10年、5年、2年、1年、1个月内的发生院内心搏骤停的患者；诊疗数据可以来自以下数据来源中的至少一个：包括批量导入的表格(电子crf表格)数据、从医院信息系统(hospital information system，简称his)获取的数据、电子病历(electronic medical record，简称emr)数据、影像归档和通信系统(picture archiving and communication systems，简称pacs)数据、医院实验室信息管理系统(hospital laboratory information management system，简称lis)数据、手麻系统等。
80.具体的，上述诊疗数据可以是通过云端下载的数据，也可以是通过其他设备导入的数据。
81.s202：按照标准数据模板对所获取的诊疗数据进行筛选，得到各选定时间节点的院内心搏骤预测因子数据。
82.上述标准数据模版，包括以下模块：
83.基本信息：年龄、性别、身高、体重、入院方式、国籍、民族、入icu方式(急诊、门诊、病房转入、直接收入icu、其他icu转入)、诊断等；
84.生命体征：心率、血压(收缩压、舒张压)、gcs评分、呼吸频率、spo2、体温；
85.血气：ph、pao2、paco2、be、hco
3-、lac；
86.血常规：wbc、n％、l％、hb、plt、crp；
87.尿常规：尿白细胞计数、尿红细胞计数、尿酮体、尿蛋白；
88.电解质：na

、k

、ca
2
、mg
2
、cl-；
89.肝肾功能：alt、ast、前白蛋白、alb、bil、tbil、ibil、akp、scr、bun、尿量、胱抑素c、胆固醇；
90.凝血：aptt、pt、tt、inr、fib、d-dimmer、fdp；
91.心肌损伤指标：肌钙蛋白、肌红蛋白、ck-mm、ck-mb；
92.感染指标：pct、lps、g试验、gm试验；
93.循环支持：血管活性药物使用的种类和剂量；
94.呼吸支持：无创/有创/high flow，呼吸机参数(fio2，peep，rr，气道阻力、肺顺应性)，氧合指数；
95.肾脏替代：肾脏替代治疗原因、模式、持续时间、每小时剂量；
96.疾病严重程度评分：apacheⅱ、sofa、肝功能分级、aki分级、agi分级；
97.培养：标本来源(血、尿、痰、无菌体液、粪、创面、手术切口)，培养结果；
98.抗生素：使用抗生素种类、每日剂量。
99.按照标准数据模板对所述诊疗数据进行抽取和清理，筛选出所述诊疗数据中与所述标准数据模板相匹配的数据，以得到院内心搏骤预测因子数据。
100.s203：按各选定时间节点对所得到的院内心搏骤预测因子数据进行分类，分别建立各选定时间节点下的院内心搏骤停预测因子数据库。
101.步骤s203中的数据分类方式具体为：将对应同一时间节点的院内心搏骤预测因子数据归纳为同一类，按各选定时间节点将所获取的院内心搏骤预测因子数据进行分类；然后对应各选定时间节点分别建立院内心搏骤预测因子数据库。
102.s204：利用所述各选定时间节点下的院内心搏骤停预测因子数据库分别训练多个选定的人工智能模型，用以预测患者发生院内心搏骤停的概率。
103.所述多个选定的人工智能模型包括：分类树模型、回归树模型、随机森林模型、极限梯度提升模型、人工神经网络模型和支持向量机模型中的至少三个。
104.步骤s204中的训练人工智能模型方式具体包括：分别以所述各选定时间节点下的院内心搏骤停预测因子数据库为样本集，从各样本集中有放回随机抽样形成训练集，训练所述多个选定的人工智能模型，用以预测患者发生院内心搏骤停的概率。
105.s205：根据各选定时间节点下预测效果评分最高人工智能模型，构建院内心搏骤停事件的预测模型。
106.具体的，上述预测效果评分可以根据roc曲线、auc和brier分数来综合判定，其中，roc曲线和auc用于评价各模型的区分度，brier分数用于评价各模型的校准度；将在各选定时间节点下预测效果评分最高的人工智能模型，集合构建形成院内心搏骤停事件的预测模型。
107.具体的，在一实施例中的事件预测模型的构建方法，还包括以下步骤：
108.s206：对步骤s205中构建形成院内心搏骤停事件的预测模型进行内部验证和外部验证。
109.其中，内部验证的实施采用bootstrap方法，即通过在预测模型开发队列中进行有放回抽样，构造一个相同样本量大小的bootstrap重抽样样本，并将此样本作为训练集，将预测模型开发队列作为验证集评价模型性能重复此过程n次。从而比较预测模型训练集(training set)和验证集(validation set)在预测准确性表现的一致性和稳定性，检验预测模型开发过程的可重复性(reproducibility)，并且防止预测模型过度拟合导致高估模型的性能。
110.外部验证是利用预测模型开发中没有使用过的数据来评估模型在新数据中的表
现。相对于内部验证，保证预测模型的可移植性(transportability)和可泛化性(generalizability)。主要通过时段验证(temporal validation)和空间验证(geographical validation)实现。
111.其中，所述时段验证是在预测模型构建过程中持续获取其他院内心搏骤停患者发生院内心搏骤停前各选定时间节点的诊疗数据，根据新获取的诊疗数据得到新的院内心搏骤停预测因子数据，在预测模型构建完成后，利用新得到的院内心搏骤停预测因子数据对预测模型进行验证。
112.空间验证是使用麻省理工公共临床数据库(mimiciii)数据库进行预测模型验证，验证预测模型在其他中心甚至其他国家的数据中的表现。
113.s207：获取预定区域之外其他区域内的院内心搏骤停患者发生院内心搏骤停前各选定时间节点的诊疗数据，根据标准数据模版，建立迁移学习数据库对所述预测模型进行低强度的迁移训练。以实现最佳适配，解决不同区域、不同数据采集设备对数据集分布产生的漂移影响。
114.s208：持续获取所述预定区域内的院内心搏骤停患者发生院内心搏骤停前所述各选定时间节点的预测因子数据，实时更新到所述各选定时间节点下的预测因子数据库中，对所述预测模型进行增量训练。以持续对预测模型进行训练和修正，长期优化模型的预测能力。
115.下面结合具体实施场景，对以上实施例作进一步说明：
116.基于杭州市第一人民医院从2018年1月1日至2020年12月31日发生的院内心搏骤停患者的临床资料为诊疗数据，来构建院内心搏骤停事件的预测模型。
117.按照标准数据模板对诊疗数据进行数据清理和筛选，得到患者发生院内心搏骤停前24h下的院内心搏骤预测因子数据，建立该时间节点下的院内心搏骤停预测因子数据库。利用该时间节点下的院内心搏骤停预测因子数据库对所选定的分类树模型、回归树模型、随机森林模型和极限梯度提升模型进行训练。
118.其中，极限梯度提升模型的预测准确率最高。图3为本实施例中使用极限梯度提升模型进行院内心搏骤模拟预测的roc曲线图。由图3可以看出，本实施例中极限梯度提升模型的auc高达0.9945。
119.本说明书一实施例还提供了一种院内心搏骤停预测模型，其至少由前述步骤s201～s205构建形成。例如可以由步骤s201～s205构建形成，或由s201～s208构建形成。
120.请参照图4所示，本说明书一实施例还提供了一种院内心搏骤停预警系统30，其包括：数据获取模块301、数据筛选模块302如前所述的院内心搏骤停预测模型303和预警模块304。
121.其中，数据获取模块301用于获取患者的诊疗数据。数据筛选模块302用于根据标准数据模板对所述诊疗数据进行筛选，自动提取所述诊疗数据中与所述标准数据模板相匹配的数据以得到院内心搏骤预测因子数据。院内心搏骤停预测模型303用于根据所述院内心搏骤预测因子数据预测所述患者发生院内心搏骤停的概率。预警模块304用于根据所述院内心搏骤停预测模型303的预测结果形成预警信息，并将所述预警信息传递给医务人员。
122.数据获取模块301可以实现多场景、多端口数据输入，其可包括监护仪、呼吸机、血气分析仪等设备。
123.数据筛选模块302基于数据获取模块301获取的诊疗数据，根据标准数据模板对所述诊疗数据进行筛选。具体包括通过接口导入、excel批量导入，人工输入等各种适应各类临床实际工作流程的数据采集方式和录入端口，初步采集诊疗数据后，再进行数据比照，纠错确认和脱敏处理，经标准化、结构化后再按照临床单病种疾病体系化的方式进行分类存储和统计分析。原始诊疗数据仍分布保存于医院不同信息系统或设备内，便于今后核查和稽查数据。在此临床数据标准化、结构化的基础之上，保证了从医院各个不同的系统中智能采集同一患者不同时间节点和诊疗节点的数据的真实性和可追溯性。
124.院内心搏骤停预测模型303可对患者的各院内心搏骤停因子的不同取值赋予不同的得分，最终的累计得分对应患者发生院内心搏骤停的概率。
125.预警模块304可以根据院内心搏骤停预测模型303得到的患者发生院内心搏骤停的概率，对患者进行风险评级，然后基于患者的风险评级形成相应的预警信息，并将预警信息传递给医务人员。其中，风险评级可以根据不同的阈值进行设定，例如可以设定为：当患者发生院内心搏骤停的概率超过70％时为“高风险”，当患者发生院内心搏骤停的概率为30～70％时为“中高风险”，当患者发生院内心搏骤停的概率低于30％时为“低风险”。预警信息可以通过his、手机app及pc端传递给临床医务人员。
126.本发明一实施例还提供了一种院内心搏骤停预警方法，其包括以下步骤：
127.获取患者的诊疗数据；
128.根据标准数据模板对所述诊疗数据进行筛选，得到院内心搏骤预测因子数据；
129.使用如前所述的院内心搏骤停预测模型，对所获取的诊疗数据进行处理，以预测所述患者发生为院内心搏骤停的概率；
130.根据所述院内心搏骤停预测模型的预测结果形成预警信息，并将所述预警信息传递给医务人员。
131.该院内心搏骤停预警方法可基于前述院内心搏骤停预警系统来实现。
132.本说明书一实施例还提供了一种计算机可读存储介质，在所述可读存储介质上存储有计算机程序，当所述计算机程序在计算机中执行时，能够使得计算机执行本说明书中提供的事件预测模型的构建方法或院内心搏骤停预警方法所述描述的各种操作和功能。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述事件预测模型的构建方法或院内心搏骤停预警方法所述描述的各种操作和功能的程序，且使该系统或者装置的计算机或处理器能够执行存储在该可读存储介质中的程序。
133.可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd-rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。
134.图5示出了根据本发明一实施例提供的一种用于事件预测模型的构建的计算设备40的结构框图。该计算设备可以包括至少一个处理器401、存储器402(例如非易失性存储器)、内存403和通信接口404，并且至少一个处理器401、存储器402、内存403和通信接口404经由总线405连接在一起。至少一个处理器401执行在存储器402中存储或编码的至少一个可执行代码。
135.应该理解，在存储器402中存储的可执行代码执行时，使得至少一个处理器401进行本说明书的各个实施方式中所描述的事件预测模型的构建方法的各种操作和功能。
136.图6示出了根据本发明一实施例提供的一种用于院内心搏骤停预警的计算设备的结构框图。该计算设备可以包括至少一个处理器501、存储器502(例如非易失性存储器)、内存503和通信接口504，并且至少一个处理器501、存储器502、内存503和通信接口504经由总线505连接在一起。至少一个处理器501执行在存储器502中存储或编码的至少一个可执行代码。
137.应该理解，在存储器502中存储的可执行代码执行时，使得至少一个处理器501进行本说明书的各个实施方式中所描述的院内心搏骤停预警方法的各种操作和功能。
138.在本说明书的实施例中，计算设备40、50可以包括但不限于：个人计算机、服务器计算机、工作站、桌面型计算机、膝上型计算机、笔记本计算机、移动计算设备、智能电话、平板计算机、蜂窝电话、个人数字助理(pda)、手持装置、消息收发设备、可佩戴计算设备、消费电子设备等等。
139.本发明提供的事件预测模型的构建方法，能够得到适用于各个区域的目标事件预测的预测模型，而且得到的预测模型具有对应于目标事件发生前多个时间节点的人工智能模型，可以提高对目标事件发生与否的预测准确率，以预警目标事件的发生；尤其是用于院内心搏骤停事件的预测和预警时，能够对患者是否发生院内心搏骤停进行早期识别，以使得救治时间窗前移，将可能发展为院内心搏骤停的患者提前纳入icu病人管理体系，避免重要器官功能不全的发生，提高救治成功率，节约医疗资源。
140.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
141.此外，应当理解，虽然本说明书按照实施例加以描述，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。