基于深度学习的中医药临床文献数据结构化方法及装置与流程

1.本发明涉及数据处理技术领域，特别是指一种基于深度学习的中医药临床文献数据结构化方法及装置。


背景技术：

2.中医药临床文献包含了丰富的文本和数字信息，其中大量行之有效的临床实践经验有待挖掘，名老中医个性化的诊治经验极需继承与总结。在中医药信息化浪潮兴起的现在，如何与严格的临床随机对照试验所获得的直接证据有机结合？如何将中医症状、体征等"软指标"与现代医学理化检查所得的"硬指标"相结合？如何从现有大量的中医药的临床研究资料中获取循证医学所需的最佳证据？因此无论是对中医药临床文献的归档、知识库建设工作，还是对诊治经验进行分析，促进新药研发，以及培养一支信息方法学研究和建设中医药数据的人才队伍方面，结构化中医药临床文献数据，都将带来极大的便利。但是由于目前自然语言处理和中医药结合并不紧密，现有技术存在一定的缺陷和不足。一是尽管部分中医药临床文献数据已经通过人工抽取或规则提取 人工校对的方式进行了简单的结构化，但是面对海量的中医药临床文献数据，以及不同的内容构成、写法、依存句法、正异名等因素，即使在耗费大量人工成本的情况下，依旧无法准确且高效的进行提取和判定，在大数据时代的背景下，不利于研究的进一步开展。二是目前对中医药临床文献进行自然语言处理和深度学习的技术较少，无法为研究院人员在中医领域探究发病规律和药物、剂量等因素的关系提供便利。
3.现有中医药文献数据结构化处理系统，主要由中医药文献抽词、pdf分析识别及客户端身份校验、用户自定义词表及知识图谱构建三部分组成。还存在不足之处，一方面，此方法是借助中医药词表进行抽词的，因此只能识别出词表中已经出现的词汇，不能识别未登录词，若要提高抽取准确率，则需要对词表进行新词补充，此过程耗费大量时间；另一方面，此方法需要人工制定抽取规则，加入新规则的过程较为复杂。


技术实现要素：

4.本发明针对现有技术存在的抽取结果不准确、校对工作量，并且由于抽取规则为人为主动进行预置的原因，升级过程复杂，无法利用已校对内容进行自学习，达不到越用越精确的目的的问题，提出了本发明。
5.为解决上述技术问题，本发明提供如下技术方案：
6.一方面，本发明提供了一种基于深度学习的中医药临床文献数据结构化方法，该方法由电子设备实现，该方法包括：
7.s1、获取待处理文献。
8.s2、将待处理文献输入到预先构建好的文献数据结构化模型。
9.s3、基于待处理文献以及文献数据结构化模型，得到结构化文本。
10.可选地，s2中的文献数据结构化模型的构建过程包括：
11.s21、获取中医药临床文献样本数据集，并对样本数据集进行预处理。
12.s22、对预处理后的样本数据集进行数据标注，根据得到的标注数据得到正则池以及标注集，将标注集分为训练集、验证集、测试集。
13.s23、构建基于自注意力机制transformer的神经网络模型，根据训练集、验证集对神经网络模型进行命名实体识别训练，得到文献数据结构化模型。
14.s24、将测试集输入到文献数据结构化模型，得到预测的目标点，根据正则池提取预测的目标点所在的一句或多句话，得到预测的结构化文本。
15.s25、将预测的结构化文本进行人工校对，若人工校对结果不一致，则转去执行s21；若人工校对结果一致，则输出文献数据结构化模型。
16.可选地，s21中的对样本数据集进行预处理包括：
17.将样本数据集中的样本数据进行拆分，将拆分后的样本数据中的关键词、日期、抬头、编号信息删除。
18.可选地，s22中的对预处理后的样本数据集进行数据标注包括：
19.根据预处理后的样本数据集的内容，设定标签及排序，标签的内容为需进行结构化内容的描述。
20.根据标签对预处理后的样本数据集的内容进行标注，并将标注的内容和相应的标签进行关联。
21.可选地，s22中的根据得到的标注数据得到正则池包括：
22.提取标注数据所在的句子，在句子中去掉标注数据，动态生成正则提取句式，将正则提取句式保存到正则池。
23.可选地，s22中的根据得到的标注数据得到标注集包括：
24.对标注数据采用bio标注法进行序列标注，得到标注集。
25.另一方面，本发明提供了一种基于深度学习的中医药临床文献数据结构化装置，该装置应用于实现基于深度学习的中医药临床文献数据结构化方法，该装置包括：
26.获取模块，用于获取待处理文献。
27.输入模块，用于将待处理文献输入到预先构建好的文献数据结构化模型。
28.输出模块，用于基于待处理文献以及文献数据结构化模型，得到结构化文本。
29.可选地，输入模块，进一步用于：
30.s21、获取中医药临床文献样本数据集，并对样本数据集进行预处理。
31.s22、对预处理后的样本数据集进行数据标注，根据得到的标注数据得到正则池以及标注集，将标注集分为训练集、验证集、测试集。
32.s23、构建基于自注意力机制transformer的神经网络模型，根据训练集、验证集对神经网络模型进行命名实体识别训练，得到文献数据结构化模型。
33.s24、将测试集输入到文献数据结构化模型，得到预测的目标点，根据正则池提取预测的目标点所在的一句或多句话，得到预测的结构化文本。
34.s25、将预测的结构化文本进行人工校对，若人工校对结果不一致，则转去执行s21；若人工校对结果一致，则输出文献数据结构化模型。
35.可选地，输入模块，进一步用于：
36.将样本数据集中的样本数据进行拆分，将拆分后的样本数据中的关键词、日期、抬
头、编号信息删除。
37.可选地，输入模块，进一步用于：
38.根据预处理后的样本数据集的内容，设定标签及排序，标签的内容为需进行结构化内容的描述。
39.根据标签对预处理后的样本数据集的内容进行标注，并将标注的内容和相应的标签进行关联。
40.可选地，输入模块，进一步用于：
41.提取标注数据所在的句子，在句子中去掉标注数据，动态生成正则提取句式，将正则提取句式保存到正则池。
42.可选地，输入模块，进一步用于：
43.对标注数据采用bio标注法进行序列标注，得到标注集。
44.一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于深度学习的中医药临床文献数据结构化方法。
45.一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于深度学习的中医药临床文献数据结构化方法。
46.本发明实施例提供的技术方案带来的有益效果至少包括：
47.上述方案中，采用机器学习的方法，具有方便、快捷、准确、高效的特点，同时可以人工较对输出结果，让系统完成多轮自动学习，既节省时间，又能达到优化系统的目的。利用动态正则池概念，对数据标注结果进行二次利用，并抽取成为表达式入库，形成表达式集(可辅助进行依存句法分析)，并根据表达式出现次数决定表达式，在表达式集里的权重。在文献数据结构化过程中，模型预测起到两方面作用，1、直接获取结果2、定位结果所在的句子，根据结果打分判断执行哪个方面，如果执行第2方面，则调用动态正则池获取准确的结构化数据。
48.另一方面，本发明在进行数据结构化时，首先对目标实体所在的句子进行定位，定位之后利用正则池中的内容抽取句子中的目标实体，这样操作可以对需要抽取的文段进行有效抽取，避免文献中其他位置的实体被识别，提高识别准确性。
49.本发明解决了现有技术中自然语言处理和中医药结合不紧密、中医药文献数据结构化处理系统等存在的缺陷和不足的问题。在本发明方法中，数据标注人员用bio标注法对中医药临床文献进行数据标记，标记结果通过深度学习的方式构建神经网络，训练nlp(natural language processing,自然语言处理)数据模型。通过nlp模型，依据中医药文献领域本体相关属性概念，对训练结果进行动态正则匹配，完成目标内容坐标定位，实现对相关文献数据的抽取，并对抽取结果进行人工校对。校对结果进行二次组织为标准知识库，利用标准样本知识库，完善训练源数据，并进行多轮训练，促进数据挖掘结果的智能化，精准化。
附图说明
50.为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，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是本发明基于深度学习的中医药临床文献数据结构化方法流程示意图；
52.图2是本发明文献数据结构化模型的构建方法流程示意图；
53.图3是本发明中医药临床文献样本示意图；
54.图4是本发明标签内容示意图；
55.图5是本发明正则化句式提取示意图；
56.图6是本发明数据标记结果示意图；
57.图7是本发明基于深度学习的中医药临床文献数据结构化方法结构示意图；
58.图8是本发明基于深度学习的中医药临床文献数据结构化装置框图；
59.图9是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
60.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
61.如图1所示，本发明实施例提供了一种基于深度学习的中医药临床文献数据结构化方法，该方法由电子设备实现，该方法的处理流程可以包括如下的步骤：，
62.s11、获取待处理文献。
63.s12、将待处理文献输入到预先构建好的文献数据结构化模型。
64.s13、基于待处理文献以及文献数据结构化模型，得到结构化文本。
65.可选地，s12中的文献数据结构化模型的构建过程包括：
66.s121、获取中医药临床文献样本数据集，并对样本数据集进行预处理。
67.s122、对预处理后的样本数据集进行数据标注，根据得到的标注数据得到正则池以及标注集，将标注集分为训练集、验证集、测试集。
68.s123、构建基于自注意力机制transformer的神经网络模型，根据训练集、验证集对神经网络模型进行命名实体识别训练，得到文献数据结构化模型。
69.s124、将测试集输入到文献数据结构化模型，得到预测的目标点，根据正则池提取预测的目标点所在的一句或多句话，得到预测的结构化文本。
70.s125、将预测的结构化文本进行人工校对，若人工校对结果不一致，则转去执行s121；若人工校对结果一致，则输出文献数据结构化模型。
71.可选地，s121中的对样本数据集进行预处理包括：
72.将样本数据集中的样本数据进行拆分，将拆分后的样本数据中的关键词、日期、抬头、编号信息删除。
73.可选地，s122中的对预处理后的样本数据集进行数据标注包括：
74.根据预处理后的样本数据集的内容，设定标签及排序，标签的内容为需进行结构化内容的描述。
75.根据标签对预处理后的样本数据集的内容进行标注，并将标注的内容和相应的标签进行关联。
76.可选地，s122中的根据得到的标注数据得到正则池包括：
77.提取标注数据所在的句子，在句子中去掉标注数据，动态生成正则提取句式，将正则提取句式保存到正则池。
78.可选地，s122中的根据得到的标注数据得到标注集包括：
79.对标注数据采用bio标注法进行序列标注，得到标注集。
80.本发明实施例中，采用机器学习的方法，具有方便、快捷、准确、高效的特点，同时可以人工较对输出结果，让系统完成多轮自动学习，既节省时间，又能达到优化系统的目的。利用动态正则池概念，对数据标注结果进行二次利用，并抽取成为表达式入库，形成表达式集(可辅助进行依存句法分析)，并根据表达式出现次数决定表达式，在表达式集里的权重。在文献数据结构化过程中，模型预测起到两方面作用，1、直接获取结果2、定位结果所在的句子，根据结果打分判断执行哪个方面，如果执行第2方面，则调用动态正则池获取准确的结构化数据。
81.另一方面，本发明在进行数据结构化时，首先对目标实体所在的句子进行定位，定位之后利用正则池中的内容抽取句子中的目标实体，这样操作可以对需要抽取的文段进行有效抽取，避免文献中其他位置的实体被识别，提高识别准确性。
82.本发明解决了现有技术中自然语言处理和中医药结合不紧密、中医药文献数据结构化处理系统等存在的缺陷和不足的问题。在本发明方法中，数据标注人员用bio标注法对中医药临床文献进行数据标记，标记结果通过深度学习的方式构建神经网络，训练nlp(natural language processing,自然语言处理)数据模型。通过nlp模型，依据中医药文献领域本体相关属性概念，对训练结果进行动态正则匹配，完成目标内容坐标定位，实现对相关文献数据的抽取，并对抽取结果进行人工校对。校对结果进行二次组织为标准知识库，利用标准样本知识库，完善训练源数据，并进行多轮训练，促进数据挖掘结果的智能化，精准化。
83.如图2所示，本发明实施例提供了一种文献数据结构化模型的构建方法，该方法应用于电子设备，该方法包括：
84.s21、获取中医药临床文献样本数据集，并对样本数据集进行预处理。
85.将样本数据集中的样本数据进行拆分，将拆分后的样本数据中的关键词、日期、抬头、编号信息删除。
86.一种可行的实施方式中，如图3所示，可以将每篇中医药临床文献样本拆分为“摘要”“资料与方法”“结果”三部分内容。且要结构化的内容在这三部分中，在进行拆分的过程中需要对关键词、日期、抬头、编号等信息进行过滤，使中医药临床文献数据形成map《摘要，内容》，map《资料与方法，内容》，map《结果，内容》此类格式。
87.s22、对预处理后的样本数据集进行数据标注。
88.一种可行的实施方式中，首先进行标签定义和排序，标签内容为要结构化内容的描述，如图4所示。根据预处理后的样本数据集的三部分内容中，分别对要结构化的内容进行选中标注，并将标注的内容和相应的标签进行关联。
89.s23、根据得到的标注数据得到正则池。
90.提取标注数据所在的句子，在句子中去掉标注数据，动态生成正则提取句式，将正则提取句式保存到正则池。
91.一种可行的实施方式中，对标注结果进行正则化句式提取，如图5所示，“临床主要症状为吞咽困难和发声障碍”其中吞咽困难和发声障碍为目标内容，则正则句式可提取为临床主要症状为*.和.*。
92.s24、根据得到的标注数据得到标注集。
93.对标注数据采用bio标注法进行序列标注，得到标注集。将标注集分为训练集、验证集、测试集。
94.一种可行的实施方式中，如图6所示，在预处理后的中医药临床文献样本数据中，一个序列代表拆分后的一个句子，结构化实体代表一个句子中的元素。
95.bio标注包括：将每个元素标注为“b-x”、“i-x”或者“o”；其中，“b-x”表示此元素所在的片段属于x类型并且此元素在此片段的开头；“i-x”表示此元素所在的片段属于x类型并且此元素在此片段的中间位置；“o”表示不属于任何类型。
96.需要把结构化实体抽取出来放入词表中，将文献数据转化为一行，查找并替换词表中的内容为b-标签、i-标签、o这种形式，然后按字打散，构建标注集。
97.在进行ner(named entity recognition，命名实体识别神经网络模型)训练时，需要对bio标注集进行训练集、验证集、测试集划分，可以按照7：2：1的比例进行，目的是为了获取准确率、精确率、召回率、f1等参数，评价模型质量。
98.s25、构建基于自注意力机制transformer的神经网络模型，根据训练集、验证集对神经网络模型进行命名实体识别训练，得到文献数据结构化模型。
99.一种可行的实施方式中，搭建基于transformer的nlp-ner，nlp是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间，用自然语言进行有效通信的各种理论和方法。其主要包括nlu(natural language understanding，自然语言理解)和nlg(natural languagegeneration，自然语言生成)两部分。
100.transformer采用encoder-decoder架构，encoder-decoder：是一个模型构架，是一类算法统称，并不是特指某一个具体的算法，首先，编码(encode)由一个编码器将输入序列转化成一个固定维度的稠密向量，解码(decode)阶段将这个激活状态生成目标译文。在并行性和长程依赖方面有巨大优势，但是通过对transformer注意力机制的分析，发现其在方向性、相对位置、稀疏性方面有其劣势。基于中医药临床文献结构化数据特点，通过对其注意力打分函数的简单改进，使得transformer结构在临床文献ner任务上的性能大幅提升。注意力打分函数为现有技术，本发明此处不再赘述，仅对改进部分进行描述，在计算softmax(q dot k)后，对每个点做一次加权，部分pytorch代码如下：
101.self.time_weighting＝nn.parameter(torch.ones(self.n_head,
102.config.window_len,config.
103....
104.att＝f.softmax(att,dim＝-1)#这是原始代码
105.att＝att*self.time_weightingt[:；:t,:t]#只需增加这句
[0106]
att＝self.attn_drop(att)#这是原始代码
[0107]
上述改进的优点有两个，一是：不同距离的token，对于位置的贡献理应不同。二是：对于训练时靠近开头的token，由于观察窗口较小，信息量相对低，理应降低自注意力的整体权重。针对中医药文献数据中特有的方向性、相对位置、稀疏性等缺点，在计算softmax
(q dot k)后，对每个点做一次加权，使预测结果更加准确。
[0108]
训练次数以(n 1)轮的准确率、f1值小于等于n轮，为终止训练，得到模型。具体训练参数如下：
[0109]
[0110][0111]
s26、将测试集输入到文献数据结构化模型，得到预测的目标点，根据正则池提取预测的目标点所在的一句或多句话，得到预测的结构化文本。
[0112]
一种可行的实施方式中，测试集样本数据首先要进行初始化、短句、长度验证，利用训练完毕的模型对测试集进行预测，对预测得到的内容，在测试集里进行坐标定位，判断为测试集里的哪一句，并通过坐标扩展为其所在的一句、或几句话，得到结果。调用正则池里的内容对得到的结果进行抽取，抽取结果就为需要结构化的内容。
[0113]
s27、将预测的结构化文本进行人工校对，若人工校对结果不一致，则转去执行s21；若人工校对结果一致，则输出文献数据结构化模型。
[0114]
一种可行的实施方式中，如图7所示，对利用s21-s26方法得到的结构化的内容，进行人工二次校对，校对完毕后重复s21，直到得到的内容和校对结果一致，同时更新了新的
模型，通过这种自学习的方法不断精确学习模型。
[0115]
本发明实施例中，采用机器学习的方法，具有方便、快捷、准确、高效的特点，同时可以人工较对输出结果，让系统完成多轮自动学习，既节省时间，又能达到优化系统的目的。利用动态正则池概念，对数据标注结果进行二次利用，并抽取成为表达式入库，形成表达式集(可辅助进行依存句法分析)，并根据表达式出现次数决定表达式，在表达式集里的权重。在文献数据结构化过程中，模型预测起到两方面作用，1、直接获取结果2、定位结果所在的句子，根据结果打分判断执行哪个方面，如果执行第2方面，则调用动态正则池获取准确的结构化数据。
[0116]
另一方面，本发明在进行数据结构化时，首先对目标实体所在的句子进行定位，定位之后利用正则池中的内容抽取句子中的目标实体，这样操作可以对需要抽取的文段进行有效抽取，避免文献中其他位置的实体被识别，提高识别准确性。
[0117]
本发明解决了现有技术中自然语言处理和中医药结合不紧密、中医药文献数据结构化处理系统等存在的缺陷和不足的问题。在本发明方法中，数据标注人员用bio标注法对中医药临床文献进行数据标记，标记结果通过深度学习的方式构建神经网络，训练nlp(natural language processing,自然语言处理)数据模型。通过nlp模型，依据中医药文献领域本体相关属性概念，对训练结果进行动态正则匹配，完成目标内容坐标定位，实现对相关文献数据的抽取，并对抽取结果进行人工校对。校对结果进行二次组织为标准知识库，利用标准样本知识库，完善训练源数据，并进行多轮训练，促进数据挖掘结果的智能化，精准化。
[0118]
如图8所示，本发明实施例提供了一种基于深度学习的中医药临床文献数据结构化装置800，该装置800应用于实现基于深度学习的中医药临床文献数据结构化方法，装置800包括：
[0119]
获取模块810，用于获取待处理文献。
[0120]
输入模块820，用于将待处理文献输入到预先构建好的文献数据结构化模型。
[0121]
输出模块830，用于基于待处理文献以及文献数据结构化模型，得到结构化文本。
[0122]
可选地，输入模块820，进一步用于：
[0123]
s21、获取中医药临床文献样本数据集，并对样本数据集进行预处理。
[0124]
s22、对预处理后的样本数据集进行数据标注，根据得到的标注数据得到正则池以及标注集，将标注集分为训练集、验证集、测试集。
[0125]
s23、构建基于自注意力机制transformer的神经网络模型，根据训练集、验证集对神经网络模型进行命名实体识别训练，得到文献数据结构化模型。
[0126]
s24、将测试集输入到文献数据结构化模型，得到预测的目标点，根据正则池提取预测的目标点所在的一句或多句话，得到预测的结构化文本。
[0127]
s25、将预测的结构化文本进行人工校对，若人工校对结果不一致，则转去执行s21；若人工校对结果一致，则输出文献数据结构化模型。
[0128]
可选地，输入模块820，进一步用于：
[0129]
将样本数据集中的样本数据进行拆分，将拆分后的样本数据中的关键词、日期、抬头、编号信息删除。
[0130]
可选地，输入模块820，进一步用于：
[0131]
根据预处理后的样本数据集的内容，设定标签及排序，标签的内容为需进行结构化内容的描述。
[0132]
根据标签对预处理后的样本数据集的内容进行标注，并将标注的内容和相应的标签进行关联。
[0133]
可选地，输入模块820，进一步用于：
[0134]
提取标注数据所在的句子，在句子中去掉标注数据，动态生成正则提取句式，将正则提取句式保存到正则池。
[0135]
可选地，输入模块820，进一步用于：
[0136]
对标注数据采用bio标注法进行序列标注，得到标注集。
[0137]
本发明实施例中，采用机器学习的方法，具有方便、快捷、准确、高效的特点，同时可以人工较对输出结果，让系统完成多轮自动学习，既节省时间，又能达到优化系统的目的。利用动态正则池概念，对数据标注结果进行二次利用，并抽取成为表达式入库，形成表达式集(可辅助进行依存句法分析)，并根据表达式出现次数决定表达式，在表达式集里的权重。在文献数据结构化过程中，模型预测起到两方面作用，1、直接获取结果2、定位结果所在的句子，根据结果打分判断执行哪个方面，如果执行第2方面，则调用动态正则池获取准确的结构化数据。
[0138]
另一方面，本发明在进行数据结构化时，首先对目标实体所在的句子进行定位，定位之后利用正则池中的内容抽取句子中的目标实体，这样操作可以对需要抽取的文段进行有效抽取，避免文献中其他位置的实体被识别，提高识别准确性。
[0139]
本发明解决了现有技术中自然语言处理和中医药结合不紧密、中医药文献数据结构化处理系统等存在的缺陷和不足的问题。在本发明方法中，数据标注人员用bio标注法对中医药临床文献进行数据标记，标记结果通过深度学习的方式构建神经网络，训练nlp(natural language processing,自然语言处理)数据模型。通过nlp模型，依据中医药文献领域本体相关属性概念，对训练结果进行动态正则匹配，完成目标内容坐标定位，实现对相关文献数据的抽取，并对抽取结果进行人工校对。校对结果进行二次组织为标准知识库，利用标准样本知识库，完善训练源数据，并进行多轮训练，促进数据挖掘结果的智能化，精准化。
[0140]
图9是本发明实施例提供的一种电子设备900的结构示意图，该电子设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)901和一个或一个以上的存储器902，其中，存储器902中存储有至少一条指令，至少一条指令由处理器901加载并执行以实现下述基于深度学习的中医药临床文献数据结构化方法的步骤：
[0141]
s1、获取待处理文献。
[0142]
s2、将待处理文献输入到预先构建好的文献数据结构化模型。
[0143]
s3、基于待处理文献以及文献数据结构化模型，得到结构化文本。
[0144]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于深度学习的中医药临床文献数据结构化方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0145]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0146]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。