一种智能型心率变异性分析系统的制作方法

1.本发明涉及信号处理技术领域，尤其涉及一种智能型心率变异性分析系统。


背景技术：

2.心率变异性是指逐次心动周期之间的细微的时间变化及其规律，是评价自主神经系统的交感-复交感神经张力及其平衡的重要指标。自从心率变异性的临床相关性得到首次认可以来，陆续有研究证实了心率变异性在心力衰竭、中风，心肌梗死术后、心脏移植术后等心血管疾病的风险评估上具有重要的临床价值。医学界已达成了普遍的共识：心率变异性可作为急性心肌梗死的风险预测指标和糖尿病性神经病的早期预警指标。
3.目前，心率变异性的行业标准分析方法为：首先采集受试者的心电信号，完成数模转换和伪差识别；其次，识别心电信号中的qrs复合波基准点，得到rr间期序列并进行编辑，得到窦性nn间期；再次，对nn间期进行时域分析，得到心率变异性的相关分析结果。在心率变异性的分析中，由于时域和频域分析易受到nn间期序列的识别不精确的影响，心率变异性的自动化分析结果并不准确，需要临床医生在rr间期编辑阶段花费大量的时间通过目视检查和手动修正的方式剔除不合格的rr间期。现有的自动心率变异性分析系统对于已有的临床医生编辑和修正得到的精确nn间期、心搏类型等历史信息并未充分加以利用，存在智能化程度低、分析效率低下的问题，无法根据用户的使用需求提供个性化的智能服务。
4.因此，现有心率变异性分析系统存在的主要问题是心率变异性自动分析系统智能化程度低，没有对医疗历史数据进行充分利用，导致分析结果不准确，并且无法满足多场景的使用需求。亟需设计一种心率变异性分析系统，实现对现有医疗资源的充分利用，能够自动对心率变异性的分析算法进行改进，提高自动分析结果的准确性，并满足用户的多场景和个性化的使用需求。


技术实现要素：

5.有鉴于此，有必要提供一种智能型心率变异性分析系统，用以解决现有技术中存在的心率变异性分析系统智能化程度低、分析结果不准确、无法满足用户的个性化使用需求的问题。
6.为了解决上述问题，本发明提供一种智能型心率变异性分析系统，包括：
7.信号采集模块、预处理模块、校正模块和报告输出模块；
8.信号采集模块，用于获取心电图数字信号；
9.预处理模块，用于对所述心电图数字信号进行预处理，得到心电图数据；
10.校正模块，用于对所述心电图数据进行分析，得到nn间期序列；
11.报告输出模块，用于根据所述nn间期序列得到心率变异性分析报告。
12.进一步地，所述预处理模块包括：离群点检测单元、滤波器单元和识别单元；
13.离群点检测单元，用于确定所述心电图数字信号中的异常数据；
14.滤波器单元，用于滤除所述心电图数字信号中的伪差；
15.qrs识别单元，用于识别所述心电图数字信号中的qrs复合波基准点。
16.进一步地，所述校正模块包括自动校正单元、手动校正单元、存储单元、神经网络训练单元和预测单元；
17.自动校正单元，用于消除所述心电图数据的非窦性心搏rr间期，得到第一nn间期序列；
18.手动校正单元，用于为用户提供交互接口，使用户对所述第一nn间期序列的r波位置和类型以及rr间期序列进行手动校正和标注；
19.存储单元，用于对所述手动校正和标注r波位置和类型以及rr间期序列后的心电图数据进行存储；
20.神经网络训练单元，用于建立初始校正模型，并利用所述存储单元中的心电图数据对所述初始校正模型进行训练，得到训练完备的校正模型；
21.预测单元，用于利用所述训练完备的校正模型对心电图数据进行qrs识别以及rr间期自动校正。
22.进一步地，所述自动校正单元包括筛选模块和计算模块；
23.筛选模块，用于筛选心电图数据rr间期序列中符合第一判断条件的rr间期，并判断所述rr间期是否满足第二判断条件；如果满足所述第二判断条件，记录所述rr间期在所述rr间期序列中的位置，并将所述rr间期从所述rr间期序列中剔除，得到第一rr间期序列；根据所述第一rr间期序列计算心率，将心率符合第三判断条件的rr间期剔除，得到第二rr间期序列；
24.计算模块，用于利用预设算法对所述第二rr间期序列进行处理，得到nn间期序列。
25.进一步地，所述神经网络训练单元包括选择模块、交互训练模块和自训练模块；
26.选择模块，用于为用户提供接口，使用户对交互训练模式和自训练模式进行选择；
27.交互训练模块，用于使用户自主选择初始校正模型和神经网络训练方法进行神经网络训练；
28.自训练模块，用于根据预设的神经网络和训练方法进行神经网络训练。
29.进一步地，所述交互训练模块包括设置模块，用于使用户设置数据集划分比例、选择神经网络模型和超参调优方法。
30.进一步地，所述自训练模块包括网络搜索模块、架构优化模块和性能评估模块，
31.网络搜索模块，用于存储基本神经网络模型结构；
32.架构优化模块，利用预设的架构优化方法对所述基本神经网络模型进行超参数设置，得到候选校正模型；
33.性能评估模块，用于对训练完备的候选校正模型进行性能评估，选择性能最佳的作为所述训练完备的心率分析模型。
34.进一步地，所述网络搜索模块包括基本运算单元，所述基本运算单元组成所述基本神经网络模型结构。
35.进一步地，所述架构优化方法包括基于梯度下降的可微网络搜索方法。
36.进一步地，所述报告输出模块包括时域分析单元、频域分析单元和非线性分析单元；
37.时域分析单元，用于根据所述nn间期序列进行长程和短程的心率变异性时域分
析，得到心率变异性时域分析报告；
38.频域分析单元，用于根据所述nn间期序列进行长程和短程的频谱分析，得到心率变异性频域分析报告；
39.非线性分析单元，用于计算所述nn间期序列的非线性参数，得到心率变异性非线性参数分析报告。
40.与现有技术相比，本发明的有益效果包括：通过信号采集模块对心电图原始信号进行数模转换，得到心电图数字信号；通过预处理模块对心电图数字信号进行滤波等预处理，为后续的心率变异性分析提供数据基础；通过校正模块对现有医疗资源进行了充分利用，使分析系统自动识别和校正的准确率大幅提升，使用过程中还能够为用户提供个性化的功能选择，满足了用户的多场景和个性化的使用需求；通过报告输出模块从多角度对心率变异性进行分析，使分析结果更加全面和准确。本发明实现了对现有医疗资源的充分利用，能够自动对心率变异性的分析算法进行改进，提高心率变异性自动分析结果的准确性，并能够满足用户的多场景和个性化使用需求。
附图说明
41.图1为本发明提供的一种智能型心率变异性分析系统一实施例的结构示意图；
42.图2为本发明提供的预处理模块一实施例的结构示意图；
43.图3为本发明提供的校正模块一实施例的结构示意图；
44.图4为本发明提供的神经网络单元一实施例的工作流程示意图；
45.图5为本发明提供的自训练模块一实施例的结构示意图；
46.图6为本发明提供的自训练模块另一实施例的结构示意图；
47.图7为本发明提供的网络搜索模块的一实施例的结构示意图；
48.图8为本发明提供的报告输出模块的一实施例的结构示意图；
49.图9为本发明提供的频域分析单元的一实施例对开源数据库nsr001进行频谱分析得到的结果示意图；
50.图10为本发明提供的非线性分析单元的一实施例对开源数据库nsr001数据进行分析后对应的poincar
è
结果。
具体实施方式
51.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
52.本发明提供了一种智能型心率变异性分析系统，以下进行详细说明。
53.如图1所示，本发明实施例提供了一种智能型心率变异性分析系统100，包括信号采集模块101、预处理模块102、校正模块103和报告输出模块104；
54.所述信号采集模块101，用于获取心电图数字信号；
55.所述预处理模块102，用于对所述心电图数字信号进行预处理，得到心电图数据；
56.所述校正模块103，用于对所述心电图数据进行分析，得到nn间期序列；
57.所述报告输出模块104，用于根据所述nn间期序列得到心率变异性分析报告。
58.与现有技术相比，本实施例提供的智能型心率变异性分析系统，通过信号采集模
块对心电图原始信号进行数模转换，得到心电图数字信号；通过预处理模块对心电图数字信号进行滤波等预处理，为后续的心率变异性分析提供数据基础；通过校正模块对现有医疗资源进行了充分利用，使分析系统自动识别和校正的准确率大幅提升，使用过程中还能够为用户提供个性化的功能选择，满足了用户的多场景和个性化的使用需求；通过报告输出模块从多角度对心率变异性进行分析，使分析结果更加全面和准确。
59.作为一个具体的实施例，所述信号采集模块101包括动态心电图仪，主要用于采集心电图原始信号，并经数模转换后得到心电图数字信号。
60.作为优选的实施例，如图2所示，所述预处理模块102包括：离群点检测单元201、滤波器单元202和识别单元203；
61.所述离群点检测单元201，用于确定所述心电图数字信号中的异常数据；
62.所述滤波器单元202，用于滤除所述心电图数字信号中的伪差；
63.所述qrs识别单元203，用于识别所述心电图数字信号中的qrs复合波基准点。
64.作为一个具体的实施例，所述离群点检测单元201主要用于找出与其它心电样本点特征不一致的点。由于心电图数据是一维数据，考虑到运算性能，所述离群点检测单元201采用基于统计方法的离群点检测。具体来说，离群点检测的过程为：先分别计算出所有心电图样本的均值和方差，然后将超出区间[u-3σ,u 3σ]范围的值作为离群点；其中，u表示心电图样本的均值，σ表示心电图样本的标准差。
[0065]
作为一个具体的实施例，所述滤波器单元202主要用于滤除心电图中的各类伪差。具体的处理过程为：使用fir高通滤波器滤除基线漂移，使用notch滤波器滤除工频干扰，使用iir低通滤波器滤除高频肌电干扰。
[0066]
作为优选的实施例，如图3所示，所述校正模块103包括自动校正单元301、手动校正单元302、存储单元303、神经网络训练单元304和预测单元305；
[0067]
所述自动校正单元301，用于消除所述心电图数据的非窦性心搏rr间期，得到第一nn间期序列；
[0068]
所述手动校正单元302，用于为用户提供交互接口，使用户对所述第一nn间期序列的r波位置和类型以及rr间期序列进行手动校正和标注；
[0069]
所述存储单元303，用于对所述手动校正和标注r波位置和类型以及rr间期序列后的心电图数据进行存储；
[0070]
所述神经网络训练单元304，用于建立初始校正模型，并利用所述存储单元中的心电图数据对所述初始校正模型进行训练，得到训练完备的校正模型；
[0071]
所述预测单元305，用于利用所述训练完备的校正模型对心电图数据进行qrs识别以及rr间期自动校正。
[0072]
作为优选的实施例，如图3所示，所述自动校正单元301包括筛选模块3011和计算模块3012；
[0073]
所述筛选模块3011，用于筛选心电图数据rr间期序列中符合第一判断条件的rr间期，并判断所述rr间期是否满足第二判断条件；如果满足所述第二判断条件，记录所述rr间期在所述rr间期序列中的位置，并将所述rr间期从所述rr间期序列中剔除，得到第一rr间期序列；根据所述第一rr间期序列计算心率，将心率符合第三判断条件的rr间期剔除，得到第二rr间期序列；
[0074]
所述计算模块3012，用于利用预设算法对所述第二rr间期序列进行处理，得到第一nn间期序列。
[0075]
通常，混入到窦性rr间期序列(也称为nn间期序列)中的非窦性心搏信号来源主要有：(a)异位搏动产生的rr间期以及跟随其后的长rr间期，例如早搏心搏和其后的代偿间歇；(b)由于qrs复合波漏检而引起的长rr间期；(c)由于qrs复合波多检而产生的虚假qrs，这将可能使得一个原本正常的窦性心搏rr间期被分成两个短的rr间期，进而产生错误的rr间期序列。上述方案中，通过筛选模块3011进行三次判断，再通过计算模块3012进行数据处理，大大提高了nn间期序列的检测准确性。
[0076]
作为一个具体的实施例，所述第一判断条件为：rr间期》2s；第二判断条件为：心脏停搏条件；第三判断条件为：心率大于200bpm或小于30bpm的rr间期。在上述的预设条件下，所述筛选模块3011的数据校正过程为：首先，筛选出心电图数据中rr间期》2s的数据，并判断是否满足心脏停搏的条件；如果满足，则记录符合条件的数据的位置，并将该rr间期从rr序列中剔除；否则，不作处理。其次，根据rr间期计算心率，将心率大于200bpm或小于30bpm的rr间期剔除。
[0077]
所述计算模块3012的预设算法为线性插值或三次样条插值；对经过筛选模块3011进行剔除操作的rr间期进行插值，得到用于心率变异性分析的窦性心搏rr间期，记作nn间期序列。
[0078]
作为优选的实施例，如图3所示，所述神经网络训练单元304包括选择模块3041、交互训练模块3042和自训练模块3043；
[0079]
所述选择模块3041，用于为用户提供接口，使用户对交互训练模式和自训练模式进行选择；
[0080]
所述交互训练模块3042，用于使用户自主选择初始校正模型和神经网络训练方法进行神经网络训练；
[0081]
所述自训练模块3043，用于根据预设的神经网络和训练方法进行神经网络训练。
[0082]
作为一个具体的实施例，所述选择模块3041可供用户自主选择是否开启神经网络训练模式。如果用户选择开始神经网络自训练，系统将首先统计指定存储单元中可供使用的标签数据的数量，为了保证神经网络训练的有效性，将可供使用的标签数据的最低阈值设定为1万。如果数据量过小，则提示用户，该功能无法开启；如果数据量满足要求，则提示用户选择开启网络交互训练模块或自训练模块(默认开启自训练模块进行神经网络训练)。当用户有科研需求时，可能需要自主设计训练方法实验，比如设定不同的模型、导出相关图表和分析结果，此时可以选择开启交互训练模块。
[0083]
作为优选的实施例，所述交互训练模块3042包括设置模块，用于使用户设置数据集划分比例、选择神经网络模型和超参调优方法。
[0084]
下面结合图4对所述神经网络训练单元304进行详细描述。
[0085]
作为一个具体的实施例，在所述交互训练模块3042开启的情况下，训练过程为交互式训练模式，具体为：
[0086]
步骤s1：生成一份针对已有数据的可视化探索分析报告，包括：
[0087]
(a)数据的描述性统计结果，包括常规的均值、方差、中位数、分位数等；
[0088]
(b)数据可视化图表，包括qrs波位置、qrs类型、rr间期等字段的直方图(可视化数
据分布特点)、散点图(可视化特征之间的相关性)、差分图(描述多个数据集中分布和统计信息的差异)、箱形图(可视化群体差异)等；
[0089]
步骤s2：设置数据集划分比例；有两种划分方式可供选择：训练集-测试集划分、训练集-验证集-测试集；
[0090]
步骤s3：选择预设模型库中的模型；所述模型库中提供了支持向量机、logistic回归、随机森林，cnn、fcn、resnet，unet等常见模型供用户选择；
[0091]
步骤s4：选择超参自动调优算法；提供了grid search(网格搜索)、朴素贝叶斯进化等常用算法供用户选择。
[0092]
作为优选的实施例，如图5所示，所述自训练模块3043包括网络搜索模块501、架构优化模块502和性能评估模块503；
[0093]
所述网络搜索模块501，用于存储基本神经网络模型结构；
[0094]
所述架构优化模块502，利用预设的架构优化方法对所述基本神经网络模型进行超参数设置，得到候选校正模型；
[0095]
所述性能评估模块503，用于对训练完备的候选校正模型进行性能评估，选择性能最佳的作为所述训练完备的校正模型。
[0096]
作为一个具体的实施例，如图6所示，所述网络搜索模块501还自定义了算法，可以供用户搜索神经网络的类型。同时，为了提高搜索效率，对神经网络结构的描述方式也进行了自定义。本实施例中，我们将网络搜索模块501中的神经网络结构限定为cnn及其变种网络、fcn及其变种网络、resnet及其变种网络，unet系列网络等结构网络。
[0097]
所述架构优化模块502的架构优化方法默认采用的是网格和随机搜索的方式，该方法通过预设合理的超参数值范围，让程序自动的把所有参数都运行一遍，得到不同的性能指标结果。最后选择性能指标最优的一组参数作为最终超参数的值。利用所述架构优化模块502可以对所述网络搜索模块501中的各个模型：模型1，模型2，
…
模型n进行超参数设置，得到n个候选校正模型。
[0098]
所述性能评估模块503，当各个候选校正模型训练完成后，使用f1分数作为性能评估指标，从模型1，模型2，
…
模型n中选择性能最佳的一个模型作为最终的训练完备的校正模型。
[0099]
作为优选的实施例，所述网络搜索模块501包括基本运算单元，所述基本运算单元组成所述基本神经网络模型结构。
[0100]
作为一个具体的实施例，所述网络搜索模块501可以是层次结构，即前一步骤生成的单元结构作为下一步单元结构的基本组成部件，通过迭代得到最终的网络结构。如图7所示，图7为一个三层次结构示意图。将第一层的基本运算单元进行组合作为第二层的基本运算单元；再将第二层的主要运算单元进行组合，构成第三层的基本运算单元。
[0101]
作为优选的实施例，所述架构优化方法包括基于梯度下降的可微网络搜索方法。
[0102]
作为一个具体的实施例，所述架构优化方法选用darts(differentiable architecture search)，该方法是一种可微的网格搜索方法，它基于梯度下降的方法，通过使用softmax来放宽离散空间在连续和可微的搜索空间中搜索神经结构。
[0103]
作为一个具体的实施例，当用户开启了神经网络自训练模块，且完成了神经网络的训练后，所述预测单元305才会启动。待所述预测单元305启动后，当用户后续再次使用心
率变异性分析功能时，所述预测单元305将被用于qrs的识别以及rr间期的自动校正。
[0104]
作为优选的实施例，如图8所示，所述报告输出模块104包括时域分析单元1041、频域分析单元1042和非线性分析单元1043；
[0105]
所述时域分析单元1041，用于根据所述nn间期序列进行长程和短程的心率变异性时域分析，得到心率变异性时域分析报告；
[0106]
所述频域分析单元1042，用于根据所述nn间期序列进行长程和短程的频谱分析，得到心率变异性频域分析报告；
[0107]
所述非线性分析单元1043，用于计算所述nn间期序列的非线性参数，得到心率变异性非线性参数分析报告。
[0108]
作为一个具体的实施例，所述时域分析单元1041的时域分析用于短程(例如5mins)的心率变异性检测和分析，更主要是用于长程(例如24h)的心率变异性的检测和分析。包括：
[0109]
(1)nn间期直方图：统计一定时间内的nn间期分布图。具体来说，就是以一定的nn间期间隔(例如1/128s，即7.8124ms)，统计不同的nn间期的心搏的个数。横坐标为nn间期的长度，纵坐标为心搏个数。
[0110]
(2)nn间期差值直方图：相邻的nn间期的差值的分布图。通常，用后一个心搏的nn间期减去前面一个心搏的nn间期。横坐标为nn间期差值，单位为ms，纵坐标为心搏个数。
[0111]
(3)昼夜平均nn间期差(ms)：将24小时记录的nn间期，按白天、夜间(睡眠时间)划分为两段，计算全部夜间的nn间期的平均值，减去全部白天的nn间期的平均值，得到昼夜平均nn间期差。由于夜间睡眠时心律较慢，nn间期比白天长，所以一般昼夜平均nn间期差为正数。
[0112]
(4)nn间期标准差(sdnn)：单位为ms，检测预设时间段内全部nn间期的标准差。
[0113]
(5)nn间期的平均值的标准差(sdann)：单位为ms，把24h测得的nn间期数据按时间顺序，以每5min为一段划分为若干段(24h，共288段)，先计算每5mins时间段内的nn间期的平均值，可得到288个nn间期的平均值，再计算这288个数据的标准差。
[0114]
(6)相邻nn间期差的均方根(rmssd)：单位为ms。这里相邻的nn间期指的是两个心搏是相邻的，且同时这两个心搏又都符合作为心率变异性分析原始数据的标准。例如，这两个心搏都是窦性心律，而且在其后又没有异位搏动，漏检心搏等，则rmssd可表示为：
[0115][0116]
其中δnni表示相邻两个nn间期的差，24h中相邻的nn间期共有n对。
[0117]
(7)nn间期标准差的平均值(sdnn index)：单位为ms，长程检测得到的nn间期按时间顺序划分为每5mins一段，首先计算每个时间段内nn间期的标准差，再计算这些标准差的平均值。
[0118]
(8)相邻nn间期差值的标准差(sdsd)：单位为ms，首先计算出全部相邻nn间期的差值，再计算出这些差值数据的标准差。
[0119]
(9)相邻nn间期的差超过50ms的心搏数(nn50)：单位为心搏数，该指标通常用于长程24h的心率变异性分析。
[0120]
(10)相邻nn间期的差值超过50ms的心搏数占nn间期总心搏数的百分比(pnn50)：与nn 50意义基本相同。不同的是，使用nn 50时，必须严格规定心率变异性测量时间为24h。
[0121]
(11)心率变异性三角指数(心率变异性triangular index)：nn间期的总心搏数除以nn间期的直方图的高度(即nn间期直方图最高点的心搏数)。为了标准化，通常该nn间期直方图必须以7.8125ms(1/128s)为间隔绘出。
[0122]
(12)nn间期直方图的宽度(trnn)：单位为ms，它采用nn间期直方图的最高点为顶点的三角形来近似地描述nn间期直方图的形状。
[0123]
(13)心率变异性差分指数：单位为ms，在相邻nn间期差值直方图的两个设定的高度上(例如1000个心搏数和10000个心搏数)计算出直方图的宽度，这两个宽度的差就是差分指数。
[0124]
(14)心率变异性对数指数：在相邻nn间期差值直方图中，横坐标是相邻的两个心搏的nn间期的差值的绝对值。
[0125]
(15)lorenz散点图：以相邻nn间期中的前一个心搏的nn间期nnn为横坐标，以后一个心搏的nn间期nnn 1为纵坐标。对于长程检测得到的nn间期数据全部画出这些点就得到了lorenz散点图。
[0126]
作为一个具体的实施例，所述频域分析单元1042的频域分析可用于5min的短程检测和24h的长程检测都可以进行频谱分析。但推荐使用5min的短程检测作频谱分析。5min的短程检测包括：
[0127]
(1)总功率(tp)：单位ms2，为功率谱密度曲线在0.0-0.4hz范围内的积分值；
[0128]
(2)超低频功率(ulf)：单位ms2，为功率谱密度曲线在0.003-0.04hz范围内的积分值；
[0129]
(3)低频功率(lf)：单位为ms2，lf为功率谱密度曲线在0.04-0.15hz范围内的积分值；
[0130]
(4)高频功率(hf)：单位为ms2，hf为功率谱密度曲线在0.15-0.4hz范围内的积分值；
[0131]
(5)低频高频功率比值(lf/hf)；
[0132]
(6)规范化的lf功率(lfnu)；
[0133]
(7)规范化的hf功率(hfnu)。
[0134]
如图9所示，图9是利用所述频域分析单元1042对开源数据库nsr001进行频谱分析得到的结果示意图。
[0135]
作为一个具体的实施例，所述非线性分析单元1043主要计算一些相关的poincar
é
非线性参数。具体分析方法包括：
[0136]
(1)sd1:poincar
é
图投影到垂直于恒等线的直线上的标准差；
[0137]
(2)sd2：poincar
é
图投影y＝x直线上的标准差；
[0138]
(3)sd2/sd1。
[0139]
如图10所示，图10是利用所述非线性分析单元1043对开源数据库的nsr001数据进行分析后对应的poincar
é
结果。其中sd1为22.1526，sd2为236.9698，sd2/sd1值为10.6971。
[0140]
本发明公开的一种智能型心率变异性分析系统，通过信号采集模块对心电图原始信号进行数模转换，得到心电图数字信号；通过预处理模块对心电图数字信号进行滤波等
预处理，为后续的心率变异性分析提供数据基础；通过校正模块，利用神经网络学习的方式，能够充分利用医生校正过的信息，不断改进算法的准确性，对现有医疗资源进行了充分利用，使分析系统自动识别和校正的准确率大幅提升，使用过程中还能够为用户提供个性化的功能选择，满足了用户的多场景和个性化的使用需求；通过报告输出模块从多角度对心率变异性进行分析，使分析结果更加全面和准确。
[0141]
本发明实现了对现有医疗资源的充分利用，能够自动对心率变异性的分析算法进行改进，提高心率变异性自动分析结果的准确性，达到了心率变异性的完全自动诊断；并能够满足用户的多场景和个性化使用需求。
[0142]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。