基于XLNet-BiGRU-CRF模型的电子病历命名实体标准化方法和系统

基于xlnet-bigru-crf模型的电子病历命名实体标准化方法和系统
技术领域
1.本发明涉及数据处理技术领域，具体涉及一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法、系统、存储介质和电子设备。


背景技术：

2.电子病历是计算机信息系统存储、管理和传输的医疗记录，包含医务人员在为患者诊疗过程中记录的关于患者病史、临床表现、治疗方法等数字化信息。由于电子病历大多是半结构化和非结构化的数据，对其进行分析处理和数据挖掘受到严重制约。命名实体识别是发现和识别自然文本中的专有名词和有意义的词语，并将其归类到预定义的类别中，是自然语言处理任务中的一项重要分支。运用命名实体识别技术对电子病历文本进行分析研究，目的是自动地识别、分类电子病历中的医疗命名实体并将其标准化。
3.传统的电子病历命名实体识别研究主要分为基于字典和规则的方法、基于统计学的机器学习方法以及深度学习方法。其中，基于字典和规则方法需要根据短语搭配模式及词汇特征人工构建实体抽取规则，虽然能在特定领域取得较好的效果，但需要大量专家知识且召回率低。基于统计机器学习方法有隐马尔可夫模型、支持向量机、条件随机场、最大熵模型等。主要依据标注好的训练集定义特征集，应用传统机器学习算法训练统计模型，其识别性能与设计的特征密切相关。基于深度学习方法近年来得到广泛的应用和突破性进展，包括循环神经网络模型(rnn)、卷积神经网络(cnn)、门控神经网络(gru)等。深度学习方法与机器学习模型相比，能学习到高维度与深层次的特征表示，有利于提高实体识别的泛化能力，该方法基于神经网络的深度学习，较传统机器学习方法的优势是无需特征工程和人工构造规则模板，节省了人力物力。
4.然而医疗命名实体识别属于特定领域的命名实体识别，旨在识别电子病历中的一些重要概念，包括症状、疾病名称等。电子病历命名实体并标准化仍面临着一些困难与挑战，病历文本相比于通用领域文本，病历命名实体存在(1)字符长度大；(2)生僻词多；(3)命名实体间相互嵌套等情况。因此，医疗领域电子病历命名实体识别成为一项具有挑战性的任务，医疗命名实体识别性能有待进一步提高。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法、系统、存储介质和电子设备，解决了医疗命名实体识别性能有待提高的技术问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法，包括：
10.s1、获取并预处理待识别的电子病历语料；
11.s2、将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量，所述xlnet模型包括排列语言模型、双流注意力机制和transformer-xl核心组件；
12.s3、将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；
13.s4、根据所述实体识别结果，提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据，所述三元组数据由原实体、实体类别、标准实体组成；
14.s5、将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；
15.s6、将预设的标准表作为基准表，将所述目标映射实体结果向所述基准表上进行映射，获取最终的电子病历标准实体，所述映射过程包括机器处理和人工标注。
16.优选的，所述s1中预处理包括将所述待识别的电子病历语料进行脱敏处理和人工序列标注。
17.优选的，所述s2中的排列语言模型包括：
[0018][0019]
其中，表示所有排列组合的期望，p
θ
是条件概率，是分解顺序中的第t个token，x
α《t
是第t个token之前的所有tokens，即重排列语言建模的目标函数，以t-1个tokens为上下文，预测第t个tokens；
[0020]
所述双流注意力机制包括询问表征单元和内容表征单元：
[0021][0022][0023]
其中，为额外输入的预测目标词的位置信息，表示文本序列中各个位置之间的相关性；
[0024]
所述transformer-xl核心组件包括：
[0025][0026]
其中，q、k、v均是输入字向量矩阵，dim为输入向量维度。
[0027]
优选的，所述s4中neo4j数据库的构建过程包括：
[0028]
对训练语料的数据，以及预先获取的卫健委标准数据集进行分类标注处理，形成三元组数据存入到所述neo4j数据库。
[0029]
优选的，所述s5中bigru-crf子模型包括：
[0030]zt
＝σ(wz·
[h
t-1
,x
t
])
[0031]rt
＝σ(wr·
[h
t-1
,x
t
])
[0032][0033][0034]
其中，x
t
表示当前t时刻的输入向量，在所述待识别的电子病历语料中表示第t个单词的特征向量；h
t
、h
t-1
分别表示当前t时刻和前一时刻的隐藏层状态矩阵向量；表示当前t时刻的候选隐藏层状态，也是当前时刻新的记忆；z
t
表示更新门，用于控制前一时刻的状态信息被带入到当前状态中的程度，z
t
的值越大说明前一时刻的状态信息保留越多；r
t
表示重置门，用于控制忽略前一时刻的状态信息的程度，r
t
的值越小说明舍弃的越多；wz、wr、分别表示更新门、重置门以及候选隐藏状态的权重矩阵；σ表示sigmoid非线性激活函数，tanh表示tanh激活函数，*表示向量的点乘；
[0035]
经过bigru网络编码单元的输出向量为z，将输出向量z进行softmax概率归一化后，输入到crf层。
[0036]
优选的，所述s5中bigru-crf子模型还包括：
[0037]
对于一个给定的输入序列x，把预测输出标签序列y的概率定义为s(x，y)，其中y＝(y1,y2,
……yn
)表示句子所含字个数为n的标签序列，s(x，y)的计算公式如下：
[0038][0039]
其中，为bigru网络编码单元的输出向量为z的元素；是crf层输出的概率转移矩阵的元素，表示从标签y
t-1
到y
t
的转移概率，这样是利用标签之间的依赖性，获取更加合理的标签序列。可以看出整个标签序列y的概率是各个模块的分数总和，而每个位置的打分都通过两部分组成，一部分是所述bigru网络编码单元的输出概率矩阵，另一部分则是所述crf层的输出转移概率矩阵。将上述公式进行归一化处理后就得到标签序列y最终的预测概率，公式如下：
[0040][0041]
其中，y表示所有可能的标签序列。
[0042]
优选的，所述s5中还包括：
[0043]
提取相似度得分排名第二和第三的相关三元组对应的标准实体，并作为相似实体供所述电子病历标准实体作为参考。
[0044]
一种基于xlnet-bigru-crf模型的电子病历命名实体标准化系统，包括：
[0045]
预处理模块，用于获取并预处理待识别的电子病历语料；
[0046]
获取模块，用于将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量，所述xlnet模型包括排列语言模型、双流注意力机制和transformer-xl核心组件；
[0047]
识别模块，用于将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；
[0048]
提取模块，用于根据所述实体识别结果，提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据，所述三元组数据由原实体、实体类别、标准实体组成；
[0049]
比较模块，用于将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；
[0050]
映射模块，用于将预设的标准表作为基准表，将所述目标映射实体结果向所述基准表上进行映射，获取最终的电子病历标准实体，所述映射过程包括机器处理和人工标注。
[0051]
一种存储介质，其存储有用于基于xlnet-bigru-crf模型的电子病历命名实体标准化的计算机程序，其中，所述计算机程序使得计算机执行如上所述的电子病历命名实体标准化方法。
[0052]
一种电子设备，包括：
[0053]
一个或多个处理器；
[0054]
存储器；以及
[0055]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上项所述的电子病历命名实体标准化方法。
[0056]
(三)有益效果
[0057]
本发明提供了一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
[0058]
本发明将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量；将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据；将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；将所述目标映射实体结果向基准表上进行映射，获取最终的电子病历标准实体。这样检索任意医生的诊断，都不会因为习惯不同导致数据检索结果不完全；由此既保证了医生在临床中录入的速度，以及符合医生习惯，同时保障了在数据展现和统计中所有医学表征相同的不同书写方式能够被识别为具有同一种医学含义。
附图说明
[0059]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
[0060]
图1为本发明实施例提供的一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法的流程示意图；
[0061]
图2本发明实施例提供的一种基于xlnet-bigru-crf模型的电子病历命名实体标准化系统的结构框图。
具体实施方式
[0062]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0063]
本技术实施例通过提供一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法、系统、存储介质和电子设备，解决了医疗命名实体识别性能有待提高的技术问题。
[0064]
本技术实施例中的技术方案为解决上述技术问题，总体思路如下：
[0065]
本发明实施例将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量；将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据；将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；将所述目标映射实体结果向基准表上进行映射，获取最终的电子病历标准实体。检索任意医生的诊断，都不会因为习惯不同导致数据检索结果不完全；由此既保证了医生在临床中录入的速度，以及符合医生习惯，同时保障了在数据展现和统计中所有医学表征相同的不同书写方式能够被识别为具有同一种医学含义。
[0066]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0067]
实施例：
[0068]
第一方面，如图1所示，本发明实施例提供了一种基于xlnet-bigru-crf模型的电子病历命名实体标准化方法，包括：
[0069]
s1、获取并预处理待识别的电子病历语料；
[0070]
s2、将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量，所述xlnet模型包括排列语言模型、双流注意力机制和transformer-xl核心组件；
[0071]
s3、将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；
[0072]
s4、根据所述实体识别结果，提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据，所述三元组数据由原实体、实体类别、标准实体组成；
[0073]
s5、将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；
[0074]
s6、将预设的标准表作为基准表，将所述目标映射实体结果向所述基准表上进行映射，获取最终的电子病历标准实体，所述映射过程包括机器处理和人工标注。
[0075]
本发明实施例检索任意医生的诊断，都不会因为习惯不同导致数据检索结果不完全；由此既保证了医生在临床中录入的速度，以及符合医生习惯，同时保障了在数据展现和统计中所有医学表征相同的不同书写方式能够被识别为具有同一种医学含义。
[0076]
下面将结合具体内容详细介绍上述技术方案的各个步骤：
[0077]
s1、获取并预处理待识别的电子病历语料。
[0078]
预处理包括将所述待识别的电子病历语料进行脱敏处理和人工序列标注。
[0079]
脱敏处理是指在不改变电子病历语义表达以及保护电子病历真实性的前提下，为降低与医学临床信息无关实体的干扰，对电子病历的内容进行了缩减处理。由于电子病历中记录着病人的姓名、年龄、地址等隐私信息，为了保护病人隐私，需要对病人信息进行脱敏处理，由此获得去隐私的真实临床病历语料集。
[0080]
人工序列标注是指在前期数据准备中，对非结构化的电子病历数据进行人工实体标注。在标注过程中，以医学临床相关的实体为对象，按照《标签》实体《/标签》格式，把实体归类于所属类别，如疾病、症状、治疗、检查、身体部位等。
[0081]
本发明实施例在预训练阶段极大扩充了数据规模，并对质量进行了筛选过滤，用于后续xlnet使用的预训练数据除了bookscorpus和英文wiki数据，另外引入了giga5、clueweb以及common crawl数据，并排掉了其中的一些低质量数据，大小分别是16g、19g和78g。
[0082]
s2、将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量，所述xlnet模型包括排列语言模型、双流注意力机制和transformer-xl核心组件。
[0083]
基于大规模电子病历语料训练xlnet(中文)模型；xlnet在大规模语料中进行预训练，相较于传统静态的词向量模型，它能根据上下文生成动态词向量，语义编码更加精确，大大提升了命名实体识别任务的准确率。
[0084]
引入排列语言模型的目的是将文本句子中的汉字随机打乱顺序，通过改变字词排列位置的方法将双向的语句排列到单向。所述排列语言模型包括：
[0085][0086]
其中，表示所有排列组合的期望，p
θ
是条件概率，是分解顺序中的第t个token，x
α《t
是第t个token之前的所有tokens，即重排列语言建模的目标函数，以t-1个tokens为上下文，预测第t个tokens。
[0087]
引入排列语言模型后，解决了传统的自回归模型无法同时学习上下文信息的缺点同时，也会带来一个问题：文本位置信息丢失。
[0088]
为了使模型学习到序列的位置信息，在xlnet中引入了双流注意力机制。
[0089]
所述xlnet的双流自注意力机制使用了两种特征表征单元，分别为内容表征单元和询问表征单元。内容表征单元是对上文信息的表示，会包含当前的词。询问表征单元包含对除当前词之外的上文信息的表示，以及包含当前词的位置信息，而不能访问当前词的内容信息。内容表征单元与询问表征单元构成了两种信息流，这两种信息流不断向上传递，再最后输出询问单元的信息。具体的双流注意力计算机制为：：
[0090][0091]
[0092]
其中，为额外输入的预测目标词的位置信息，表示文本序列中各个位置之间的相关性。
[0093]
xlnet中文模型以transformer-xl框架为核心，引入循环机制和相对位置编码，能够更好地利用上下文语义信息，挖掘出文本向量内的潜在关系。xlnet中文模型通过在大规模无标注数据上进行训练，以得到相应的模型参数，能够通过推理得到输入序列的特征向量表示。
[0094]
所述transformer-xl核心组件包括：
[0095][0096]
其中，q、k、v均是输入字向量矩阵，dim为输入向量维度。
[0097]
进一步地，将xlnet中文语言模型输出的特征向量输入给bigru网络，bigru网络通过门控制信息的传递与截止。
[0098]
s3、将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果。
[0099]
所述bigru-crf子模型包括：
[0100]zt
＝σ(wz·
[h
t-1
,x
t
])
[0101]rt
＝σ(wr·
[h
t-1
,x
t
])
[0102][0103][0104]
其中，x
t
表示当前t时刻的输入向量，在所述待识别的电子病历语料中表示第t个单词的特征向量；h
t
、h
t-1
分别表示当前t时刻和前一时刻的隐藏层状态矩阵向量；表示当前t时刻的候选隐藏层状态，也是当前时刻新的记忆；z
t
表示更新门，用于控制前一时刻的状态信息被带入到当前状态中的程度，z
t
的值越大说明前一时刻的状态信息保留越多；r
t
表示重置门，用于控制忽略前一时刻的状态信息的程度，r
t
的值越小说明舍弃的越多；wz、wr、分别表示更新门、重置门以及候选隐藏状态的权重矩阵；σ表示sigmoid非线性激活函数，tanh表示tanh激活函数，*表示向量的点乘。
[0105]
经过bigru网络编码单元的输出向量为z，将输出向量z进行softmax概率归一化后，输入到crf层。
[0106]
所述bigru-crf子模型还包括：
[0107]
对于一个给定的输入序列x，把预测输出标签序列y的概率定义为s(x，y)，其中y＝(y1,y2,
……yn
)表示句子所含字个数为n的标签序列，s(x，y)的计算公式如下：
[0108][0109]
其中，为bigru网络编码单元的输出向量为z的元素；是crf层输出的概率转移矩阵的元素，表示从标签y
t-1
到y
t
的转移概率，这样是利用标签之间的依赖性，获
取更加合理的标签序列。可以看出整个标签序列y的概率是各个模块的分数总和，而每个位置的打分都通过两部分组成，一部分是所述bigru网络编码单元的输出概率矩阵，另一部分则是所述crf层的输出转移概率矩阵。将上述公式进行归一化处理后就得到标签序列y最终的预测概率，公式如下：
[0110][0111]
其中，y表示所有可能的标签序列。
[0112]
crf层的损失函数采用负对数似然函数，公式为：
[0113][0114]
采用adam算法用crf层的损失函数更新整个命名实体识别模型的参数，所述参数包括bigru神经网络模型和crf层在内的模型参数，xlnet中文模型的参数保持不变，当模型产生的损失值满足设定要求或者达到设定的最大迭代次数时，终止模型的训练。
[0115]
gru的构造比lstm简单(比lstm少一个gate)，这样就少几个矩阵乘法。在训练数据很大的情况下gru能节省很多时间。
[0116]
s4、根据所述实体识别结果，提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据，所述三元组数据由原实体、实体类别、标准实体组成。
[0117]
所述neo4j数据库的构建过程包括：
[0118]
对训练语料的数据，以及预先获取的卫健委标准数据集进行分类标注处理，形成三元组数据存入到所述neo4j数据库，构建命名实体识别模型的标注语料，这里只需要识别实体，使用[“o”“,b-loc”“,i-loc”]来做标记，其中o表示其它非实体，b-loc表示实体开始，i-loc表示实体非起始字。
[0119]
s5、将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果。
[0120]
词向量余弦相似度的计算包括：
[0121]
利用xlnet中文模型提取的第一embedding词向量，然后同已经存入neo4j数据库中具有对应实体的相关问题的第二embedding词向量分别作余弦相似度比较，取相似度最高的问题的答案为目标结果，同时将排名第二和第三的实体，作为相似实体供标注归一参考。
[0122]
对应的余弦相似度的计算公式如下：
[0123][0124]
其中，score为相似度值，v
query
为第一embedding词向量，v
corpus
为第二embedding词向量。
[0125]
此外，本步骤还提取相似度得分排名第二和第三的相关三元组对应的标准实体，并作为相似实体供所述电子病历标准实体作为参考。
[0126]
s6、将预设的标准表作为基准表，将所述目标映射实体结果向所述基准表上进行
映射，获取最终的电子病历标准实体，所述映射过程包括机器处理和人工标注。
[0127]
以国家、国际上的标准数据集建立基准表，具体而言，对标注和识别的实体基于国内、国际、医疗行业、国际疾病指南等标准，例如icd10\icd9、hl7cda\医学主题词表(mesh)\观测指标标识符逻辑命名与编码系统(loinc)\药品词典规范-cfda,atc分类\国家卫健委医疗机构诊疗科目名录\国际性肿瘤数据库结构\肿瘤学国际诊治指南等，对采集数据进行标准化处理，满足后续业务场景的需求。
[0128]
将实体识别出的数据与基准表进行映射,映射过程包括机器算法处理和人工标注两个过程。
[0129]
当标准表不能对应实际的数据时，由专业的医生来决定是否扩充标准表。以诊断为例，标准化过程中，不同的诊断词之间的关系不同，如“白血病”和“血癌”、“艾滋病”和“获得性免疫综合症”是两组同义的诊断词，诊断词“重度脂肪肝”是“脂肪肝”的一种类型，存在包含/被包含关系。通过标准化，最终会将临床诊断与icd11一一对应起来。如诊断“甲减”归一到icd11疾病“甲状腺功能减退”，编码：e03.901。
[0130]
特别的，对于新的命名实体识别任务，可以利用上述的算法模型对待处理字段进行处理。再利用算法模型进行标注处理后，通过人工的方式进行复核，并将复核结果反馈至该算法模型，以此来减小模型的误差，从而提升该算法模型的准确率。
[0131]
第二方面，如图2所示，本发明实施例提供了一种基于xlnet-bigru-crf模型的电子病历命名实体标准化系统，包括：
[0132]
预处理模块，用于获取并预处理待识别的电子病历语料；
[0133]
获取模块，用于将预处理后的待识别的电子病历语料输入xlnet子模型中，获取第一embedding词向量，所述xlnet模型包括排列语言模型、双流注意力机制和transformer-xl核心组件；
[0134]
识别模块，用于将所述第一embedding词向量输入bigru-crf子模型中，获取所述待识别的电子病历语料对应的实体识别结果；
[0135]
提取模块，用于根据所述实体识别结果，提取预设的neo4j数据库中具有对应实体的若干个相关三元组数据，所述三元组数据由原实体、实体类别、标准实体组成；
[0136]
比较模块，用于将所述第一embedding词向量与所述若干相关三元组数据对应的第二embedding词向量分别作余弦相似度比较，将相似度得分最高的词对应的标准实体作为目标映射实体结果；
[0137]
映射模块，用于将预设的标准表作为基准表，将所述目标映射实体结果向所述基准表上进行映射，获取最终的电子病历标准实体，所述映射过程包括机器处理和人工标注。
[0138]
第三方面，本发明实施例提供了一种存储介质，其存储有用于基于xlnet-bigru-crf模型的电子病历命名实体标准化的计算机程序，其中，所述计算机程序使得计算机执行如上所述的电子病历命名实体标准化方法。
[0139]
第四方面，本发明实施例提供了一种电子设备，包括：
[0140]
一个或多个处理器；
[0141]
存储器；以及
[0142]
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的电子病历命名实体标
准化方法。
[0143]
综上所述，与现有技术相比，具备以下有益效果：
[0144]
本发明实施例检索任意医生的诊断，都不会因为习惯不同导致数据检索结果不完全；由此既保证了医生在临床中录入的速度，以及符合医生习惯，同时保障了在数据展现和统计中所有医学表征相同的不同书写方式能够被识别为具有同一种医学含义。
[0145]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0146]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。