预测氧水平去饱和的系统和方法与流程

预测氧水平去饱和的系统和方法


背景技术：

1.诸如脉动血氧计、葡萄糖传感器、心电图、二氧化碳检测计、胎儿监测仪、肌动电流图、脑动电流图、超声波等的生物医学监测设备可提供滞后的生理现象指标。换句话讲，这些设备通常提供指示已发生的患者状况的信号或信号的系列。例如，脉动血氧计是一种附接到如脚趾或耳垂的身体部位的小的夹子样设备。其最常见的是放在手指上，以通过确定动脉血的氧含量来测量患者的心脏向全身泵送氧的情况。然而，虽然氧水平提供了诸如低氧血症、心输出量下降、组织灌注问题的各种状况的指示，但由脉动血氧计确定的氧饱和水平是可指示导致此类饱和水平的生理状况的滞后指标。


技术实现要素：

2.本文所述的具体实施公开了一种确定实时报告对即将发生的缺氧的预测有多好的方法，使得用户对所报告的预测具有更高的置信度。具体地，本文所公开的预测氧水平去饱和的方法包括：基于输入信号序列生成氧水平的输入序列，该输入信号指示患者的生理状况；基于输入信号序列和氧水平的输入序列中的至少一者生成输入特征序列；使用神经网络，基于输入特征序列生成氧水平的预测的值序列；比较预定时间窗的氧水平的预测的值序列与氧水平的输入序列以生成预测的序列置信度值；以及响应于确定预测的序列置信度值高于阈值置信度值而基于预测的值序列生成氧水平去饱和预测。
3.在一个具体实施中，输入信号的序列包括以下各项中的一者或多者：spo2水平值的序列、心率、从光电容积脉搏波(ppg)信号导出的调制百分比和从该ppg信号导出的脉冲振幅。另选地，比较预定时间窗的预测的值序列与输入信号序列可进一步包括生成指示预测的值序列中的置信度的度量值。在另一具体实施中，指示预测的值序列中的置信度的度量值可以是基于预定窗期间的预测的值序列与输入值序列的均方根误差(rmse)值。
4.在另选的具体实施中，生成氧水平去饱和预测进一步包括比较预测的值序列与阈值以生成氧水平去饱和预测。该方法的具体实施进一步包括基于预测的序列置信度值选择阈值，并且基于预测的序列置信度值和氧水平的预测的值的组合生成警报。该方法的另一具体实施进一步包括当基于预测的序列置信度值生成警报时，选择未来的时间段，并且允许用户选择警报灵敏度水平并基于所选择的警报灵敏度水平和预测的序列置信度值的值来生成警报。在另选的具体实施中，预测的序列置信度值是比较时间窗期间的输入spo2信号序列与预测的spo2值序列的均方根偏差(rmsd)。
5.提供此发明内容是为了以简化的形式介绍下文的具体实施方式中进一步描述的一系列概念。本发明内容不旨在用于确定权利要求的主题的主要或基本特征，也不旨在用于限制权利要求主题的范围。
6.本文还描述和陈述了其他具体实施。
附图说明
7.参考在说明书的剩余部分中描述的附图，可实现对本发明技术的本质和优点的进
一步理解。
8.图1示出了如本文所公开的用于患者的氧水平去饱和预测系统的示例性示意图。
9.图2示出了用于使用神经网络基于序列到序列比较来预测氧水平去饱和的示例性操作。
10.图3示出了指示输入数据时间系列与预测的数据时间系列之间的良好匹配的示例性曲线图。
11.图4示出了指示输入数据时间系列与预测的数据时间系列之间的不良匹配的示例性曲线图。
12.图5示出了将多个神经网络模型用于生成多个预测的spo2值序列的示例性曲线图。
13.图6示出了用于本文所公开的氧水平去饱和预测系统的另选的示例性操作。
14.图7示出了可用于实现所描述的技术的示例性计算系统。
具体实施方式
15.低氧血症是一种指示患者的动脉血中的氧水平低于正常浓度的状况。低氧血症可导致患者的缺氧或低氧状况，其特征在于患者组织中的氧含量不足。脉动血氧计可用于测量动脉血的氧含量以指示现有的缺氧状况以便预测即将发生的缺氧。当动脉血中的氧饱和水平下降时(指示氧水平去饱和)，临床医生可能想要得到提醒。然而，脉动血氧计是一种滞后的指示器，因为氧水平去饱和在设备能够检测到去饱和事件或通知临床医生之前就已经发生了。如果脉动血氧计能够预测即将发生的去饱和，则临床医生可以能够采取先发制人的动作来防止去饱和或减轻其影响。本文所公开的技术提供了一种用于验证预测即将发生的缺氧或氧水平去饱和的模型的输出的方法。具体地，本文所公开的方法允许确定可实时执行对即将发生的缺氧的预测有多好，以便在所报告的预测中提供更高的置信度。
16.图1示出了如本文所公开的用于患者102的氧水平去饱和预测系统100的示例性示意图。脉动血氧计104可用于测量患者中的氧饱和(spo2)水平。例如，脉动血氧计104可附接到患者的拇指。脉动血氧计104可通信地连接到计算系统120。例如，脉动血氧计104可无线地连接到计算系统120，并且其可在一时间段内发送由血氧计104测量的信号的序列。例如，可以每秒传达此类输入信号序列110。在一个具体实施中，输入信号序列110可包括光电容积脉搏波(ppg)信号，诸如红色信号110a、红外信号110b等。脉动血氧计104可使用红色信号110a和红外信号110b的值来生成氧饱和水平(spo2水平)的值。由脉动血氧计104生成的此类spo2水平的序列由输入spo2信号序列170示出。
17.计算设备120可以是包括微处理器122、存储器124和各种其他部件的计算系统。下文在图7中公开了此类计算系统120的示例。在本文所公开的方法中，存储器124可用于存储由脉动血氧计104生成的spo2信号的序列。此外，存储器124还可存储神经网络模块130的一个或多个指令，该一个或多个指令可使用微处理器122来执行以分析由脉动血氧计104生成的spo2信号的序列，以基于输入信号序列110和输入spo2信号序列170生成预测的spo2值序列。
18.在一个具体实施中，神经网络模块130可以是使用基于长短期记忆(lstm)的层来分析spo2信号的输入序列以生成预测的spo2值序列的深度神经网络模块。深度神经网络模
块可被配置为生成未来时间窗(诸如15秒时间窗、30秒时间窗、一分钟时间窗等)的预测的spo2值序列。具体地，神经网络模块130可被配置为使得预测的spo2值序列在时间上与如由spo2信号的输入序列指示的过去的spo2水平重叠。
19.spo2信号的输入序列与预测的spo2值之间的此类重叠由图1中的曲线图160所公开。具体地，曲线图160包括输入spo2信号序列170和预测的spo2值序列172。如图所示，序列170与172在比较时间窗174期间在时间上重叠。在一个具体实施中，可基于输入信号序列110、输入spo2信号序列170或它们的组合来开发各种输入特征。此类输入特征的序列可被输入到神经网络模块130。神经网络模块130可基于包括此类输入特征的各个序列的输入矩阵来生成预测的spo2值序列172。输入特征的示例性序列可以是作为spo2水平、ppg信号、调制百分比、脉冲振幅、脉冲的最大上坡、脉冲最大值的位置、一阶导数中最大值的位置、脉冲周期、心率等的组合而生成的值的序列。
20.存储器124还可包括用于实现序列到序列预测模块132的各种指令。序列到序列预测模块132可被配置为在比较时间窗174内比较输入spo2信号序列170与预测的spo2值序列172。在一个具体实施中，比较时间窗174在当前时间(t＝0)结束。因此，序列到序列预测模块132在当前时间(t＝0)之前的比较时间窗174中比较输入spo2信号序列170与预测的spo2值序列172。用于未来时间段182(超出时间t＝0)的预测的spo2值序列172的未来部分180在图1中由更黑的线表示。
21.此外，序列到序列预测模块132还可基于输入spo2信号序列170的值与预测的spo2值序列172的比较来生成指示神经网络模块130的输出中的置信度的度量。例如，此类度量可指示比较时间窗174中的输入spo2信号序列170与预测的spo2值序列172之间的匹配程度。如果值在比较时间窗174中为不良匹配，则该度量可指示预测的spo2值序列172中的较低置信度。在此类情况下，忽略未来一段时间182中的spo2的预测的值172的未来部分180。
22.指示比较时间窗174中的输入spo2信号序列170与预测的spo2值序列172之间的匹配程度的度量值可量化为均方根误差(rmse)值，其给出如下：
[0023][0024]
此处，xi是包含在比较时间窗174内的来自输入spo2信号序列170的信号点值，并且yi是包含在比较时间窗174内的来自预测的spo2值序列172的信号点值。n是比较时间窗174中的样本点的数量。在这种情况下，rmse值的量值提供匹配的指示。因此，大的rmse值指示输入spo2信号序列170与预测的spo2值序列172之间的大的差异，而较小的rmse值指示输入spo2信号序列170与预测的spo2值序列172之间的更好匹配。因此，rmse值可用作指示预测的spo2值序列172中的置信度的预测的序列置信度值(pscv)。另选地，基于输入spo2信号序列170和预测的spo2值序列172生成的其他测量或计算也可用作pscv。例如，在一个具体实施中，基于输入spo2信号序列170和预测的spo2值序列172计算的平均绝对百分比误差(mape)值可在pscv下使用。然而，另选地，输入spo2信号序列170与预测的spo2值序列172之间的均方误差(mse)、平均绝对误差(mae)、绝对中位差(mad)、相关系数(r)等或此类量度的任何组
合可用作pscv。
[0025]
存储器124还可具有警报生成模块134，该警报生成模块被配置为基于对诸如rmse的度量以及如由预测的spo2值序列172所指示的预测的spo2的值的评估来生成警报信号。例如，在一个具体实施中，警报生成模块134将如由预测的spo2值序列172所指示的预测的spo2的值与阈值190进行比较，并且每当如由预测的spo2值序列172所指示的预测的spo2的值降到阈值190以下时，生成指示去饱和的警报。例如，阈值190可被选择为90％的预测的spo2。在此类情形下，如果预测的spo2值序列172的未来部分180的任何值预期为处于或低于90％，则生成警报信号。另选地，基于预测的spo2值序列172的未来部分180与阈值190相比的水平和pscv的组合来生成警报信号。例如，在pscv为95的情况下，如果预测的spo2值序列172的未来部分180的任何部分降到82.5％以下，则警报生成模块134可导致警报的触发。另一方面，当pscv值为20时(指示极小的置信度)，即使预测的spo2值序列172的未来部分180的任何部分的值低于80％，也不会导致警报生成模块134触发警报。在又一具体实施中，当由rmse定义的pscv在 /-3％之间时，低于90％的预测的spo2值序列172的未来部分180的任何部分均可触发警报。
[0026]
在另一具体实施中，可基于pscv来选择阈值190。因此，如果pscv较高(指示预测中的较高置信度)，则可选择较低的阈值190。另一方面，如果pscv较低(指示较低的置信度水平)，则可选择较高的阈值190来确保所预料的去饱和事故不被忽略。
[0027]
在另一具体实施中，按照上文的公式1的rmse值可用于确定spo2的预测的值172的未来部分180中的置信度。因此，rmse越大，spo2的预测的值172的未来部分180中的置信度越低。如果存在低氧血症事件的高置信度(如由较低rmse值所指示)，则如果spo2的预测的值172的未来部分180的值指示指示低氧血症的去饱和水平，那么可更快地发出警报。
[0028]
在一个具体实施中，警报生成模块134可向用户提供允许用户控制响应于spo2水平预测而生成警报的容易程度的警报水平用户界面(ui)。例如，此类警报水平ui可允许用户基于连续尺度或以多个离散等级来设置警报。例如，警报的高灵敏度水平可对应于比较时间窗174期间的输入spo2信号序列170与预测的spo2值序列172的均方根偏差(rmse)为3％。因此，当准许如由较高rmsd指示的较高误差率时，高灵敏度水平指示高灵敏度。类似地，警报的低灵敏度水平可对应于比较时间窗174期间的输入spo2信号序列170与预测的spo2值序列172的均方根偏差(rmse)为1％。此处，当准许如由较低rmsd指示的较低误差率时，低灵敏度水平指示低灵敏度。
[0029]
在另选的具体实施中，测量患者的其他生理参数的其他设备也可与氧水平去饱和预测系统100一起使用。例如，血压监测仪106可用于监测血压水平并将血压水平信号的序列传达给计算设备120。在此类具体实施中，本文所公开的用于预测即将发生的氧去饱和水平的各种方法和模块也可用于预测即将发生的血压改变。类似地，这些方法和模块也可用于预测由诸如心律监测仪、脉搏监测仪、心脏监测仪、局部氧饱和度监测仪、脑监测仪、呼吸监测仪等的其他设备收集的其他生理信号的改变。输入信号的其他示例可以是调制百分比、脉冲振幅、脉冲的最大上坡、脉冲最大值的位置、一阶导数中最大值的位置、脉冲周期、spo2值、心率或者从光电容积脉搏波(ppg)信号和/或ppg红色/红外信号本身导出的一些其他变量。
[0030]
图2示出了用于使用神经网络基于序列到序列比较来预测氧水平去饱和的操作
200。具体地，操作202从当前时间窗收集与患者相关的数据。例如，此类数据可以是从血氧计收集的患者的spo2水平、患者心率等。输入数据可存储在输入时间系列向量中。在一个具体实施中，操作204可生成各种输入特征序列的矩阵，其中输入特征序列基于输入数据来开发。在操作204处，通过神经网络运行输入数据和/或输入特征矩阵以生成预测的值的序列。在操作206处，预测的值被存储在预测的时间系列向量中。
[0031]
操作208采用输入时间系列向量和预测的时间系列向量，并提取重叠区域(诸如图1中所公开的比较时间窗174期间的时间)的数据。随后，操作210确定重叠区域期间的输入时间系列向量的值与预测的时间系列向量的值是否彼此匹配。关于匹配的此类确定可通过计算输入时间系列向量与预测的时间系列向量之间的rmse值来进行。如果操作210例如基于rmse的值低于阈值而确定在输入时间系列向量与预测的时间系列向量之间存在良好匹配，则操作212增加归因于预测的时间系列向量的置信度，使得预测的时间系列向量的未来部分的值(诸如超出时间t＝0的时间系列向量的值)可用于管理警报。然而，如果操作210确定输入时间系列向量与预测的时间系列向量匹配不佳，则在操作214处不输出预测的值。在具体实施中，如果操作210确定输入时间系列向量与预测的时间系列向量匹配不佳，则降低归因于预测的时间系列向量的置信度。
[0032]
图3示出了指示输入数据时间系列306与预测的数据时间系列308之间的良好匹配的曲线图300。输入数据(例如，如上所述的调制百分比、脉冲振幅、脉冲的最大上坡、脉冲最大值的位置、一阶导数中最大值的位置、脉冲周期、spo2值、心率)可被输入到神经网络以生成预测的数据系列308。在一个具体实施中，从输入数据生成的各个特征被输入到神经网络模型以生成预测的数据系列308。在如由304指示的时间零之前的窗310中比较输入数据时间系列306与预测的数据时间系列308，以确定它们之间是否存在良好匹配。如果存在如图3中所见的良好匹配，则较高的置信度值归因于预测的数据时间系列308的未来部分的值，诸如超出如由304指示的时间零的值。在这种情况下，可基于预测的数据时间系列308的此类未来部分的值来生成警报。
[0033]
图4示出了指示输入数据时间系列406与预测的时间系列408之间的不良匹配的曲线图400。具体地，输入数据时间系列406可用于生成预测的系列408。另选地，从输入数据时间系列406生成的一个或多个特征向量也可由神经网络模块用来生成预测的时间系列408。在如由404指示的时间零之前的重叠区域410中比较输入数据时间系列406与预测的时间系列408，以确定它们之间是否存在良好匹配。如图4中所见，在重叠区域410内部，输入数据时间系列406并不与预测的时间系列408紧密匹配，这可由较高的rmse值显示。因此，较低置信度值归因于预测的时间系列408的未来部分的值，诸如超出由404指示的时间零的值。在这种情况下，可不基于此类预测的时间系列408的值生成警报。
[0034]
在一个具体实施中，图1中所公开的神经网络模块130可包括多个神经网络模型，其中此类多个模型中的每个模型以不同的方式进行训练。例如，可将针对此类多个神经网络模型中的每个神经网络模型的时间段的长度选择为不同。另选地，可将针对多个神经网络模型中的每个神经网络模型的初始条件选择为彼此不同。另选地，这些多个神经网络模型中的每个神经网络模型可具有不同架构。例如，此类模型可包括卷积神经网络、模块化神经网络、递归神经网络、前馈神经网络等。然而，另选地，用于多个神经网络模型中的每个神经网络模型的层的数量可彼此不同。
[0035]
图5示出了在时间t＝0之前的比较时间窗506期间使用多个神经网络模型来生成多个预测的spo2值序列504的示例性曲线图。此类预测的spo2值序列504中的每个预测的spo2值序列还包括延伸超过时间t＝0的未来区段。在此类具体实施中，可基于多个预测的spo2值序列504的某种组合来生成总的预测的spo2值序列508(由粗虚线示出)。例如，此类组合可以是多个预测的spo2值序列504的平均值、中间值、加权平均值等。
[0036]
在一个具体实施中，多个预测的spo2值序列504可通过通过添加随机扰动来稍微修改到神经网络模型的输入特征的值来生成。因此，输入特征序列502可被配置为具有通过随机扰动的添加而随机修改的分布。例如，输入特征序列502(来自ir/红色信号的振幅a和心率(hr)的组合)在被输入到神经网络之前可被修改为a 分布(a)和hr 分布(hr)。示例性分布函数可以是正态分布函数。另选地，可基于对神经网络模型的选择或基于训练数据的特性来对分布函数进行微调。
[0037]
预测的spo2值510的未来区段的置信度的量度还可基于预测的spo2值510的分布512的量度。例如，如果spo2的预测的值510包括100个序列，并且这些序列中的至少80个序列指示未来值低于阈值饱和水平520，则生成警报以指示潜在的低氧血症事件。另选地，基于spo2的预测的值510生成的诸如标准偏差、四分位差等的其他量度可与阈值水平520进行比较以生成警报。
[0038]
图6示出了用于本文所公开的氧水平去饱和预测系统的操作600。操作602获取患者的生理数据，作为输入数据。该输入数据可包括如上所述的ppg信号、调制百分比、脉冲振幅、脉冲的最大上坡、脉冲最大值的位置、一阶导数中最大值的位置、脉冲周期、spo2值、心率等。操作606选择可用于从输入数据生成预测的时间系列的神经网络模型。在一个具体实施中，可使用多于一个神经网络模型，并且可将输入时间系列馈送到所选择的模型中的每个模型。另选地，输入时间系列的略微不同版本可被输入到若干所选择的神经网络模型中的每个神经网络模型。
[0039]
操作608生成预测的时间系列，作为所选择的神经网络模型的输出。如果使用多于一个神经网络，则可组合各个神经网络的输出以生成经组合的预测的时间系列。操作610在比较时间窗(诸如图1中所讨论的比较时间窗174)期间将输入时间系列与预测的时间系列进行比较以确定输入时间系列与预测的时间系列之间是否存在良好匹配。例如，可通过基于比较时间窗期间的输入时间系列的值和预测的时间系列的值来计算rmse或其他预测的序列置信度值来进行此类比较。
[0040]
如果存在如由预测的序列置信度值所指示的良好匹配，则操作612增加分配给预测的时间系列的未来部分(诸如图1中所公开的预测的spo2值序列172的未来部分180)的置信度水平。可通过操作614来将超出比较窗的未来一段时间的预测的时间系列的值与阈值进行比较，并且可由操作616基于该比较来生成警报。
[0041]
图7示出了可用于实现所描述的用于提供可证明和可破坏的设备身份的技术的示例性系统700。用于实现所描述的技术的图7的示例性硬件和操作环境包括：计算设备(诸如呈计算机20的形式的通用计算设备)、移动电话、个人数据助理(pda)、平板电脑、智能手表、游戏遥控器或其他类型的计算设备。在图7的具体实施中，例如，计算机20包括处理单元21、系统存储器22和系统总线23，该系统总线将包括系统存储器的各种系统部件通信地耦接到处理单元21。可存在仅一个或多于一个处理单元21，使得计算机20的处理器包括单个中央
处理单元(cpu)或通常称为并行处理环境的多个处理单元。计算机20可以是常规计算机、分布式计算机或任何其他类型的计算机；然而，具体实施并不限于此。
[0042]
系统总线23可以是若干种类型的总线结构中的任一种总线结构，包括存储器总线或存储器控制器、外围总线、交换构架、点对点连接件和使用各种总线架构中的任一种总线架构的局部总线。系统存储器也可简单地称为存储器，并且包括只读存储器(rom)24和随机存取存储器(ram)25。包含诸如在启动期间有助于在计算机20内的元件之间传送信息的基本例程的基本输入/输出系统(bios)26存储在rom 24中。计算机20进一步包括用于从硬盘读取和写入到该硬盘的硬盘驱动器27(未示出)、用于从可移除磁盘29读取或写入到该可移除磁盘的磁盘驱动器28，以及用于从诸如cd rom、dvd或其他光介质的可移除光盘31读取或写入到该可移除光盘的光盘驱动器30。
[0043]
硬盘驱动器27、磁盘驱动器28和光盘驱动器30分别通过硬盘驱动器接口32、磁盘驱动器接口33和光盘驱动器接口34连接到系统总线23。驱动器及其相关联有形计算机可读介质提供计算机可读指令、数据结构、程序模块和计算机20的其他数据的非易失性存储。本领域的技术人员应理解，可在示例性操作环境中使用任何类型的有形计算机可读介质。
[0044]
多个程序模块可存储在硬盘驱动器27、磁盘28、光盘30、rom 24或ram 25上，包括操作系统35、一个或多个应用程序36、其他程序模块37和程序数据38。用户可通过诸如键盘40和指向设备42的输入设备在个人计算机20上生成提示。其他输入设备(未示出)可包括麦克风(例如，用于语音输入)、相机(例如，用于自然用户界面(nui))、操纵杆、游戏垫、碟形卫星天线、扫描仪等。这些和其他输入设备通常通过耦接到系统总线23的串行端口接口46连接到处理单元21，但也可通过诸如并行端口、游戏端口或通用串行总线(usb)(未示出)的其他接口进行连接。监测仪47或其他类型的显示设备也经由诸如视频适配器48的接口连接到系统总线23。除了监测仪之外，计算机通常还包括诸如扬声器和打印机的其他外围输出设备(未示出)。
[0045]
计算机20可使用到诸如远程计算机49的一个或多个远程计算机的逻辑连接来在联网环境中操作。这些逻辑连接通过耦接到计算机20或其一部分的通信设备来实现；具体实施不限于特定类型的通信设备。远程计算机49可以是另一台计算机、服务器、路由器、网络pc、客户端、对等设备或其他常见网络节点，并且通常包括上文相对于计算机20描述的元件中的许多元件或所有元件。图7中所描绘的逻辑连接包括局域网(lan)51和广域网(wan)52。此类联网环境常见于办公室网络、企业范围的计算机网络、内联网和因特网，这些网络都是各种类型的网络。
[0046]
当在lan联网环境中使用时，计算机20通过网络接口或适配器53连接到局域网51，该网络接口或适配器是一种类型的通信设备。当在wan联网环境中使用时，计算机20通常包括调制解调器54、网络适配器、用于通过广域网52建立通信的一种类型的通信设备或任何其他类型的通信设备。调制解调器54可以是内部的或外部的，经由串行端口接口46连接到系统总线23。在联网环境中，相对于个人计算机20或其部分描述的程序引擎可存储在远程存储器存储设备中。应理解，示出的网络连接为示例，并且可使用用于在计算机之间建立通信链路的通信设备的其他手段。
[0047]
在示例性具体实施中，用于提供可证明和可破坏的设备身份的软件或固件指令可存储在存储器22和/或存储设备29或31中并由处理单元21处理。本文所公开的一个或多个
数据存储库可作为永久数据存储库存储在存储器22和/或存储设备29或31中。例如，spo2去饱和预测系统702(在个人计算机20内示出)可在计算机20上实现(另选地，spo2去饱和预测系统702可在服务器上或在云环境中实现)。spo2去饱和预测系统702可利用处理单元21、存储器22、系统总线23和个人计算机20的其他组件中的一者或多者。
[0048]
与有形计算机可读存储介质相比，无形计算机可读通信信号可包含计算机可读指令、数据结构、程序模块或驻留在经调制数据信号中的其他数据，诸如载波或其他信号传输机制。术语“经调制数据信号”意指具有以在信号中编码信息的此类方式被设置或改变的其特性中的一者或多者的信号。以示例的方式而非限制，无形通信信号包括诸如有线网络或直接有线连接的有线介质，和诸如声学、rf、红外和其他无线介质的无线介质。
[0049]
本文所描述的具体实施被实现为一个或多个计算机系统中的逻辑步骤。逻辑操作可被实现为：(1)在一个或多个计算机系统中执行的处理器实现的步骤的序列，以及(2)一个或多个计算机系统内的互连机器或电路模块。具体实施是一个选择问题，取决于所利用的计算机系统的性能要求。因此，构成本文所述的具体实施的逻辑操作被不同地称为操作、步骤、对象或模块。此外，应理解，逻辑操作可以任何顺序执行，除非另外明确声明或者权利要求语言固有地需要特定顺序。
[0050]
以上说明书、示例和数据提供了对本发明的示例性实施方案的结构和使用的完整描述。由于本发明的许多具体实施可在不脱离本发明的实质和范围的情况下进行，因此本发明存在于下文所附的权利要求书中。此外，在不脱离所陈述的权利要求书的情况下，不同实施方案的结构特征可在又一具体实施中组合。