人工智能麻醉管理系统的制作方法

1.本公开实施例涉及计算机技术领域，尤其涉及一种人工智能麻醉管理系统。


背景技术：

2.目前手术中监测麻醉深度既要避免麻醉过浅又要防止麻醉过深，过浅可能发生术中知晓，过深又易影响患者转归，两者都会对患者的生理心理造成损害，且手术不同阶段的应激程度不同，需要不断调整麻醉深度以适应手术刺激，工作量大。因此，如何判断患者的麻醉深度以便麻醉医师适时调节麻醉药用量，一直是麻醉科医师关注的问题。
3.目前临床上主要通过脑电波eeg信号的采集，生成麻醉深度监测bis数据来反映麻醉深度。然而，这种方式精准性有待提高。eeg信号在采集过程中，对环境因素干扰特别敏感。例如有线数据通信会由于麻醉医师助理不小心碰触而脱落或者接触不良，或者在麻醉中由于其他大型的手术设备会对麻醉设备等产生电磁干扰等因素而影响麻醉深度预测的精准性。
4.随着人工智能机器学习模型的发展，深度学习已应用于麻醉各个阶段的研究中。目前相关技术中基于深度学习模型如长短期记忆算法(long-short term memory，lstm)训练的模型来预测靶控输注麻醉药如丙泊酚和瑞芬太尼的bis的变化，该模型将预测结果的一致性相关系数从传统模型的26.5％提升至56.1％，极大地提高了bis预测的精确度。该研究可为麻醉科医师提供一个预警系统，以在bis出现过高或过低趋势时提醒麻醉科医师及时调整麻醉药如丙泊酚及瑞芬太尼的输注速率，以确保麻醉深度在一个合适的范围内，有助于患者术后快速苏醒和减少麻醉后并发症的发生。在此之后，又有研究将lstm与模糊自动编码器相结合，利用麻醉期脑电图即eeg训练的模型预测麻醉深度。与其他传统预测模型相比，此模型预测精确度目前最高。
5.然而，该模型的标签是基于eeg图的分类，因此该模型的训练过程就是对这些人工归类的eeg图的标签进行逼近的过程。也就是说，基于eeg图的人工分类的标签的精度是这些模型预测麻醉深度的精确度的天花板，由于eeg图或者bis图谱存在噪音的原因，该模型预测的精确度实际是基于这些噪音之上的精确度，也即是说真实的预测精确度依然有待提高。相关技术中提出了基于血药浓度作为标签来训练模型以提高预测麻醉深度的精确度，替代eeg或bis图谱的人工分类标签。
6.然而，由于麻醉效果是术中持续的状态，对于术中麻醉深度监测来说更为重要的方面是，如何使得麻药注射泵在术中自我调节，实现手术中患者体内血药浓度始终保持在一个安全的标准范围内，并一直保持该平衡状态，目前业界未关注到这一问题，也缺乏相应的解决方案。


技术实现要素：

7.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种模型训练方法、人工智能麻醉管理方法及系统。
8.第一方面，本公开实施例提供了一种模型训练方法，包括：
9.获取样本病患基础信息和术中时序数据以及麻药注射量时序数据，所述术中时序数据包括样本病患不同时刻的生理参数数据，所述麻药注射量时序数据包括样本病患不同时刻的麻药注射量；
10.基于所述样本病患基础信息、所述术中时序数据以及所述麻药注射量时序数据对第一模型进行训练，以输出预测的未来预设时刻样本病患体内血药浓度；
11.基于所述样本病患基础信息、所述术中时序数据以及所述未来预设时刻样本病患体内血药浓度对第二模型进行训练，以输出预测的指定时刻的麻药注射量推理值；
12.基于目标损失函数更新所述第一模型的模型参数和所述第二模型的模型参数，直至所述目标损失函数的损失值满足预设条件时结束训练，得到所述第二模型对应的目标预测模型；其中，所述目标损失函数包括第一损失函数、第二损失函数，所述第一损失函数基于所述第一模型输出预测的未来预设时刻样本病患体内血药浓度和监测的样本病患体内真实血药浓度构建，所述第二损失函数基于所述第二模型输出预测的指定时刻的麻药注射量推理值和指定时刻的真实麻药注射量构建。
13.在一个实施例中，所述第一模型的正向传播函数是f(x)，在所述第一模型和所述第二模型的更新训练过程中求梯度时，选择指定点作为f(x)求导的点，且限制在该指定点求导所得的导数值小于一；其中，所述指定点是基于所述第一模型输出预测的未来预设时刻样本病患体内血药浓度与样本病患体内真实血药浓度两者之间的插值来确定的。
14.在一个实施例中，所述目标损失函数还包括正则项，所述正则项用于使得求导过程平滑化。
15.在一个实施例中，所述正则项由以下公式限定：
[0016][0017]
其中，λ为控制系数，f()是正向传播函数，是预测值和真实值之间的插值，即指定时刻需要注入的真实麻药注射量和第二模型预测输出的指定时刻的麻药注射量推理值之间的插值：
[0018]
且n为0到1之间随机取值。
[0019]
在一个实施例中，通过adam作为优化器反向更新所述第一模型和第二模型的模型参数。
[0020]
在一个实施例中，所述生理参数数据至少包括心率、血压和血氧饱和度中的一个或多个。
[0021]
在一个实施例中，所述样本病患基础信息包括年龄、性别、既往病史信息和器官功能信息。
[0022]
第二方面，本公开实施例提供一种人工智能麻醉管理方法，包括：
[0023]
获取患者基础信息、患者体内需维持的设定血药浓度以及当前时刻的生理参数数据；
[0024]
将所述患者基础信息、所述患者体内需维持的设定血药浓度以及当前时刻的生理参数数据输入目标预测模型，以得到距离所述当前时刻的未来指定时刻的麻药注射量值；其中，所述目标预测模型是基于上述任一实施例中所述的模型训练方法训练得到的；
[0025]
在所述未来指定时刻到来时，控制药物注射泵基于所述未来指定时刻的麻药注射量值对患者注射相应的麻醉药物。
[0026]
第三方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例所述的模型训练方法，或者实现所述的人工智能麻醉管理方法。
[0027]
第四方面，本公开实施例提供一种基于ai机器人的智能麻醉管理系统，应用于药物注射泵，包括：
[0028]
处理器；以及
[0029]
存储器，用于存储计算机程序；
[0030]
其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述的人工智能麻醉管理方法。
[0031]
本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0032]
本公开实施例提供的方案中，模型训练时获取样本病患基础信息和术中时序数据以及麻药注射量时序数据，所述术中时序数据包括样本病患不同时刻的生理参数数据，所述麻药注射量时序数据包括样本病患不同时刻的麻药注射量；基于所述样本病患基础信息、所述术中时序数据以及所述麻药注射量时序数据对第一模型进行训练，以输出预测的未来预设时刻样本病患体内血药浓度；基于所述样本病患基础信息、所述术中时序数据以及所述未来预设时刻样本病患体内血药浓度对第二模型进行训练，以输出预测的指定时刻的麻药注射量推理值；基于目标损失函数更新所述第一模型的模型参数和所述第二模型的模型参数，直至所述目标损失函数的损失值满足预设条件时结束训练，得到所述第二模型对应的目标预测模型；其中，所述目标损失函数包括第一损失函数、第二损失函数，所述第一损失函数基于所述第一模型输出预测的未来预设时刻样本病患体内血药浓度和监测的样本病患体内真实血药浓度构建，所述第二损失函数基于所述第二模型输出预测的指定时刻的麻药注射量推理值和指定时刻的真实麻药注射量构建。这样，通过第一模型预测出受术者未来时刻(如t秒后)的体内血药浓度，用该输出数据指导第二模型学习如何调节未来指定时刻如当前时刻下一秒的麻药注射量，训练结束应用时可以达到维持受术者体内麻药浓度基本在一个标准范围内的目的。且这种模型一指导模型二的训练方法即是迁移学习训练方法，该方式训练得到的目标预测模型装载到麻药注射泵中，可实现该注射泵连续准确地调节麻药注射量以维持受术者术中时体内的血药浓度在一个标准范围内，并可一直保持该平衡状态，从而最大程度地确保麻醉深度在一个合适的范围内，避免麻醉过浅同时防止麻醉过深，以避免发生术中知晓同时不易影响患者转归，有助于患者术后快速苏醒和减少麻醉后并发症的发生。
附图说明
[0033]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0034]
为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]
图1为本公开实施例模型训练方法流程图；
[0036]
图2为本公开实施例模型迁移训练过程示意图。
具体实施方式
[0037]
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
[0038]
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
[0039]
应当理解，在下文中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0040]
图1为本公开实施例的一种模型训练方法流程图，该模型训练方法可包括：
[0041]
步骤s101：获取样本病患基础信息和术中时序数据以及麻药注射量时序数据，所述术中时序数据包括样本病患不同时刻的生理参数数据，所述麻药注射量时序数据包括样本病患不同时刻的麻药注射量。
[0042]
示例性的，样本病患基础信息可包括但不限于年龄、性别、既往病史信息(如基于之前的就诊病历确定)以及器官功能信息如病灶所在器官功能，也可以包含其它器官功能信息。示例性的，所述生理参数数据至少可以包括但不限于心率、血压和血氧饱和度中的一个或多个，这些数据可以通过相应的医疗检测传感设备获取，对此不再赘述。麻药注射量时序数据即样本病患在手术中不同时刻的麻药注射量即真实注射量的记录数据。
[0043]
步骤s102：基于所述样本病患基础信息、所述术中时序数据以及所述麻药注射量时序数据对第一模型进行训练，以输出预测的未来预设时刻样本病患体内血药浓度。
[0044]
示例性的，如图2所示，第一模型(model one)可以包括多层transformer网络、合并(concat)单元以及多层dense即多层感知器mlp(multilayer perceptron)，训练时将样本病患一个时刻t1的心率、血压、血氧饱和度以及对应的麻药注射量这些时序数据输入第一模型，具体输入多层transformer网络，得到对应的第一特征向量，然后第一特征向量与输入进来的样本病患基础信息一同输入concat单元合并，得到第二特征向量，第二特征向量经过多层dense(mlp)处理，输出即预测出未来t秒后(t1 t)即未来预设时刻如图2中的t秒时刻血药浓度预测值
[0045]
步骤s103：基于所述样本病患基础信息、所述术中时序数据以及所述未来预设时刻样本病患体内血药浓度对第二模型进行训练，以输出预测的指定时刻的麻药注射量推理值。
[0046]
示例性的，参考图2所示，本实施例中的第二模型((model two)的架构与第一模型
相同，训练时还将样本病患一个时刻t1的心率、血压、血氧饱和度以及第一模型的输出即预测出来的t秒时刻血药浓度预测值输入第二模型，具体的，其中一个时刻t1的心率、血压、血氧饱和度即术中时序数据输入多层transformer，得到第三特征向量，第三特征向量与样本病患基础信息以及第一模型输出的t秒时刻血药浓度预测值在合并concat单元拼接处理，得到第四特征向量，第四特征向量随后经过第二模型内的mlp处理，输出预测的指定时刻如当前时刻t1下一秒的麻药注射量推理值
[0047]
步骤s104：基于目标损失函数更新所述第一模型的模型参数和所述第二模型的模型参数，直至所述目标损失函数的损失值满足预设条件时结束训练，得到所述第二模型对应的目标预测模型；其中，所述目标损失函数包括第一损失函数、第二损失函数，所述第一损失函数基于所述第一模型输出预测的未来预设时刻样本病患体内血药浓度和监测的样本病患体内真实血药浓度构建，所述第二损失函数基于所述第二模型输出预测的指定时刻的麻药注射量推理值和指定时刻的真实麻药注射量构建。
[0048]
示例性的，基于第一模型的输出即t秒时刻血药浓度预测值与血液质谱仪监测出来样本病患的术中相同时刻点的真实血药浓度建立第一损失函数如均方误差(mean square error，mse)损失函数，同时基于第二模型输出的当前时刻t1下一秒这一时刻的麻药注射量推理值与训练样本数据即麻药注射量时序数据中这一时刻对应的真实麻药注射量建立第二损失函数如mse损失函数。基于第一损失函数、第二损失函数建立目标损失函数如两者相加求和，具体如下所示：
[0049][0050]
最后基于目标损失函数l更新所述第一模型的模型参数和所述第二模型的模型参数，直至所述目标损失函数的损失值满足预设条件时结束训练，此时将所述第二模型训练结束时的模型作为目标预测模型。其中，目标损失函数的损失值可以是小于预设值时满足预设条件，但也不限于此，本领域技术人员可根据需要设置。
[0051]
本实施例中，通过第一模型预测出受术者未来时刻(如t秒后)的体内血药浓度，用该输出数据指导第二模型学习如何调节未来指定时刻如当前时刻下一秒的麻药注射量，训练结束应用时可以达到维持受术者体内麻药浓度基本在一个标准范围内的目的。且这种模型一指导模型二的训练方法即是迁移学习训练方法，该方式训练得到的目标预测模型装载到麻药注射泵中，可实现该注射泵连续准确地调节麻药注射量以维持受术者术中时体内的血药浓度在一个标准范围内，最大程度地确保麻醉深度在一个合适的范围内，避免麻醉过浅同时防止麻醉过深，以避免发生术中知晓同时不易影响患者转归，有助于患者术后快速苏醒和减少麻醉后并发症的发生。
[0052]
在一个实施例中，所述第一模型的正向传播函数是f(x)，在所述第一模型和所述第二模型的更新训练过程中求梯度时，选择指定点作为f(x)求导的点，且限制在该指定点求导所得的导数值小于一；其中，所述指定点是基于所述第一模型输出预测的未来预设时刻样本病患体内血药浓度与样本病患体内真实血药浓度两者之间的插值来确定的。
[0053]
在一个实施例中，所述目标损失函数还包括正则项，所述正则项用于使得求导过
程平滑化。
[0054]
在一个实施例中，所述正则项由以下公式限定：
[0055][0056]
其中，λ为控制系数，f()是正向传播函数，是预测值和真实值之间的插值，即指定时刻需要注入的真实麻药注射量和第二模型预测输出的指定时刻的麻药注射量推理值之间的插值：
[0057]
且n为0到1之间随机取值。
[0058]
具体的，如图2所示该网络结构涉及到两个模型同时训练，在训练过程中，非常容易出现梯度弥散或者爆炸的情况，为了能够稳定训练，提高训练的模型的质量，还可以在构建的目标损失函数中增加正则项。正则项需要达到求导过程平滑化，模型二输出的是最终需要如下一秒麻药注射量，可以只把模型二的求导进行平滑，因为模型二的参数更新会通过相应数据流反过来影响模型一的求导。平滑化的方法可以是使得求导导数都不能太大，本实施例中限制斜率小于1，也就是:
[0059][0060]
设模型一model one的正向传播函数为f(x)，那么在每一次求梯度的时候，用模型二的预测输出与标签即真实值构建一个两者之间的插值来作为求导的点，在该点上限制这个导数小于1。
[0061]
作为一个示例，正则项可以由以下公式限定：
[0062][0063]
其中，是预测值和真实值x之间的插值，也就是当前时刻下一秒麻药注射量(已知数据)与预测出来的当前时刻下一秒麻药注射量的插值：n为0到1之间随机取值。
[0064]
因此，在一个示例中，构造训练的总损失函数即目标损失函数最后如下：
[0065][0066]
基于添加了上述正则项的目标损失函数来更新模型训练过程，可以最大程度减少出现梯度弥散或者爆炸的情况，能够稳定训练，提高训练的模型的质量，进而使训练得到的目标预测模型装载到麻药注射泵中后，可实现该注射泵进一步准确地调节麻药注射量以维持受术者术中时体内的血药浓度在一个标准范围内，最大程度地确保麻醉深度在一个合适的范围内，避免麻醉过浅同时防止麻醉过深，以避免发生术中知晓同时不易影响患者转归，有助于患者术后快速苏醒和减少麻醉后并发症的发生。
[0067]
在一个实施例中，可以通过adam作为优化器反向更新所述第一模型和第二模型的模型参数。adam自身能缓解梯度震荡的问题，结合上述目标损失函数来更新训练模型，可以使得进一步减少出现梯度弥散或者爆炸的情况，能够进一步稳定训练，进一步提高本实施例中训练的目标预测模型的质量，进而使训练得到的目标预测模型装载到麻药注射泵中
后，可实现该注射泵进一步准确地调节麻药注射量以维持受术者术中时体内的血药浓度在一个标准范围内。
[0068]
具体的，在一个示例中，参考图2中所示，本实施例中的迁移学习模型的构建，整个网络分成模型一(model one)和模型二(model two)两个部分：将术中时序数据(包括心率、血压、血氧饱和度)、麻药注射量这些时序数据输入模型一，通过多层transformer网络，然后与输入进来的病患基础信息合并concat，经过多层dense(mlp)处理，预测出未来t秒时刻受术者体内的血药浓度。
[0069]
将该模型一的输出即未来t秒后的受术者体内的血药浓度与血液质谱仪监测出来的病患术中相同时刻点的真实血药浓度建立第一损失函数(mse)。通过adam作为优化器反向更新model one的模型参数；
[0070]
再将病患基础信息、术中时序数据(包括心率、血压、血氧饱和度)和模型一的输出(预测出来的)未来t秒时刻的受术者体内血药浓度输入模型二，其中术中时序数据(包括心率、血压、血氧饱和度)通过多层transformer后与病患基础信息以及模型一输出的未来t秒时刻的受术者体内血药浓度拼接concat，随后经过mlp处理，最后模型二输出当前时刻下一秒这一时刻的麻药注射量推理值，将模型二的输出与样本数据中这一时刻的真实麻药注射量建立第二损失函数(mse)，通过adam优化器反向传播更新model two的模型参数。
[0071]
第二方面，本公开实施例提供一种人工智能麻醉管理方法，可以应用于药物注射泵，具体可包括以下步骤：
[0072]
1)获取患者基础信息、患者体内需维持的设定血药浓度以及当前时刻的生理参数数据。
[0073]
2)将所述患者基础信息、所述患者体内需维持的设定血药浓度以及当前时刻的生理参数数据输入目标预测模型，以得到距离所述当前时刻的未来指定时刻的麻药注射量值；其中，所述目标预测模型是基于上述任一实施例中所述的模型训练方法训练得到的；
[0074]
3)在所述未来指定时刻到来时，控制药物注射泵基于所述未来指定时刻的麻药注射量值对患者注射相应的麻醉药物。
[0075]
示例性的，当前时刻的生理参数数据可以包括心率、血压、血氧饱和度。患者基础信息可包括年龄、性别、既往病史信息(如基于之前的就诊病历确定)以及器官功能信息如病灶所在器官功能，也可以包含其它器官功能信息等。
[0076]
具体的，训练结束后，可将训练得到的目标预测模型装载到药物注射泵中，药物注射泵运行该目标预测模型实现自动调节麻药注射量，也即此时可直接使用模型二对应的目标预测模型进行推理控制。输入数据包括：病患基础信息；术中时序数据即当前时刻的生理参数数据；设定的未来t秒(如距当前时刻1秒)后受术者体内需要维持的血药浓度。输出数据即为该注入的麻药注射量值。最后药物注射泵基于所述未来指定时刻如当前时刻下1秒的麻药注射量值对患者注射相应的麻醉药物。
[0077]
本实施例中，通过第一模型预测出受术者未来时刻(如t秒后)的体内血药浓度，用该输出数据指导第二模型学习如何调节未来指定时刻如当前时刻下一秒的麻药注射量，训练结束在药物注射泵中应用时可以达到维持受术者体内麻药浓度基本在一个标准范围内的目的。且这种模型一指导模型二的训练方法即是迁移学习训练方法，该方式训练得到的目标预测模型装载到麻药注射泵中，可实现该注射泵连续准确地调节麻药注射量以维持受
术者术中时体内的血药浓度在一个标准范围内，最大程度地确保麻醉深度在一个合适的范围内，避免麻醉过浅同时防止麻醉过深，以避免发生术中知晓同时不易影响患者转归，有助于患者术后快速苏醒和减少麻醉后并发症的发生。
[0078]
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
[0079]
本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项实施例所述模型训练方法，或者实现所述的人工智能麻醉管理方法。
[0080]
示例性的，该可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0081]
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0082]
本公开实施例提供一种人工智能麻醉管理系统，应用于药物注射泵，包括：处理器；以及存储器，用于存储计算机程序；其中，所述处理器配置为经由执行所述计算机程序来执行上述任一实施例所述的人工智能麻醉管理方法。
[0083]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是自动注射泵等)执行根据本公开实施方式的上述各实施例的人工智能麻醉管理方法步骤。
[0084]
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。
[0085]
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公
开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。