用于多模式神经评估的设备的制作方法

本申请是分案申请，其原案申请是申请号为pct/us2013/021387、申请日为2013年1月14日的国际申请，该国际申请于2014年9月11日进入中国国家阶段，国家申请号为201380013606.2。

本公开涉及神经评定的领域，尤其涉及用于将来自多重评定技术的结果进行组合以提供主体的神经状况的多维评估的设备的开发。

背景技术：

目前，脑功能的客观评定局限于对通过eeg(脑电图学)记录所收集的主体的脑部电活动数据的评估。在基本层面，脑部电信号用作正常和异常脑功能的信号，并且异常脑波模式可以是某种脑部病理学的强烈指示。

脑部电信号的客观评定可以使用分类器来执行，后者提供用于将从所记录的eeg数据提取的量化特征的矢量映射(或分类)为一个或多个预定义类别的数学函数。分类器通过形成训练数据集而建立，其中每个主体被分配以“标记”，也就是基于医生所提供并且借助于现有技术的诸如ct扫描、mri等的诊断系统所获得的信息的神经分类。针对数据集中的每个主体，还可获得(从eeg所计算的)量化信号属性或特征的大的集合。从训练数据集建立分类器的过程涉及到(从所有量化特征的集合)选择特征子集，以及构造使用这些特征作为输入并且对具体分类产生作为其输出的对象数据的评定的数学函数。在建立分类器之后，其可以被用来将未标记数据记录分类为属于一个或其它潜在的神经分类。随后使用测试数据集报告分类准确性，该测试数据集可能也可能不与训练集合相重叠，但是针对其还可以获得先验分类数据。分类器的准确性取决于包括分类器规范的一部分的特征的选择。选择对分类任务影响最大的特征确保最佳的分类性能。

虽然脑部电活动数据提供了一种用于分析脑部功能的有价值的手段，但是通过将来自多种诊断测试的结果相结合，能够更为客观地评定例如创伤性脑损伤(tbi)之类的某些多样类型的脑部损伤或机能障碍。因此，本公开提供了一种对分类器建立过程进行扩展以将来自多重评定技术的特征或输出整合到特征选择过程之中的方法。包括来自多重评定技术的特征保持了提高分类性能而高于在仅利用从脑部电信号得出的特征所实现的性能的希望。

技术实现要素：

本公开描述了一种用于建立对主体的神经状态进行实时评估的分类系统的方法，其中该分类系统将来自多重评定技术的结果/输出进行组合以执行主体条件的多模式评定。本公开的第一方面包括一种建立用于主体的神经状况的多模式评定的分类器的方法。该方法包括提供信号处理设备的步骤，该信号处理设备操作地连接至存储器设备，该存储器设备存储在存在或不存在脑部异常的情况下而对多个个体所执行的不同评定的结果。该信号处理设备包括处理器，其被配置为从存储器设备获得两个或多个不同评定的结果，从该两个或多个评定的结果提取量化特征，将所提取的特征存储在可选择特征的池中，从可选择特征的池中选择特征的子集以构建分类器，并且通过使用该分类器对具有先验分类信息的数据记录进行分类而确定其分类准确性。

本发明的第二方面是另一种建立用于将个体数据分类为神经状况的两个或多个类别之一的分类器的方法。该方法包括提供被配置为建立分类器的处理器，以及提供操作地耦合至该处理器的存储器设备的步骤，其中该存储器设备存储种群参考数据库，其包括在存在或不存在脑部异常的情况下对多个个体所执行的两个或多个生理或神经认知评定的结果所提取的量化特征的池。该处理器被配置为从脑部电活动数据以及对该种群参考数据库中的多个个体所执行的一个或多个其它评定选择多个特征，使用所选择的量化特征构建分类器，并且使用被先验地分配给两种类别之一的预先标记的数据记录对该分类器的性能进行评估。

本公开的又另一个方面是一种用于执行主体的神经状况的多模式评定的设备。该设备包括头戴式装置(headset)，其包括被配置为记录主体的脑部电活动的一个或多个神经电极；被配置为获取对主体所执行的一个或多个生理和神经认知评定的结果的输入设备；和操作地耦合至该头戴式装置和输入设备的基座单元。该基座单元包括处理器，其被配置为从脑部电活动数据以及对主体所执行的其它生理和神经认知评定提取量化特征，并且进一步应用多模式分类器以执行主体的神经状况到两个或多个类别的分类的步骤。

所要理解的是，以上的总体描述以及以下的详细描述都仅是示例性和解释性的而并非对如请求保护的本发明进行限制。术语“eeg信号”和“脑部电信号”在本申请中可互换地使用以表示使用神经电极从脑部所获取的信号。

结合于本说明书中并构成其一部分的附图图示了本发明的实施例，并且连同描述一起用来解释本发明各个方面的原则。

附图说明

图1图示了现有技术的用于组合多重评定的结果的方法；

图2是依据本公开示例性实施例的多模式分类器建立过程的流程图；

图3图示了依据本公开示例性实施例的多模式神经评定装置。

具体实施方式

现在将详细参考与本公开相符的某些实施例，其示例在附图中进行了图示。在任何可能之处，都将贯穿附图使用相同的附图标记来指代相同或同样的部分。

多模式分类器建立方法

本公开描述了一种用于建立分类器的方法，该分类器用于将多模式评定数据映射到一个或多个预定神经分类或类别之中。在示例性实施例中，多重评定技术包括各种神经生理评定工具，例如eeg记录、用于查看头部血液的红外测试、指示脑部损伤的生物标志的临床测试、反应时间测试、眼运动跟踪等等。在另一个示例性实施例中，多重评定技术另外包括神经认知评定(诸如，标准化震荡评定(sac)、自动神经生理评定指标(anam)、impact等)。在又另一个示例性实施例中，多重评定技术进一步包括其它生理测试，诸如心电图(ecg或ekg)、心率变化性测试、流电皮肤响应测试等。多重评定技术所提供的结果被整合以提供最佳的分类或评定性能。

在用于组合多重评定的结果的常规方法中，如图1所示，使用诸如树逻辑、投票方法或权重组合等的算法对两个或多个方法的输出进行组合以提供组合的结果。这类似于医师使用多种测试的结果来诊断患者的状况。来自每个评定的结果或输出作为输入被提供至组合算法，后者应用于每个主体以进行主体的神经状态的整体分类或评定。与之相比，本公开描述了一种使得能够将来自多种技术的结果/输出作为可选择特征包括在算法开发过程中的方法。在算法开发过程中将多模式评定数据整合在多类型分类应用中提供了特有的优势，在上述多类型分类应用中，某些评定技术的结果并不与所有分类相关。在这样的情况下，包括无关的评定可能会使得整体分类结果出现失真。本公开所描述的方法通过使得能够对分类算法进行训练以(从所有可用评定结果中)识别出对每个分类任务影响最大的结果/特征而克服了该缺陷。

图2中图示了示例性分类器建立方法。如图2所示的分类器建立算法由包括处理器的信号处理设备所执行。该分类器建立过程中的初始步骤是收集原始脑部电信号(步骤201)。在示例性实施例中，主体的脑部电活动使用位于头皮和前额以及耳垂上的标准位置的数量变化的非侵入式神经电极进行记录。在一个示例性实施例中，主体的脑部电活动使用电极阵列进行记录，后者包括要附接至患者头部以获取脑部电信号的至少一个神经电极。该电极被配置为用于感应自发脑部活动以及响应于所施加的刺激(例如，听觉、视觉、触觉刺激等)所生成的诱发电位。在示例性实施例中，运行分类器建立算法的信号处理器被配置为实施伪象检测算法以识别被诸如眼睛移动、肌肉紧张所产生的肌电图活动(emg)、尖峰电压(脉动)、外部噪声等的非脑部生成伪象所污损的数据以及并非静态背景状态估计的一部分的非常规脑部电活动。示例性伪象检测方法在美国申请号13/284184中有所描述，其通过引用全文结合于此。

随后对无伪象的数据阶段(epoch)进行处理以提取量化信号特征(步骤3)。在示例性实施例中，根据共同转让的美国专利号7720530和7904144中所公开的方法，该处理器被配置为基于快速傅里叶变换(fft)和功率谱分析而执行线性特征提取算法，上述专利通过引用全文结合于此。在另一个实施例中，该处理器被配置为基于诸如离散小波变换(dwt)或复合小波变换(cwt)的小波变换来执行特征提取。在又另一个实施例中，根据共同转让的美国专利申请号12/361174中所公开的方法，该处理器被配置为使用诸如小波分组变换的非线性信号变换方法来执行特征提取，上述申请通过引用全文结合于此。该方法所提取的特征被称作局部判别基(ldb)特征。在另一个实施例中，根据共同转让的美国专利申请号12/105439中所公开的方法，使用扩散几何分析来提取非线性特征，上述申请通过引用结合于此。在再其它的实施例中，还计算熵、分形维数和基于相互信息的特征。

在示例性实施例中，每个阶段所计算的测量值被组合为每个通道的eeg信号的单独测量值并且针对高斯性进行变换。一旦已经论证了高斯分布并应用了年龄回归(ageregression)，就执行统计z变换而产生z分数。该z变换被用来描述与年龄预期正常值的偏差：

使用来自被认为标准或具有其它预诊断条件的主体的大型种群的响应信号数据库，针对每个特征以及每个电极、电极配对或电极配对的配对计算z分数。特别地，每个提取特征被转换为z变换分数，其表征了在主体中所观察到的所提取特征将符合正常值的概率。经年龄回归和z变换的信号特征被存储在种群参考数据库中。该数据库被存储在存储器设备中，后者操作地耦合至执行该分类器建立算法的信号处理器。

再次参考图2，该算法开发过程中的下一个步骤是从其它评定模式收集结果(步骤5)以及从其它评定结果提取量化特征(步骤7)。例如，在一个实施例中，多模式评定包括反应时间测试。从该反应时间测试的结果计算一个或多个量化特征。反应时间测试查看对象对所施加的刺激(视觉、听觉等)做出响应花费的时间并且将其与规范值进行比较。从多次试验的结果(例如，多个测试结果的平均值和标准偏差)计算量化特征。在示例性实施例中，感兴趣的特征被进行z计分(z-scored)并且存储在种群参考数据库中以便在该算法开发过程中使用。类似地，从其它评定技术(例如，ekg、流电皮肤反应测试等)的输出计算量化特征。该特征被变换为z分数并且存储在种群参考数据库中。

在示例性实施例中，连同生理评估一起执行神经认知评定。在一些实施例中，使用用于测试受伤之后出现的神经认知损伤或其严重性的标准化问卷来执行神经认知评定，诸如标准化震荡评定(sac)、自动神经生理评定指标(anam)、impact等。在其它实施例中，使用根据专家神经生理评定实践而形成的动态问卷来执行神经认知评定。该问卷被设计为针对主体所给出的响应进行动态适应，即每个主体可能不会被询问完全相同的问题集合。来自神经认知评定的数据被进行处理以提取量化特征，例如反应时间指标、症状严重性等级、症状或临床表现的规范化组合等，它们被熟输入到参考数据库中的可选择特征池中。在动态问卷的情况下，被输入数据库的特征是基于从问卷输出的整体数量而并非基于任何具体的评定指标。

一旦从各种评定技术提取了特征并存储在参考数据库中，该算法开发步骤的下个一步骤是选择提供最佳分类性能的特征(步骤8)。定义分类函数的权重和常数(诸如，线性判别函数、二次判别函数等)从种群参考数据库中的量化特征集合所得出。因此，以任何分类任务为目标(例如，“正常”vs.“异常”脑部功能)的分类函数的设计或构造要求从种群参考数据库中的大型可用特征池中选择特征集合。“最佳”特征的选择导致“最佳”分类性能，其特征例如在于最高的敏感度/特定性以及最低的分类错误率。为了使得特征选择过程更为有效并且确保更高的分类性能，来自多个评定模式的可用特征池必须被变换或缩减为可计算管理且神经生理地相关的特征池，在分类器构造期间可以从该特征池中选择用于特定分类任务的特征子集。

因此，在一些示例性实施例中，种群参考数据库中的可用特征池被缩减为较小的特征集合，其直接对具体分类任务有所贡献。在示例性实施例中，缩减的特征池使用“通知数据缩减”技术来创建，该技术依赖于分类器的具体下游应用、神经生理原则和启发式规则。在示例性实施例中，该“通知数据缩减”方法包括若干不同标准以促成包括在分类之中最为有效地提供分离的特征。“通知数据缩减”方法在美国申请号13/284184中有所描述，其通过引用结合于此。

一旦所述数据缩减标准都被应用，所剩余的缩减特征池就被用来设计分类器(步骤9)。在一个示例性实施例中，分类器是被用来将个体数据记录分类为属于两种分类之一的二进制分类器。在另一个示例性实施例中，分类器是用来将数据记录分类为多于两个的分类的多类分类器。在又另一个示例性实施例中，使用线性或非线性判别函数的一系列二进制分类器被用来将个体分类为多个类别。在一些实施例中，使用x-1个判别函数来将个体主体划分为x个分类类别。在示例性实施例中，如美国申请号12/857504中所描述的，设计并实施了三个二进制分类器以便将患者分类为与由于创伤性脑损伤(tbi)所导致的脑部机能紊乱的程度相关的四个类别之一，上述申请通过引用结合于此。

现在参考二进制分类器对分类器的构造进行描述。在示例性实施例中，二进制分类器通过基于性能而为每个判别函数选择具体特征集合而设计。针对二进制分类任务的“最佳”特征的搜索使用被实施为计算机程序的全自动系统(此后称作“分类器构建器”)来执行，其输出是判别函数分类器。在示例性实施例中，特定分类任务的“最佳”特征的识别通过使用不同特征集合计算多个分类器并且使用与分类性能直接相关的“目标函数”对每个可能分类器进行评估而执行。在示例性实施例中，特征选择算法所使用的目标函数(品质因数)是判别函数的接收方操作特性(roc)曲线下方的面积，这通常被称作“曲线下面积”(auc)。对于给定的基于判别的二进制分类器而言，roc曲线指示在分类阈值t的不同数值所能够从该分类器预期的敏感度和特定性。一旦选择了t的临界值(或阈值)，测试的输出就变为二进制的，并且该特定阈值的敏感度和特定性就能够进行计算。roc是通过点的集合{(1-specificity(t),sensitivity(t))}的曲线，其通过在0和100之间以固定增量改变阈值t的数值而获得。在获得roc曲线之后，计算roc曲线之下的面积(auc)。auc是处于0和1之间的单个数字，其联合地反应了二进制分类器的敏感度和特定性。因此，auc提供了可实现的分类器性能的量化全局度量。

在一个示例性实施例中，使用在这里被称作“简单特征拾取器”(sfp)算法的特征选择算法来执行针对分类任务的“最佳”特征的搜索。spf算法通过对数据库或缩减特征池中的所有特征进行评估而选择第一特征，并且选择提供最佳分类器性能的特征。后续特征被选择以给出分类器性能的最佳递增改进。在另一个示例性实施例中，sfp算法在每次迭代处向分类器添加多个特征，在每次迭代步骤处计算所产生分类器的auc，并且选择提供了auc的最大改进的特征。

在另一个示例性实施例中，使用一个或多个进化算法来执行特征选择，例如共同署名的美国专利申请号12/541272中所描述的遗传算法(ga)，上述申请通过引用全文结合于此。在又另一个示例性实施例中，如结合于此的美国申请号12/541272中所进一步描述的，使用优化方法来执行候选特征的搜索，例如随机突变爬山(rmhc)算法或者修改的随机突变爬山算法(mrmhc)，它们能够以独立的方式使用或者结合ga算法或sfp算法来使用(例如，作为最终“局部搜索”以将一个特征替换为另一个而改进最终的特征子集)。

在建立了分类器之后，使用测试数据集评估分类准确性，该测试数据集包括被先验地分配至一个分类类别的预先标记的数据记录。在一些实施例中，测试数据集与训练集合分离开来。在一些其它示例性实施例中，所有可用数据都被用于分类器的训练和测试。在这样的实施例中，如通过引用结合于此的美国申请号12/857504和13/284184中所描述的，分类器的性能使用10倍和/或留一(loo)交叉验证方法来评估分类器的性能。在分类器被构建并测试了准确性之后，其可以被用来将未标记的数据记录(即，未知主体)分类为属于特定分类。

用于现场应用的便携式设备

本公开的另一个方面是一种用于对主体执行多模式神经验伤分类的装置。图3图示了依据本公开的示例性实施例的多模式神经评定装置10。在示例性实施例中，神经评定装置10被实施为用于医疗点应用的便携式设备。该装置由头戴式装置40所构成，其可以耦合至能够手持的基座单元42。头戴式装置40可以包括要附接至患者头部以获取脑部电信号的多个电极35。电极被配置为用于感应自发式脑部活动以及响应于所施加的诸如音频、触觉或电刺激的刺激而生成的诱发电位。在示例性实施例中，记录使用五个(活动)通道和三个参考通道来完成。依据国际10/20电极部署系统(除了afz之外)，电极阵列由要附接至主体前额的在前(前方)电极：fp1、fp2、f7、f8、afz(也被称作fz’)和fpz(参比电极)，以及要被置于耳垂的前侧或后侧或者乳突上的电极a1和a2所组成。在需要时以及如本领域技术人员将会理解的，可以采用其它的电极配置。使用有限数量的电极使得能够快速且可重复地将电极部署在主体上，该电极进而促成有效且更为准确的患者监视。另外，在一个实施例中，电极可以被置于低成本的可部署平台上，后者可以作为“一体适用”的传感器。例如，电极35可以位于头饰上，该头饰被配置为容易和/或快速地置于患者上，并且进一步在共同转让的美国专利申请序列号12/059014中阐述，其通过引用全文结合于此。在需要时以及如本领域技术人员将会理解的，可以采用其它的电极配置。

在示例性实施例中，神经评定装置10利用听觉诱发电位(aep)信号来映射具体的听觉、神经和精神病理的机能紊乱的优点。在这样的实施例中，头戴式装置40包括可重复使用的耳机31以在任一耳朵中提供听觉刺激的滴答声。在一些实施例中，所使用的听觉诱发电位信号是听觉脑干响应(abr)。在这样的实施例中，听觉刺激可以以100db的峰值-峰值等同声音压力水平并且以27hz(每秒钟27次滴答声)的频率(速率)进行输送以从脑干诱发响应于所施加的听觉刺激的电信号。也可以使用其它听觉刺激来诱发中等延时(20-80毫秒)或晚期听觉响应(>80毫秒)，包括p300。在另一个实施例中，头戴式装置40可以包括另外的耳机以在另一只耳朵中传递白噪声。

在另一个示例性实施例中，神经评定设备10利用视觉诱发电位(vep)来评估脑部损伤或机能紊乱的程度。例如，在一些实施例中，vep被用来评估具有创伤性脑部损伤(tbi)的患者的损伤后视觉综合征(ptvs)。在一个示例性实施例中，在基座单元42通过显示器44所提供的各种刺激条件下记录单眼和双眼vep。在另一个示例性实施例中，头戴式装置40包括一对护目镜以向患者提供视觉刺激。在一个这样的实施例中，该护目镜安装有发光二极管(led)以提供闪烁刺激而引发vep。在另一个实施例中，该护目镜被安装有视频监视器以向患者提供模式刺激。

除获取脑部电信号之外，神经评定装置10被设计为从其它评定技术收集输入。在一个实施例中，来自其它评定模式的结果由用户手工输出。在另一个实施例中，该结果经由无线或其它通信方法电子地获取。在又另一个实施例中，装置10包括用于管理测试并获取结果的附属设备。例如，在一些实施例中，使用诸如独立于用户界面46的图形用户界面的输入设备执行反应时间测试。该独立输入设备被用于使得延时误差最小化并且因此改进了反应时间测量。

回头参考图3，基座单元42中的显示器44包括lcd屏幕，并且可以进一步具有用户界面46，其可以是触摸屏用户界面或传统的键盘型界面。通信链路41能够用作头戴式装置40和手持设备42的多通道输入/输出接口以促成往来于处理器50的双向信号通信，使得例如通过用户界面46所输入的来自用户的命令能够启动头戴式装置40的信号获取过程。通信链路41可以包括永久附接的或可拆除的线缆或连线，或者可以包括无线收发器，其能够无线传送信号或者从头戴式装置或存储所捕捉信号的外部设备接收信号。在示例性实施例中，通信链路41包括两个可重复使用的患者接口线缆，它们被设计为插入基座单元42并且在头戴式装置40和基座单元42之间提供直接通信。第一线缆是电信号线缆41a，其配备有标准搭扣式连接器以附接至位于患者头皮上的可部署电极。第二线缆是aep刺激线缆41b，其提供到耳机31的连接以便进行听觉刺激传递。在一些实施例中，头戴式装置40包括连接至电极的模拟放大通道，以及用于将所获取的脑部电信号在被基座单元42接收之前进行数字化的模数转换器(adc)。

在示例性实施例中，脑部电活动数据和其它生理和神经认知评定技术的结果由手持基座单元42中的信号处理器50进行处理。处理器50被配置为使用存储在存储器设备52中的指令而执行主体的神经状态的实时评估。在示例性实施例中，处理器50被配置为应用一个或多个多模式分类器以对来自多个评定技术的结果/输出进行组合并且提供主体状况的多维评估。在一个这样的实施例中，处理器50被配置为从生理和神经认知评定的结果提取量化特征，并且应用一个或多个判别函数以将未知主体分类为属于两个或多个神经类别之一。

在说明性实施例中，存储器设备52包含要显示在屏幕44上的用于使用和操作设备的交互式指令。该指令可以包括交互式的特征丰富的呈现形式，其包括提供用于操作设备的音频/视频指令的多媒体记录，或者可替换地包括显示在屏幕上的简单文本，其逐步说明用于操作和使用该设备的指令。使设备包括交互式指令使得不需要进行过多的用户培训，这允许医疗专业人员以外的人进行部署和使用。在一些实施例中，存储器52还包含种群参考数据库。在其它实施例中，该参考数据库可以经由无线或有线连接而从远程存储设备进行访问。另外，在一些示例性实施例中，存储器52包括被设计为通过主体的逐步评定而对医疗人员提供最低程度的培训的动态软件。该软件被设计为基于主体针对先验问题所提供的响应而向用户给出评定问题。该问题被设计为能够通过各种可用评定工具对用户进行引导。

从处理器50所获得的分类结果被显示在显示屏44上或者保存在外部存储器或数据存储设备47中，或者显示在连接到基座单元42的pc48上。在一个实施例中，基座单元42包含无线收发器以向远程网络或pc48无线传送结果，或者包含外部存储器47以存储该结果。在一些实施例中，神经评定装置10还可以向另一个移动或静止设备传送数据以促成更为复杂的数据处理或分析。例如，结合pc48进行操作的神经评定设备能够发送数据以便进一步由计算机进行处理。在另一个实施例中，该结果能够被无线传送或者经由线缆传送至打印机49，后者对结果进行打印。基座单元42还可以包含内部可充电电池43，其能够在使用期间或使用之间由连接至ac插座37的电池充电器39进行充电。该电池还能够通过现有技术所知的方法而经由电磁耦合无线地进行充电。在一些实施例中，基座单元42进一步包括用于向主体应用刺激以便进行aep测量或者进行反应时间测量的刺激生成器54。在一些实施例中，该刺激生成器包括在头戴式装置40中。

在另一个示例性实施例中，用户界面46接收并显示使用设置信息，诸如与患者相关的姓名、年龄和/或其它统计。在一些实施例中，用户界面46包括用于输入用户输入的触摸屏。可以在触摸屏界面上提供虚拟键盘以便进行患者记录的输入。

神经评定装置10被设计为在急救室、流动环境以及其它现场应用中进行接近患者的测试。该神经评定设备意在结合ct扫描、mri或其它成像研究一起使用以提供有关患者神经状况的补充或确定性的信息。医疗点神经评定的关键目标是提供指示患者的神经状况的严重性的快速结果使得能够提供适当的快速处置，从而导致整体临床效果有所改进。例如，神经评定设备10可以由emt、er护士或者任意其它医疗专业人员在er或流动环境中的初期患者处理期间所使用，这将有助于识别出具有紧急神经状况的患者。其还将在确定及时操作过程、优先安排患者成像或确定是否需要立即转往神经医师或神经外科医师方面对er医师有所帮助。这继而将使得er人员能够优化资源利用(例如，医师的时间、成像测试的使用、神经咨询等)以便为所有患者提供安全且及时的护理。

此外，神经评定设备10被设计为是现场便携式的，也就是说，其能够在远离综合服务诊所的地方使用，例如，在远离军事医疗系统的战场情形中使用，在体育赛事期间为了识别受伤运动员是否应当被转往紧急救治而使用，在大量伤亡的情况下使用以便识别需要特别关注并紧急转往医院的患者，或者在针对良好培训的医疗技术人员的联系受限的任意远程位置使用。

通过考虑这里所公开的本发明的说明书和实践，本发明的其它实施例对于本领域技术人员将是显而易见的。说明书和示例意在被视为仅是示例性的，本发明的实际范围和精神由所附权利要求书限定。