心电图的预处理方法、关键波段提取方法、设备和介质与流程

1.本发明涉及心电图处理技术领域，更具体地，涉及一种心电图的预处理方法、关键波段提取方法、设备和介质。


背景技术：

2.心电图(ecg)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术，是医生诊断患者的心脏相关疾病的重要手段之一，因此心电图的准确与否严重影响诊断准确率。心电图采集到的心电信号是一种具有强烈的非线性、非平稳性和随机性的微弱信号，通常频率在0.05～100hz，其中90％以上的ecg信号能量集中在0.25hz～35hz之间，幅度在10uv～5mv之间，在对其采集的过程中，极易受来自体内和体外环境的影响，如人体四肢的运动、呼吸、周边环境中的电磁干扰等等，因此直接采集到的心电信号伴随着大量噪声，常见的噪声有基线漂移、工频干扰、肌电干扰和运动伪迹。


技术实现要素：

3.本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种心电图的预处理方法、关键波段提取方法、设备和介质，用于去除心电图的噪声，提高心电图诊断的准确率。
4.本发明采取的技术方案是，一种心电图的预处理方法，包括：
5.获取待处理的心电图，根据所述待处理的心电图确定待处理心电信号；
6.基于数学形态学滤波算法对所述待处理心电信号进行去基线漂移处理，得到去基线漂移心电信号；
7.基于维纳滤波算法对所述去基线漂移心电信号进行去工频干扰处理，得到去工频干扰心电信号；
8.基于经验模态分析法和主成分分析对所述去工频心电信号进行去肌电干扰处理，得到去肌电干扰心电信号；
9.基于经验模态分析法和welch功率谱分析法对所述去肌电干扰心电信号进行去运动伪迹处理，得到去运动伪迹心电信号。
10.进一步地，所述基于数学形态学滤波算法对所述待处理心电信号进行去基线漂移处理，得到去基线漂移心电信号，包括：
11.将预设的结构元素序列kn与所述待处理心电信号的上一个平均信号序列f
n-1
先进行开运算后再进行闭运算得到的预估值，和将预设的结构元素序列kn与所述待处理心电信号的上一个平均信号序列f
n-1
先进行闭运算再进行开运算得到的预估值进行平均运算后，得到所述待处理心电信号的平均信号序列fn；
12.根据所述待处理心电信号的平均信号序列fn获取所述待处理心电信号为f0,f1,...,fn，其中，f0为所述待处理心电信号的原始信号序列。
13.进一步地，所述基于数学形态学滤波算法对所述待处理心电信号进行去基线漂移处理，得到去基线漂移心电信号之后，还包括：
14.基于巴特沃斯滤波算法对所述去基线漂移心电信号进行去滤波处理。
15.进一步地，所述基于经验模态分析法和主成分分析法对所述去工频心电信号进行去肌电干扰处理，得到去肌电干扰心电信号，包括：
16.基于第一层内蕴模态函数信号，从所述去工频干扰心电信号分解出第一层剩余值信号；
17.采用主成分分析法获取所述第一层内蕴模态函数信号的主成分分量，并根据主成分分量对所述第一层内蕴模态函数信号进行重构，得到下一层内蕴模态函数信号；
18.基于下一层内蕴模态函数信号，从第一层剩余值信号继续分解出下一层剩余值信号；
19.判断所述下一层剩余值信号是否为单一稳定的信号；
20.若是则将所述下一层剩余值信号作为去肌电干扰心电信号，若否则继续采用主成分分析法获取所述下一层内蕴模态函数信号的主成分分量，并根据主成分分量对所述下一层内蕴模态函数信号进行重构，直至判定所述下一层剩余值信号为单一稳定的信号为止。
21.进一步地，所述第一层内蕴模态函数信号的获取，包括：
22.获取所述去工频干扰心电信号的上包络线和下包络线；
23.计算所述上包络线和下包络线的平均包络值，并计算所述去工频干扰心电信号与所述平均包络值之间的信号差值；
24.将所述信号差值作为新的去工频干扰心电信号，判断新的去工频干扰心电信号是否满足内蕴模态函数信号的要求条件；
25.若是则将所述新的去工频干扰心电信号作为所述第一层内蕴模态函数信号，若否则继续获取新的去工频干扰心电信号的上包络线和下包络线，直至判定新的去工频干扰信号是否满足内蕴模态函数信号的要求条件为止。
26.进一步地，所述基于经验模态分解法和welch功率谱分析法分别对所述去肌电干扰心电信号进行去运动伪迹处理，得到去运动伪迹心电信号，包括：
27.对所述去肌电干扰信号进行经验模态分解后得到各阶内蕴模态函数信号；
28.对各阶内蕴模态函数信号进行welch功率谱分析；
29.剔除不符合心电信号波形频率谱分布的内蕴模态函数信号；
30.将剔除后剩余的符合心电信号波段频率谱分布的内蕴模态函数信号合成去运动伪迹心电信号。
31.进一步地，所述心电信号波形频率谱分布为心电信号波形分布0～40hz，p波为0～18hz，qrs波为0～37hz，t波为0～18hz。
32.本发明采取的另一种技术方案是，一种心电图关键波段提取方法，包括：
33.采用心电图的预处理方法的步骤，对心电图进行预处理；
34.对预处理后的所述心电图进行关键波段提取。
35.本发明采取的另一种技术方案是，一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述心电图的预处理方法的步骤，或者所述心电图关键波段提取方法的步骤。
36.本发明采取的另一种技术方案是，一种计算机可读存储介质，所述计算机可读存
储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述心电图的预处理方法的步骤，或者所述心电图关键波段提取方法的步骤。
37.与现有技术相比，本发明的有益效果为：本发明一种心电图的预处理方法、关键波段提取方法、设备和介质，对心电图的心电信号进行预处理，有效地滤除心电信号中基线漂移噪声、工频干扰噪声、肌电干扰噪声和运动伪迹噪声，生成纯净准确的心电信号；并且对滤除噪声后的心电信号进行心电图关键波段提取，提高特征提取的准确率，提高特征的适应性，减少模型推理的时间，达到自动去除冗余的目的。
附图说明
38.图1为本发明一种心电图的预处理方法的流程图。
39.图2为本发明一种心电图关键波段提取方法的流程图。
40.图3为聚类决策图。
具体实施方式
41.本发明附图仅用于示例性说明，不能理解为对本发明的限制。
42.基线漂移是人的呼吸运动，还有电极在皮肤上的轻微移动所引起的，频率一般低于5hz，随着时间的增长，心电信号受基线漂移干扰会出现平稳下滑的现象，若干扰严重，会出现短时间内剧烈上滑或下滑的现状，对真实心电信号的幅值与形态产生严重干扰。
43.工频干扰主要是在供电设备上产生的，不同国家使用的供电设备和供电频率是不相同的，例如我国的供电设备大都使用50hz的交流电，50hz交流电的使用会产生50hz的工频干扰，因此在采集心电信号时会受到工频干扰的影响，心电图波形上的细小波纹就是工频干扰，这种细小的影响容易和疾病产生的心电波形小切口发生混淆，因此有必要进行滤除。
44.肌电干扰一般来源于肌肉的收缩和颤动，这样的干扰幅值较小，但频率较高，其频率在5hz～2000hz，表现为不规则快速变化的波形，与心电信号的0.05～100hz有频率重叠。其在正常心电信号上会表现为毫无规律的细小高频波动，容易与疾病带来的小波动产生视觉混淆，从而导致心电信号诊断有误。
45.运动伪迹是由于人体的轻微运动引起的，主要特点是突变性，频率范围一般在3hz～14hz的范围内，持续时间也很短，因为运动伪迹信号的频段与心电图有用信号有很大的重叠，因此，心电信号中运动伪迹的去除一直是心电图数据的预处理中的难点。
46.本发明实施例提供的一种心电图的预处理方法，实现了分别对心电图的心电信号分别滤除基线漂移噪声、工频干扰噪声、肌电干扰噪声和运动伪迹噪声，生成纯净准确的心电信号，有利于根据心电信号进行准确的诊断和处理。
47.实施例1
48.如图1所示，本发明实施例一种心电图的预处理方法，包括以下步骤：
49.步骤s110、获取待处理的心电图，根据所述待处理的心电图确定待处理心电信号；
50.心电图主要包括qrs波，p波，t波，每个波都衡量了心脏电位的一种变化，例如p波表示的是左右心房除极时的电位变化，qrs波表示的是左右心室除极时的电位变化，属于心电图的基本概念。本领域技术人员可以理解心电图中的各个基本概念，在此不做具体说明。
心电图本身就可以理解为一种心电信号，但与所认知的信号不同，在此处，心电信号应当理解为计算机所能进行运算、处理的符码，但不管是符码还是心电图，仅仅是表现形式不同，其包含的信息并无实质性区别。
51.在心电图检测过程中，考虑到外界干扰因素会产生或大或小的噪声干扰，因此，在输出心电图后，需要对心电图进行降噪处理，本发明实施例主要针对基线漂移、工频干扰、肌电干扰和运动伪迹噪声的去除。
52.步骤s120、基于数学形态学滤波算法对所述待处理心电信号进行去基线漂移处理，得到去基线漂移心电信号；
53.在本发明实施例中，基线漂移能够直接影响心电信号的上下位置，给心电信号qrs波群的检测和对心电图的直接诊断带来麻烦，因此本发明实施例采用数学形态学滤波方法的原理，来消除基线漂移。可以理解的是，对于图像处理来说，数学形态学滤波指的是数学方面的形态学滤波，特别是对图像的滤波处理。其本质和其他滤波器一样，都能够对图像进行去噪、增强等作用。数学形态学滤波包括的运算很多，最基本的两个形态学操作是腐蚀和膨胀，其他的高级形态学操作都是基于这两个基本的形态学操作进行的，比如开运算、闭运算、形态学梯度、顶帽、黑帽等。
54.其中，腐蚀运算和膨胀运算的定义为：
55.设f(n),(n＝0,1,...,n-1)和k(m),(m＝0,1,...,m-1)分别是一维离散函数，n＞m，其中f(n)是待处理的信号序列，k(m)为结构元素序列；
56.f(n)关于k(m)的腐蚀运算定义为：
[0057][0058]
f(n)关于k(m)的膨胀运算定义为：
[0059][0060]
开运算和闭运算的定义为：
[0061]
腐蚀运算和膨胀运算这两种基本的运算可组成开运算和闭运算。其中，开运算定义为信号被结构元素腐蚀后再进行膨胀运算，记为即为闭运算定义为信号被结构元素膨胀后再进行腐蚀运算，记为
·
，即
[0062]
优选地，对于步骤s120，具体包括以下步骤：
[0063]
步骤s121、将预设的结构元素序列kn与所述待处理心电信号的上一个平均信号序列f
n-1
先进行开运算后再进行闭运算得到的预估值，和将预设的结构元素序列kn与所述待处理心电信号的上一个平均信号序列f
n-1
先进行闭运算再进行开运算得到的预估值进行平均运算后，得到所述待处理心电信号的平均信号序列fn；
[0064]
步骤s122、根据所述待处理心电信号的平均信号序列fn获取所述待处理心电信号为f0,f1,...,fn，其中，f0为所述待处理心电信号的原始信号序列。
[0065]
具体地，得到待处理心电信号的平均信号序列为f1的过程为：
[0066]
将预设的结构元素序列k1和待处理心电信号的原始信号序列f0进行闭运算，再将预设的结构元素序列k1和待处理心电信号的原始信号序列f0进行开运算，得到预估值一
[0067]
将预设的结构元素序列k1和待处理心电信号的原始信号序列f0进行开运算，再将预设的结构元素序列k1和待处理心电信号序列f0进行闭运算，得到预估值二
[0068]
将预估值一和预估值二进行平均运算后得到待处理心电信号的平均信号序列为f1。
[0069]
得到待处理心电信号的平均信号序列为f2的过程为：
[0070]
将预设的结构元素序列k2和平均信号序列f1进行闭运算，再将预设的结构元素序列k2和平均信号序列f1进行开运算，得到预估值一
[0071]
将预设的结构元素序列k2和平均信号序列f1进行开运算，再将预设的结构元素序列k1和平均信号序列f1进行闭运算，得到预估值二
[0072]
将预估值一和预估值二进行平均运算后得到待处理心电信号的平均信号序列为f2；
[0073]
依次类推，获取去基线漂移处理后的待处理心电信号为f0,f1,...,fn。
[0074]
优选地，在步骤s120之后，还包括步骤：
[0075]
基于巴特沃斯滤波算法对所述去基线漂移心电信号进行去滤波处理。
[0076]
在本发明实施例中，经过数学形态学方法滤波后的心电图仍然存在1hz左右的噪声干扰，因此采用巴特沃斯数字滤波器进行滤除，使其更好地突出qrs波群。其中，巴特沃斯滤波器为：
[0077][0078]
值得注意的是，当计算输出y(n)时，需要之前时刻的输出值和输入值，巴特沃斯滤波器有反馈环节，且系统的传递函数的一般形式为：
[0079]
步骤s130、基于维纳滤波算法对所述去基线漂移心电信号进行去工频干扰处理，得到去工频干扰心电信号；
[0080]
在本发明实施例中，采用维纳滤波器为：
[0081]
y(n)＝x(n)*h(n)＝(s(n)+v(n))*h(n)
ꢀꢀ
(1)
[0082]
其中*表示卷积，x(n)表示输入信号，y(n)表示输出信号，s(n)表示输入信号中有用的信号部分，v(n)表示输入信号中的噪声部分。
[0083]
使用维纳滤波，保证输出y(n)和真实信号s(n)的差别最小，由于y(n)和s(n)是时序信号，所以要保证两者的均方误差最小，所以有以下计算过程：
[0084]
e{e2(n)}＝e{(y(n)-s(n))2}＝e{(x(n)*h(n)-s(n))2}
ꢀꢀ
(2)
[0085]
即求使得e最小的h。所以e{e2}对h求偏导，有：
[0086][0087]
[0088][0089]
设x和s的相关系数为r
xs
，则有：
[0090][0091]
其中，r
xx
(j-m)表示x(n-j)和x(n-m)的相关系数，这是m是固定的，j是变化的，且m≥0，r
xs
(j)表示x(n-j)和s(n)的相关系数。n表示的是时序信号中的时间点。
[0092]
如此便得到n个线性方程：
[0093][0094]
写成矩阵形式，有：
[0095]rxx
h＝r
xs
ꢀꢀ
(8)
[0096]
其中，h＝[h(0),h(1),...,h(n-1)]
t
是需要求的滤波器参数，
[0097]rxs
＝[r
xs
(0)，r
xs
(1)，...，r
xs
(n-1)]
t
是x和s的相关系数，
[0098][0099]
根据矩阵方程(8)，可以求得：
[0100][0101]
代入优化目标函数(2)，可得：
[0102][0103][0104][0105]
根据方程(5)，可得：
[0106][0107]
假设信号s(n)和噪声v(n)互相独立，那么有：
[0108]rsv
＝r
vs
＝0
[0109]rxs
＝r
ss
+r
vs
＝r
ss
[0110]rxx
＝r
ss
+r
sv
+r
vs
+r
vv
＝r
ss
+r
vv
ꢀꢀ
(13)
[0111]
根据方程(12)，有：
[0112]
[0113]
根据维纳滤波计算过程可实现对去基线漂移心电信号进行去工频干扰处理。
[0114]
步骤s140、基于经验模态分析法和主成分分析对所述去工频心电信号进行去肌电干扰处理，得到去肌电干扰心电信号；
[0115]
本发明实施例基于经验模态分析法emd和主成分分析法pca去除去工频心电信号的肌电干扰，经验模态分解法emd是一种可以将任何复杂信号分解为有限个固有模态函数(instrinic mode function，imf)的自适应、高效率的分解方法，采用这种方法很好地考虑了内蕴模态函数imf中所含噪声的特点，去噪过程不需要计算阈值，而且还可以有效地保持模态单元的完整性。
[0116]
优选地，对于步骤s140，具体包括以下步骤：
[0117]
基于第一层内蕴模态函数信号，从所述去工频干扰心电信号分解出第一层剩余值信号；
[0118]
采用主成分分析法获取所述第一层内蕴模态函数信号的主成分分量，并根据主成分分量对所述第一层内蕴模态函数信号进行重构，得到下一层内蕴模态函数信号；
[0119]
基于下一层内蕴模态函数信号，从第一层剩余值信号继续分解出下一层剩余值信号；
[0120]
判断所述下一层剩余值信号是否为单一稳定的信号；
[0121]
若是则将所述下一层剩余值信号作为去肌电干扰心电信号，若否则继续采用主成分分析法获取所述下一层内蕴模态函数信号的主成分分量，并根据主成分分量对所述下一层内蕴模态函数信号进行重构，直至判定所述下一层剩余值信号为单一稳定的信号为止。
[0122]
进一步地，所述第一层内蕴模态函数信号的获取，包括步骤：
[0123]
获取所述去工频干扰心电信号的上包络线和下包络线；
[0124]
计算所述上包络线和下包络线的平均包络值，并计算所述去工频干扰心电信号与所述平均包络值之间的信号差值；
[0125]
将所述信号差值作为新的去工频干扰心电信号，判断新的去工频干扰心电信号是否满足内蕴模态函数信号的要求条件；
[0126]
若是则将所述新的去工频干扰心电信号作为所述第一层内蕴模态函数信号，若否则继续获取新的去工频干扰心电信号的上包络线和下包络线，直至判定新的去工频干扰信号是否满足内蕴模态函数信号的要求条件为止。
[0127]
具体地，采用经验模态分析法emd对去工频干扰心电信号x(t)进行分解的过程为：
[0128]
首先，获取x(t)的局部极大值和极小值，用三次样条插值计算出上包络线xu(t)和下包络线x
l
(t)；
[0129]
其次，计算上包络线xu(t)和下包络线x
l
(t)的平均值m1(t)＝(xu(t)+x
l
(2))/2，并计算x(t)和m1(t)的差值：d1(t)＝x(t)-m1(t)；
[0130]
然后，将(3)将d1(t)作为一个新的信号，重复第1步和第2步直到得到的心电信号满足上面的第一个imf：c1(t)，剩余值r1(t)＝x(t)-c1(t)；
[0131]
最后，将r1(t)作为一个新的信号，重复前3步，得到多有的imfs。当第n次的迭代rn(t)成为稳定的信号时，迭代过程就停止，信号x(t)的emd分解完成。
[0132]
步骤s150、基于经验模态分析法和welch功率谱分析法对所述去肌电干扰心电信号进行去运动伪迹处理，得到去运动伪迹心电信号。
[0133]
优选地，对于步骤s150，具体包括以下步骤：
[0134]
对所述去肌电干扰信号进行经验模态分解后得到各阶内蕴模态函数信号；
[0135]
对各阶内蕴模态函数信号进行welch功率谱分析；
[0136]
剔除不符合心电信号波形频率谱分布的内蕴模态函数信号；
[0137]
将剔除后剩余的符合心电信号波段频率谱分布的内蕴模态函数信号合成去运动伪迹心电信号。
[0138]
优选地，所述心电信号波形频率谱分布为心电信号波形分布0～40hz，p波为0～18hz，qrs波为0～37hz，t波为0～18hz。
[0139]
实施例2
[0140]
如图2所示是本发明实施例一种心电图关键波段提取方法的流程图，心电图关键波段提取方法包括：
[0141]
步骤s210、采用实施例1中的心电图的预处理方法的步骤，对心电图进行预处理；
[0142]
步骤s220、对预处理后的所述心电图进行关键波段提取。
[0143]
优选地，在步骤s220中，对预处理后的所述心电图进行关键波段提取，具体包括以下步骤：
[0144]
步骤s221、采用无监督预训练模型moco提取心电图特征；
[0145]
步骤s222、采用密度峰值聚类算法(dpca)对心电图特征进行聚类，提取聚类后的聚类簇核心作为心电图的关键波段特征，去除簇边缘的冗余帧。
[0146]
具体地，在步骤s221中，采用无监督预训练模型moco(动量对比的无监督视觉表示学习)提取心电图特征。
[0147]
可以理解的是，预训练模型是指预先训练可通过微调转移到下游任务的表示形式(即特征)。预训练方法通常分为监督、半监督、无监督，最常用的监督预训练技术是：首先在带有标注的大型数据集上训练模型，之后将该模型当作预训练模型执行下游任务。半监督方法的代表是自训练，其使用少量的标记数据和大量的未标记数据对模型进行联合训练。无监督预训练通过一定的方式，从样本中无监督的构造了一个“label”，从而对模型进行预训练，提高下游任务的表现。无监督方法在无标签的数据集上训练，通过对比损失、互信息最大化等方法获得对数据的通用表示。
[0148]
无监督学习是相对于有监督学习来说的，因为现实中遇到的大部分数据都是未标记的样本，要想通过有监督的学习就需要事先人为标注好样本标签，这个成本消耗、过程用时都很巨大，所以无监督学习就是使用无标签的样本找寻数据规律的一种方法。
[0149]
本发明实施例所采用的无监督预训练模型moco是一种用于建立用于对比学习的动态词典的机制，可用于各种任务。通过使用对比损失将编码查询q与编码密钥字典相匹配来训练视觉表示编码器。将一对查询query和以及键值key组成样本对，如果它们出自同一，那么是正样本对，否则为负样本对。同一x的两个变换v和v'通过同一个网络来产生两个投影z和z'。对比损失的目的是最大化来自同一输入x的两个投影的相似性，同时最小化与同一小批量内其他投影的相似性。moco将词典保持为数据样本队列，这样可以重新利用当前mini-batch中已编码的键值，同时队列能够将字典大小和mini-batch大小进行解耦，字典大小可以远远大于mini-batch的大小，可被当作超参数。由于mini-batch遵循先进先出的准则，字典总是表示一个所有数据的子集。在线网络采用随机梯度下降法进行更新，动量网
络则基于在线网络权值的指数移动平均值进行更新。
[0150]
具体地，在步骤s222中，采用密度峰值聚类算法(dpca)对心电图特征进行聚类的过程为：
[0151]
事先给定一个邻域半径dc，定义任意i、j两点的距离用d
ij
表示。
[0152]
首先，ρi表示i点的密度大小，i点的密度大小计算规则：以i点为圆心，包含在半径大小为dc的圆内点的个数即为i点的密度大小。即比较两点距离d
ij
与领域半径dc的大小关系，小于表示在圆内，计数1，大于表示圆外，计数0，最后求和。ρi越大表示点i的局部密度越大，越有可能成为聚类中心。公式如下：
[0153][0154][0155]
其次，定义聚类中心距离σi，
[0156]
1.首先将每个点的密度从大到小排列：ρi＞ρj＞ρk＞
…
；密度最大的点的聚类中心距离与其他点的聚类中心距离的确定方法是不一样的；
[0157]
2.先确定密度最大的点的聚类中心距离
–
i点是密度最大的点，它的聚类中心距离σi等于与i点最远的那个点n到点i的直线距离d
in
；
[0158]
3.再确定其他点的聚类中心距离——其他点的聚类中心距离是等于在密度大于该点的点集合中，与该点距离最小的的那个距离。例如i、j、k的密度都比n点的密度大，且j点离n点最近，则n点的聚类中心距离等于d
jn
[0159]
4.依次确定所有的聚类中心距离σ，聚类中心距离σ的数学式如下：
[0160][0161]
ρi值最大时，σi＝maxj(d
ij
)。
[0162]
最后，通过如图3所示的决策图确定聚类簇核心、簇边缘，依据每个点的局部密度大小ρi、聚类中心距离σi的数值，组(ρi,σi)投射到二维坐标系中。聚类中心距离经过归一化处理，将
①
号点的聚类中心距离σ
1,27
定为1。
[0163]
实施例3
[0164]
本发明提供的另一种实施方式是，一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行实施例1中的所述心电图的预处理方法的步骤，或者执行实施例2中的所述心电图关键波段提取方法的步骤。
[0165]
本发明提供的另一种实施方式是，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行实施例1中的所述心电图的预处理方法的步骤，或者执行实施例2中所述心电图关键波段提取方法的步骤。
[0166]
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。