房颤检测方法、装置及可读存储介质与流程

本发明涉及医学信号处理领域，尤其涉及一种房颤检测方法、装置及可读存储介质。

背景技术：

心脏病是一类比较常见的心血管疾病，也是当今发病率和致死率最高的疾病之一，因而心脏病的防治和诊断已成为当今医学界的重要问题。对心脏健康危害较大的是心房颤动(简称房颤)，是最常见的持续性心律失常，常伴有心悸、眩晕、胸部不适、气短等症状。

目前，心电图技术以其操作方法简便，对用户无侵入损害等优点，一直作为心脏病诊断的重要技术手段，但其检测结果需要医生通过肉眼仔细观察心电图，进而判断用户是否存在房颤问题。当医生每天面对海量心电图时，容易因用眼疲劳和重复性判断，影响房颤检测的可行性和准确性。现有的计算机辅助检测房颤，主要是通过计算心电信号中相邻两个R峰位置的方差绝对值，进而判断用户是否存在房颤问题，但现有的检测算法，无法应对复杂多变的实际情况，比如用户的种族、性别、年龄、情绪等。

技术实现要素：

本发明的主要目的在于提供一种基于心电信号的房颤检测方法、装置及可读存储介质，旨在解决现有心电信号检测房颤方法不够准确与合理的技术问题。

为实现上述目的，本发明提供的一种基于心电信号的房颤检测方法，所述房颤检测方法包括以下步骤：

获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；

以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；

获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。

优选地，所述获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息包括：

获取用于训练房颤识别模型的房颤心电信号和正常心电信号；

对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；

判断各个心电数据序列是否满足预设条件；

当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；

识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；

确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。

优选地，所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型包括：

以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。

优选地，在所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型之后，所述房颤检测方法还包括：

采用K折交叉验证或混淆矩阵对所述房颤识别模型进行验证，得到验证结果，以供维护人员根据所述验证结果对所述房颤识别模型进行维护。

优选地，在所述获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果之后，所述房颤检测方法还包括：

将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；

根据更新的训练样本，对所述房颤识别模型进行进一步的训练。

此外，为实现上述目的，本发明还提供一种房颤检测装置，所述房颤检测装置包括：

存储有房颤检测程序的存储器；

处理器，用于执行所述房颤检测程序以执行下述操作：

获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；

以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；

获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。

优选地，执行所述获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息的操作包括：

获取用于训练房颤识别模型的房颤心电信号和正常心电信号；

对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；

判断各个心电数据序列是否满足预设条件；

当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；

识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；

确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。

优选地，执行所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型的操作包括：

以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。

优选地，在执行所述获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果的操作之后，所述处理器还执行以下操作：

将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；

根据更新的训练样本，对所述房颤识别模型进行进一步的训练。

此外，为实现上述目的，本发明还提供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房颤检测程序，所述房颤检测程序被处理器执行时实现如上述任一项所述的基于心电信号的房颤检测方法的步骤。

本发明首先是通过获取用于训练房颤识别模型的心电信号，并提取该心电信号的形态特征参数以及时序信息，其次是将提取的形态特征参数与时序信息作为训练样本，采用深度学习方式，建立房颤识别模型，最后获取待检测心电信号并根据房颤识别模型分析待检测心电信号，得到该待检测心电信号的房颤检测结果，从而实现房颤的自动化检测，并提高房颤检测的效率和准确度。

附图说明

图1为本发明实施例方案涉及的房颤检测装置运行环境的结构示意图；

图2为本发明基于心电信号的房颤检测方法一实施例的流程示意图；

图3为图2中步骤S10的细化流程示意图；

图4为本发明基于心电信号的房颤检测方法另一实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的房颤检测装置运行环境的结构示意图。

如图1所示，该房颤检测装置可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，房颤检测装置还可以包括调谐解调器、回传通道、RF(Radio Frequency，射频)电路，传感器、音频电路、扬声器等等。

本领域技术人员可以理解，图1中示出的房颤检测装置的硬件结构并不构成对房颤检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及计算机程序。其中，操作系统是管理和控制房颤检测装置和软件资源的程序，支持房颤检测程序以及其它软件和/或程序的运行。

在图1所示的房颤检测装置的硬件结构中，网络接口1004主要用于接入网络；用户接口1003主要用于侦测确认指令和编辑指令等。而处理器1001可以用于调用存储器1005中存储的房颤检测程序，并执行以下操作：

获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；

以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；

获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。

进一步地，所述房颤检测装置通过处理器1001调用存储器1005中存储的房颤检测程序，以执行下述操作：

获取用于训练房颤识别模型的房颤心电信号和正常心电信号；

对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；

判断各个心电数据序列是否满足预设条件；

当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；

识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；

确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。

进一步地，所述房颤检测装置通过处理器1001调用存储器1005中存储的房颤检测程序，以执行下述操作：

以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。

进一步地，所述房颤检测装置通过处理器1001调用存储器1005中存储的房颤检测程序，以执行下述操作：

采用K折交叉验证或混淆矩阵对所述房颤识别模型进行验证，得到验证结果，以供维护人员根据所述验证结果对所述房颤识别模型进行维护。

进一步地，所述房颤检测装置通过处理器1001调用存储器1005中存储的房颤检测程序，以执行下述操作：

将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；

根据更新的训练样本，对所述房颤识别模型进行进一步的训练。

基于上述房颤检测装置硬件结构，提出本发明基于心电信号的房颤检测方法的各个实施例。

参照图2，图2为本发明基于心电信号的房颤检测方法一实施例的流程示意图。

本实施例中，基于心电信号的房颤检测方法包括以下步骤：

步骤S10，获取用于训练房颤识别模型的心电信号，并提取用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；

本实施例中，心脏在搏动之前，心肌首先发生兴奋，在兴奋过程中产生微弱电流，也即心脏的每一个心动周期均伴随着生物电变化，该微弱电流可传达到身体表面的各个部位。由于身体各部分的组织不同，且各部分与心脏间的距离不同，因此在人体体表各部位，表现出不同的电位变化，这种人体心脏内电活动所产生的表面电位变化的方向、频率、强度是有规律的。因而通过信号采集设备动态将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电信号。同时心电信号的数据是随时间变化的，而心电图是将心电信号绘制呈现出来，是心电信号的直观呈现方式。具体地，在获取心电信号之前，还包括采集心电信号的步骤，所述采集心电信号可通过预设的心电信号采集设备进行采集。此处采集心电信号的方式可与传统采集方式一致。通过心电图波形的形态、波幅大小以及各波之间的相对时间关系，便能诊断出心脏疾病。诸如心电节律不齐、心肌梗塞、期前收缩、高血压、心脏异位搏动等。

本实施例中，现有的心电图的每个心动周期内出现的波形变化存在一定的规律，比如波形的形态、波幅大小以及各波之间的相对时间关系等，因而可归纳为峰值点特征、间期特征、基线特征、波形特征、心拍形态等。提取心电信号的形态特征参数优选包括间期特征、波形特征、心拍形态作为房颤检测的特征参数。由于心电信号的数据是随时间变化的，因而提取心电信号的时序信息，能够更准确的得知某一时间点或某一时间段电信号的移动变化位置。进一步地，由于心电信号在采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他噪声干扰等，因而在提取前需要先进行预处理，以免干扰房颤检测。

步骤S20，以形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；

本实施例中，模型是求解学习问题的一系列前提假设，而房颤识别模型是运用数理逻辑方法和数学语言构建的一种数学模型，而深度学习方法就是让计算机从已有的数据中学习出新的知识，也就是根据心电信号提取的的数据进行系统的学习，比如如何对特征参数进行分类、如何优化形态特征等。训练的过程就是利用训练样本，即已有的数据确定模型参数的过程。

步骤S30，获取待检测心电信号，并基于房颤识别模型分析待检测心电信号，得到待检测心电信号的房颤检测结果。

本实施例中，房颤识别模型可以是本地部署也可以是云端在线部署，优选云端在线部署，能够实时更新数据，优化房颤识别模型的准确性与可靠性，同时还能够分布式扩展，进一步满足复杂多变的实际房颤检测情况。房颤识别模型为本地部署时，通过信号采集设备获取用户的心电信号，即待检测心电信号，用以根据采集的待检测心电信号，结合房颤识别模型，分析待检测心电信号，进而得到该待检测心电信号属于何种心电状况，是否为正常或房颤。

本实施例中，待检测心电信号作为待检测数据，同样需要先进行预处理，以去除待检测心电信号的工频干扰、基线漂移及其他噪声干扰等，提高心电信号的信噪比，然后提取待检测心电信号的形态特征参数与时序信息，用以作为模型的输入值输入。通过房颤识别模型的映射数据，分析、比对待检测心电信号的形态特征参数与时序信息后，输出结果，也即得到待检测心电信号的房颤检测结果，也就是得到待检测心电信号的心电状况是否属于房颤或正常。

需要说明的是，为进一步提高房颤检测的可靠性，先通过房颤识别模型对待检测心电信号进行初步检测，然后当初步检测结果为少量病情复杂的房颤结果时，再由医生进行二次复核确认，进而可节省医生查阅心电图的时间和精力，使得医生能够集中精力于更有价值的病例判断上。

本实施例首先是通过获取用于训练房颤识别模型的心电信号，并提取该心电信号的形态特征参数以及时序信息，其次是将提取的形态特征参数与时序信息作为训练样本，采用深度学习方式，建立房颤识别模型，最后获取待检测心电信号并根据房颤识别模型分析待检测心电信号，得到该待检测心电信号的房颤检测结果，从而实现房颤的自动化检测，并提高房颤检测的效率和准确度。

参照图3，图3为图2中步骤S10的细化流程示意图。

基于上述实施例，本实施例中，步骤S10，获取用于训练房颤识别模型的心电信号，并提取用于训练房颤识别模型的心电信号的形态特征参数以及时序信息，包括：

步骤S11，获取用于训练房颤识别模型的房颤心电信号和正常心电信号；

本实施例中，房颤心电信号是被确诊为具有房颤问题的心电信号，而正常心电信号则是被确诊为健康的无房颤问题的心电信号。通过两种不同的心电信号作为训练房颤识别模型的基本数据，可使计算机深度学习，用以应对不同的用户，进而区分待检测心电信号是否属于房颤类型。进一步地，为使房颤识别模型输出的结果更精确，在建模初期，需要获取一定比例的房颤心电信号和正常心电信号，比如500个房颤心电信号和1500个正常心电信号等比值。同时，为进一步提高运算效率，可对心电信号进行标注,比如AF＝1表示房颤,AF＝0表示正常，通过标注即可区分两种不同心电状况的心电信号。

步骤S12，对房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；

本实施例中，虽然获取的是两种不同心电状况的心电信号，但都需要对其进行预处理，预处理的方式有多种，如转换、过滤、提取特征等函数运算。由于心电信号在采集过程中，常常掺杂各种噪声，噪声的来源主要有工频干扰、基线漂移、肌电干扰或其他噪声干扰等。对获取到的房颤心电信号和正常心电信号分别进行预处理，优选通过数字滤波算法滤除心电信号的工频干扰、基线漂移、肌电干扰或及其他噪声干扰，以提高心电信号的信噪比，然后将心电信号转换为多个心电数据序列，其中，心电数据序列至少包括滤波心电数据、R波峰值注释数据、早博点注释数据、干扰片段注释数据中的任一种或多种。通过不同类型的心电数据序列，能够更精准的进行分类，进而提高计算机识别房颤的能力。

步骤S13，判断各个心电数据序列是否满足预设条件；

本实施例中，预设条件是由开发人员预先设置好的条件，比如每个心电数据序列时长为40～240s，采样频率为512HZ，或心电数据序列在连续有效片段中的RR间期波动最大的片段中包含至少20个有效心拍等，具体根据实际情况进行设置。

步骤S14，当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；

本实施例中，由于预处理得到多个心电数据序列，因而逐一判断每一个心电数据序列是否满足预设条件，当满足条件时即可执行下一步操作，即提取形态特征参数，用以保证房颤识别模型数据的可靠性。需要说明的是，当心电数据序列不满足预设条件时，剔除不符合的心电数据序列，进而减少运算、避免数据冗长，影响房颤识别模型的训练。

本实施例中，卷积神经网络(Convolution Neutral Network,CNN)算法，在图像识别、深度特征提取上有广泛应用，即对心电数据序列进行多次卷积、池化即可提取到各形态特征参数。心电数据序列为滤波心电数据、R波峰值注释数据、早博点注释数据、干扰片段注释数据等等，每一种心电数据序列对应不同的形态特征参数，比如R波峰值注释数据可提取RR间期和/或R峰值位置，早博点注释数据可提取异位起搏点位置等等，具体形态特征参数根据实际需要进行设置提取。具体地，

步骤S15，识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；

步骤S16，确定各个形态特征参数与各个时序信息在心电数据序列中的对应关系。

本实施例中，长短时记忆循环神经网络(Long Short Term Memory,LSTM)算法，广泛应用于序列识别，即运用长短时记忆循环神经网络识别心电数据序列，具体地，由于数据是随时间变化的，因而各个形态特征参数在心电数据序列中必定存在对应的时间点，即可得到各个形态特征参数对应的时序信息，进而确定形态特征参数与时序信息之间在同一个心电数据序列中的对应关系，比如序列中第一个异位起搏点位置，对应某一时间点，第二异位起搏点位置对应另一个时间点。

本实施例中，一个心电数据序列存在多个时序信息与多个形态特征参数，每个形态特征参数有对应的时序信息。具体地，房颤心电信号处理得到多个心电数据序列，同时正常心电信号处理同样得到多个心电数据序列。

进一步地，在本发明另一实施例中，将形态特征参数、时序信息、对应关系作为建模所需重要数据的输入量，将房颤心电信号与正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对输入量、输出量的取值样本进行训练，构建卷积神经网络结构模型与长短时记忆神经网络结构模型，结合卷积神经网络结构模型与长短时记忆神经网络结构模型得到本发明的房颤识别模型，能够兼顾形态特征识别与时序识别，提高房颤识别模型的准确度与可靠性。

本实施例中，建立房颤识别模型优选二分类交叉熵损失(binary cross entropy loss)，具体地，样本集中两种类别的概率分布为p和q，其中p为真实分布，q非真实分布。采用交叉熵代价函数度量两个概率分布之间的相似性。对于一个随机变量X而言，它的所有可能取值的信息量的期望(E[I(x)]＝log(1/p))就称为熵。

真实分布的熵为：

如果使用错误分布q来表示来自真实分布p，则应该是：因为判断为q的样本来自真实分布p，所以期望H(p,q)中概率是p(i)。H(p,q)我们称之“交叉熵”。模型训练过程就是使用Adam梯度下降法来迭代减少二分类交叉熵。

进一步地，在本发明另一实施例中，房颤诊断模型的最终结果评估采用采用K折交叉验证或混淆矩阵这两种方式，用以保证总体准确率达到95％以上，并多次抽样验证其重现性和稳定性。具体地，在执行以时序信息以及形态特征参数为训练样本，采用深度学习方式，建立房颤识别模型的操作之后，处理器还执行以下操作：采用K折交叉验证或混淆矩阵对房颤识别模型进行验证，得到验证结果。通过将验证结果反馈给相关维护人员，进而方便对房颤识别模型进行维护，比如验证结果的总体准确率未达到预设阈值如90％时，维护人员可根据房颤识别模型的输入量和输出量分析数据，优化运算方法，进而改良房颤识别模型；比如验证结果的总体准确率达到预设阈值时，可投入生产使用。

本实施例中，验证方法一：K折交叉验证优先将心电信号随机打乱，其中，心电信号包括228个房颤心电信号和4064个正常心电信号，每次随机分割为80％训练集，20％测试集，多次迭代训练和预测评估模型效果稳定性。验证方法二：混淆矩阵用于比较分类结果和实际测得值，即把分类结果显示在一个混淆矩阵里面。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目输出。

进一步地，为提高房颤检测的准确性，参照图4，基于上述实施例提出本发明房颤检测方法另一实施例，在本实施例中，房颤检测方法还包括：

步骤S40，将待检测心电信号与用于训练房颤识别模型的心电信号进行合并，用以更新房颤识别模型的训练样本；

步骤S50，根据更新的训练样本，对房颤识别模型进行进一步的训练。

本实施例中，由于待检测心电信号经房颤识别模型得到检测结果，优选对该待检测心电信号增加标签批注AF＝1或0，其中，1表示房颤，0表示正常，因而优选通过增量学习，将检测过的待检测心电信号并入到原有建模时的心电信号的数据集中，利用不断新增的训练样本，对房颤识别模型进行不断调整和优化，增加了心电信号的分析数据，有助于分析待检测的心电信号时，提高更多典型以及精确度高的分析依据，进而提高房颤识别的诊断准确度。

本实施例中，将待检测心电信号与用于训练房颤识别模型的心电信号进行合并后，采用与原有心电信号同样的数据处理方法，提取对应的形态特征参数与时序信息，并将新的形态特征参数与时序信息并入到原有的训练样本，也即更新原有的训练样本。通过加入检测过的心电信号，实现实时更新数据，同时更新后的训练样本，其用于训练的数据更多，优化房颤识别模型。

进一步可选的，为实现上述目的，本发明还提供一种计算机可读存储介质，在本实施例中提出的计算机可读存储介质上存储有房颤检测程序，包括获取心电信号、提取形态特征参数、提取时序信息和建立模型等。存储的房颤检测程序能够被处理器读取、解读并执行，从而实现上述任一房颤检测方法实施例中基于心电信号的房颤检测方法的步骤。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本发明的保护之内。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。