一种可穿戴设备及基于其的动作监测方法与流程

本发明涉及可穿戴设备技术领域，具体涉及一种可穿戴设备及基于其的动作监测方法。

背景技术：

在现代社会，随着生活水平以及人们安全意识的提高，健康的生活和人身安全对人们尤其是老年人，越来越重要，因此对能够监测日常活动并识别出异常行为动作的产品有着很大的需求。而现有的行为监测技术方案通常采用视频分析的方法，该方法不仅运算复杂，而且对环境背景和光线等有较高要求，另外还需要用户保持在摄像头的捕捉范围内，具有很大的空间局限性。

技术实现要素：

本发明提供了一种可穿戴设备及基于其的动作监测方法，基于可穿戴设备惯性传感器实现随时随地监测和分析人体活动，运算简单，并且对周围环境和空间没有限制，有效地克服了视频分析的缺陷，增强了可穿戴设备的用户体验。

根据本申请的一个方面，提供了一种基于可穿戴设备的动作监测方法，包括：

利用可穿戴设备上的运动传感器实时采集用户的运动数据；

根据最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间；

对提取出的动作区间对应的运动数据进行动作识别，得到识别结果。

根据本申请的另一个方面，提供了一种可穿戴设备，运动传感器，与所述运动传感器连接的处理器；

所述运动传感器，用于实时采集用户的运动数据；

所述处理器，用于根据最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间，对提取出的动作区间对应的运动数据进行动作识别，得到识别结果。

应用本发明实施例的技术方案，利用可穿戴设备上的传感器对人们的日常行为动作的数据进行采集并进行分析，从连续的传感器数据中提取出可能的动作区间，对动作区间内的运动数据进行动作识别，得到识别结果。与现有视频分析的监测方案相比，不对环境、光线等背景进行限制，并且不需要限定用户的空间范围，应用更灵活，提高了用户体验。另外，通过采用最长公共子序列算法对连续的传感器数据进行标定，提取真正的动作区间，抑制了边界其它动作数据的干扰，在提高可靠性的同时具有较低的运算复杂度。

附图说明

图1是本发明实施例中的基于可穿戴设备的动作监测方法的流程图；

图2是本发明实施例中的基于可穿戴设备的动作监测方法的流程示意图；

图3是本发明实施例中的训练动作区间模板的流程图；

图4是本发明实施例中的动作区间提取的流程图；

图5是本发明实施例中的动作识别的流程图；

图6是本发明实施例中的可穿戴设备的框图。

具体实施方式

本发明的设计构思在于：智能手表等可穿戴设备目前得到了迅猛的发展，它们有自己的计算能力和资源，而且一般都会嵌入多种mems传感器，如加速度计、陀螺仪等，对数据运算和信号处理提供了软硬件支持，而可穿戴设备中现有的加速度等传感器可以感知人体的动作。另外，可穿戴设备一般都会长期佩戴在用户身上，如果把日常活动监测功能集成到可穿戴设备上，那么出现异常状况时及时提醒和远程报警，保障了人们的健康生活和人身安全。利用可穿戴设备上的惯性传感器可以随时随地监测和分析人体活动，运算简单，并且没有对周围环境和空间的限制，有效地克服了视频方法的弱点，增强了用户体验。

图1是本发明实施例中的基于可穿戴设备的动作监测方法的流程图，参见图1，本实施例的基于可穿戴设备的动作监测方法包括下列步骤：

步骤s101，利用可穿戴设备上的运动传感器实时采集用户的运动数据；

步骤s102，根据最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间；

步骤s103，对提取出的动作区间对应的运动数据进行动作识别，得到识别结果。

由图1所示可知，本实施例的方法利用可穿戴设备上的运动传感器采集用户的运动数据，方便随时随地对用户动作进行检测，对环境和光线的要求很低，应用更灵活。结合最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间，对提取出的动作区间对应的运动数据进行动作识别，得到识别结果。通过最长公共子序列算法提取真正的动作区间，从而抑制边界其它动作数据的干扰，在提高可靠性的同时具有较低的运算复杂度。

实际应用中为了实现对人体日常活动监测，还需要考虑并解决以下技术问题：(1)由于在日常行为中，用户的活动是连续的，因此需要从连续的传感器数据流中检测出感兴趣的动作数据，去除其它活动的干扰。(2)基于加速度等惯性传感器，设计有效的动作类型检测算法识别出动作。另外，可穿戴设备的资源有限，需要在降低算法复杂度的同时，保证动作识别的可靠性。(3)检测异常行为或危险状况，并及时提醒或通知紧急联系人。

下面结合图2至图5对本发明实施例中为解决上述技术问题而采用的技术手段进行说明。

如图2所示，本发明实施例对佩戴了智能手表的用户的日常活动监测方法主要包括动作区间检测、动作识别和异常行为处理等步骤。

步骤s201，三轴加速度数据采集。

需要说明的是，智能手表上设置有多种运动传感器，比如，加速度计和陀螺仪本实施例中以加速度计为例对数据采集进行说明。在用户佩戴智能手表的过程中，智能手表上的加速度计实时采集用户的运动数据。由于用户的动作是连续的，加速度数据序列也是连续的，在进行日常行为动作监测时，需要提取加速度数据的动作区间。

步骤s202，动作区间检测。

在本步骤中，采用了最长公共子序列(longestcommonsubsequence，lcs)的动作区间标定方法，将传感器数据进行量化并表示为字符串，实际应用中通过动态编程获取字符串之间的最长公共子序列，从而进一步获取用户的动作区间的开始点和结束点。

最长公共子序列lcs是指两个字符串之间的最长公共子序列。比如a、b为两个长度分别为n和m的字符串，l(i,j)是a的前i个符号和b的前j个符号之间的最长公共子序列的长度，则a和b之间的最长公共子序列长度为l(n,m)。l(n,m)以及两个序列之间的匹配点(即，相同元素)通过动态编程得到，如下式所示：

步骤s203，动作识别。

针对提取出的动作区间，进一步采用svm等机器学习方法识别所对应的动作类型。

步骤s204，判断是否为异常或危险行为，是则执行步骤s205。

当识别结果指示异常或危险动作发生时，利用可穿戴设备上的报警器进行报警和/或通过与可穿戴设备连接的智能终端远程报警。具体将用户的动作数据与异常或危险行为模板数据进行比较，判断是否为异常或危险行为。

步骤s205，异常行为处理。

如果出现异常行为时及时在智能手表上进行报警提醒，或发送通知给预先设定的紧急联系人。

至此，本实施例的方法利用手表随身佩戴和便携性的特点，可以随时随地对人们的日常活动进行监测。相比采用视频方法的活动监测系统，本发明计算相对简单，并不受环境和空间等条件的限制，应用更灵活，提高了用户体验。另外，通过采用lcs算法对连续的传感器数据进行标定，提取真正的动作区间，以抑制边界其它动作数据的干扰，在提高可靠性的同时具有较低的运算复杂度。而且，针对提取出的动作区间数据进一步采用机器学习的方法进行识别，提高了识别的正确率和可靠性。通过所设计的算法，能够可靠地识别出感兴趣的动作，或者检测出异常或危险行为的发生，并且能及时提醒或发送通知给紧急联系人，保障人们的健康和安全。

本实施例中，在进行动作区间检测之前，还进行动作区间模板的训练，具体包括：针对预设的各动作类型，采集多组三轴加速度数据作为样本实例，采用k均值算法对所有动作类型的样本实例进行聚类分析，将样本实例中各加速度数据点用离它距离最近的聚类中心进行表示，得到各样本实例对应的样本字符串序列；其中，各聚类具有一个聚类中心并以字母来表示；

计算同一个动作类型下，每个样本实例与其它样本实例之间的最长公共子序列的值，求最长公共子序列的值的和，将最大和值对应的样本实例作为该动作类型的动作区间模板。

具体的，根据最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间包括：对一次监测过程中采集的加速度数据，利用动作区间模板训练时的聚类中心将加速度数据量化并转换为对应的字符串序列；将该字符串序列以及对应的滤波后的加速度数据保存在缓存中；根据预设的动作类型，对该字符串序列截取时间至当前时间点为止，长度等于该类动作的样本实例中最大长度的区间作为观察窗，计算该观察窗内序列与该类动作的动作区间模板之间的最长公共子序列的值；如果最长公共子序列的值大于该类动作对应的判别阈值，则认为用户的动作与该类动作匹配，并根据所述最长公共子序列提取出动作区间的开始和结束时刻，得到动作区间检测结果；其中，所述判别阈值等于预设动作类型对应的动作区间模板与该类其它样本实例间的最长公共子序列的值中的最小值。如果用户的动作与多类动作匹配，则选取最长公共子序列的值中的最大值对应的动作类型作为最终的动作区间检测结果。

参见图3，模板训练流程开始，先执行步骤s301。

步骤s301，三轴加速度数据采集。

对每个预定义的待识别的动作类型，采集若干组三轴加速度数据作为样本实例。

这里的动作类型。例如是手部动作，腿部动作、头部动作和脚部动作等动作类型。

步骤s302，低通滤波

对加速度数据进行滑动平均滤波或其它低通滤波处理，以去除噪声。

步骤s303，聚类分析得到聚类中心；

对所有类型的动作数据采用k均值算法进行聚类分析。k均值聚类是一种无监督学习算法，它把数据划分到k个聚类，每个聚类有一个聚类中心，并以字母来表示。

步骤s304，量化并转换为字符串；

将样本实例的每个加速度数据点用离它距离最近的聚类中心表示，这样每个样本实例就量化并转化为一个字符串。由于不同的人以及同一个人在不同时间执行一个动作时不可能是固定不变的，通过这种处理，一定程度上抑制了执行同一个动作时传感器数据的变化，提高了鲁棒性。

步骤s305，训练模板。

这里通过最长公共子序列lcs来衡量样本实例之间的相似性，lcs值越大，则它们相似度越高。对于每一个动作类型，计算该类型下每个实例与其它所有实例之间的lcs的值，并求lcs的值的和(一个实施例中，还可以计算lcs的值的平均值)，选择具有最大和值(或平均值)的lcs值的样本实例作为该类动作的模板，并选择模板与该类其它样本实例间的最小lcs值作为该动作类型的判别阈值。另外，需要保存该类型下所有样本实例的加速度序列长度的最大值以便后续截取观察窗。

模板训练好后保存，用于后续的图4的处理。

如图4所示，步骤s401，三轴加速度数据采集；

这里的三轴加速度数据采集是一次用户动作监测过程中采集的数据，

步骤s402，低通滤波；

对于输入的三轴加速度数据，经过滑动平均等低通滤波，去除数据中的噪声干扰。

步骤s403，量化并转为字符串；

利用模板训练时得到的k均值聚类中心(图4中适宜的聚类中心)将滤波后的数据量化并转为一个字符串序列。将该字符串序列以及对应的滤波后的加速度数据以先进先出(fifo)的方式保存在合适长度的缓存中，然后检测可能的动作区间。这里按照先进先出的方式保存字符串序列是为了确保缓存中的数据是最新的用户动作数据。

步骤s404，截取观察窗；

对于每种预设动作类型，对该字符串序列加窗，例如，截取至当前时间点为止长度为该类动作样本实例中最大长度的区间作为观察窗。

步骤s405，计算与模板间的lcs的值；

具体是计算步骤s404中截取的观察窗口内的序列与该类型的模板之间的lcs的值，如果lcs的值大于该类型的判别阈值，则认为用户的动作与该动作类型匹配。

步骤s406，获取动作的起始和结束。

这里，但计算出观察窗内的字符串序列与一模板的lcs值小于判别阈值时，通过匹配点确定动作区间的开始和结束时刻。由于字符串序列与加速度数据对应，当用户的动作(字符串序列形式)与一类动作的模板(字符串序列形式)匹配时，可以根据最长公共子序列包含的元素找到对应的加速度数据点，即匹配点，进而根据匹配点检测出用户动作区间的开始时刻和结束时刻，确定出动作区间。

对每种动作类型来说，lcs的值只需要计算一次，所以具有较低的复杂度。

需要说明的是，对预设的所有的动作类型按照前述步骤计算和匹配处理完之后，如果用户动作与多个动作类型匹配，则选择lcs值最大的即最相似的动作类型对应的动作区间作为最终的用户动作检测的结果，并将对应的滤波后的加速度数据作为检测出的动作数据，对其进一步识别。

这里的进一步识别包括从动作区间对应的运动数据中提取用于识别用户动作的一个或多个时域特征量，得到待识别数据；将包含一个或多个时域特征量的待识别数据与存储的代表预定动作的模板数据进行匹配，得到与待识别数据匹配成功的模板数据，并将匹配成功的模板数据对应的动作作为待识别数据对应的动作。

例如，将待识别数据与存储的代表预定动作的模板数据进行匹配，得到与所述待识别数据匹配成功的模板数据包括：利用模板数据训练支持向量机svm分类器，从模板数据中选择任意两种类型的模板数据训练一个两类分类器，得到训练好的能够将n种模板数据中任意两种模板数据区分开的svm两类分类器，所述模板数据是由采集到的多个用户的标准动作数据生成；分别将待识别数据与训练好的每个svm两类分类器进行匹配，获取所述待识别数据与每个svm两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与所述待识别数据匹配成功的模板数据。

本实施例对检测出的三轴加速度动作数据，采用基于时域特征和支持向量机(supportvectormachine，svm)的动作识别方法。为了适应智能手表等设备的资源受限状况，提取有限的几种典型而且有很好区别能力的时域特征，相比其它的频域或时-频域特征，避免了复杂的特征计算，减少了计算量。

另一方面，支持向量机(svm)具有很好的泛化能力，可以实现非用户依赖的识别能力，即可以对不同用户的动作类型都可以很好地识别，避免了每个用户使用前都需要单独训练的情况，方便用户的使用。而且，svm适合小样本训练集，不需要太复杂的训练过程。同时，svm经过训练后产生的分类器简洁，相比knn等识别方法，只需要用到很少的样本信息，节约了模板的存储空间。

处理过程如图5所示，动作识别包括两个过程，一个是svm分类模型的训练，另一个是基于svm分类模型对待识别的数据进行动作识别。其中，svm分类模型训练的流程主要包括：步骤s501，步骤s502，步骤s503以及步骤s504。动作识别的流程主要包括步骤s510，步骤s520，步骤s530。参见图5，svm分类模型训练的结果是得到svm分类模型，而动作识别流程的结果是得到动作识别结果。

由于svm分类模型的训练是后续动作识别的基础，下面先对svm分类模型训练进行说明。

步骤s501，采集模板加速度数据；

预先利用加速度传感器采集用户执行预设标准动作时的加速度数据作为模板。

步骤s502，特征提取；

对作为模板的三轴加速度动作数据，提取时域特征，例如是均值、标准差、最小值、最大值、偏度、峰度和相关系数等。需要说明的是，如何计算各轴上的加速度数据的均值、标准差等时域特征值为现有技术，这里不再对计算过程进行过多说明。对三轴加速度数据中x、y、z每一轴提取这些特征后，组成一个固定长度的特征向量。

步骤s503，训练；

在训练svm分类模型中，核函数选择径向基函数(rbf)，对于rbf，在训练分类模型时需要确定的参数为核函数参数γ和惩罚因子c。为了确定最优的参数c和γ提高分类器的识别精度，本实施例中采用基于交叉验证(cross-validation)的网格搜索算法。即，搜索不同的(γ和c)参数对组合，通过交叉验证选择其中具有最高精度的参数对作为最优的结果。

另外，本实施例将无效动作也单独作为一类模式进行识别，与待识别的动作类型共同进行训练和识别。

由于svm处理的是二分类问题，在利用svm对多种动作类型进行识别时，需要构建多分类器。本发明实施例中采用“一对一”的思路，即从n个分类中，不重复的选择任意两种类型的训练样本训练出一个两类分类器，则一共需要训练出n*(n-1)/2个两类分类器，n为类型总数。这样处理的分类正确率较高。

接着，一次动作识别过程的流程开始，执行步骤s510，检测出的动作数据；

根据前面的动作区间检测的过程可知，本实施例检测出了动作区间(动作数据的起始时刻和开始时刻)，以及动作区间对应的动作数据(起始时刻和开始时刻之间的加速度数据点)。

步骤s520，特征提取，

这里的特征提取步骤与前述步骤s502中的特征提取处理步骤相同，因此可参见前述说明，这里不再赘述。

步骤s530，svm识别；

这里是分别将待识别数据与训练好的每个svm两类分类器进行匹配，获取所述待识别数据与每个svm两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与所述待识别数据匹配成功的模板数据。

例如，选择手部动作和头部动作这两种类型组成一个两类分类器，即(头部/手部)，然后，将待识别数据a带入该两类分类器的最优分类函数公式中，可得到，待识别数据a属于头部动作或属于手部动作的匹配结果。然后，将待识别数据a和剩下的所有两类分类器(比如剩下四个两类分类器)分别比较，可得到四个匹配结果，最后，根据待识别数据a的匹配结果中模板数据出现的数目，将出现次数最多的模板数据作为待识别数据a匹配的模板数据，即作为待识别数据a对应的动作类型。

接上例，待识别数据a与五个svm两类分类器比较后，发现头部动作出现了三次，而手部、背部动作各出现一次，则识别出待识别数据a属于头部动作类型。至此，可以训练得到多个svm分类模型。

经过上述步骤可以得到动作识别结果。本实施例中在识别出有效的用户动作后，下一次动作区间的检测将从本次动作结束点之后开始进行，以加快动作识别和监测效率。

另外，在识别出用户动作后，可以根据需要对其进一步做其它处理。例如在检测出异常或危险行为后，智能手表可以进行本地提醒，或根据预先的设置，通过与之相连接的智能手机远程发出报警，以得到及时的帮助和处理，保障人们的健康状况和人身安全。

本发明实施例中还提供了一种可穿戴设备，参见图6，可穿戴设备600包括运动传感器601，与运动传感器601连接的处理器602；

运动传感器601，用于实时采集用户的运动数据；

处理器602，用于根据最长公共子序列算法对采集的运动数据进行动作区间检测，提取出动作区间，对提取出的动作区间对应的运动数据进行动作识别，得到识别结果。

在本发明的一个实施例中，运动传感器601包括三轴加速度传感器；

处理器602，还用于在进行动作区间检测之前，获取训练完成的动作区间模板，所述动作区间的模板通过下列步骤训练得到：针对预设的各动作类型，采集多组三轴加速度数据作为样本实例，采用k均值算法对所有动作类型的样本实例进行聚类分析，将样本实例中各加速度数据点用离它距离最近的聚类中心进行表示，得到各样本实例对应的样本字符串序列；其中，各聚类具有一个聚类中心并以字母来表示；计算同一个动作类型下，每个样本实例与其它样本实例之间的最长公共子序列的值，求最长公共子序列的值的和，将最大和值对应的样本实例作为该动作类型的动作区间模板。

在本发明的一个实施例中，处理器，具体用于对一次监测过程中采集的加速度数据，利用动作区间模板训练时的聚类中心将加速度数据量化并转换为对应的字符串序列；将该字符串序列以及对应的滤波后的加速度数据保存在缓存中；根据预设的动作类型，对该字符串序列截取时间至当前时间点为止，长度等于该类动作的样本实例中最大长度的区间作为观察窗，计算该观察窗内序列与该类动作的动作区间模板之间的最长公共子序列的值；如果最长公共子序列的值大于该类动作对应的判别阈值，则认为用户的动作与该类动作匹配，并根据所述最长公共子序列提取出动作区间的开始和结束时刻，得到动作区间检测结果；其中，所述判别阈值等于预设动作类型对应的动作区间模板与该类其它样本实例间的最长公共子序列的值中的最小值。

在本发明的一个实施例中，处理器还用于当用户的动作与多类动作匹配时，选取最长公共子序列的值中的最大值对应的动作类型作为最终的动作区间检测结果。

在本发明的一个实施例中，处理器用于从所述动作区间对应的运动数据中提取用于识别用户动作的一个或多个时域特征量，得到待识别数据；将包含一个或多个时域特征量的所述待识别数据与存储的代表预定动作的模板数据进行匹配，得到与所述待识别数据匹配成功的模板数据，并将匹配成功的模板数据对应的动作类型作为待识别数据对应的动作类型。

在本发明的一个实施例中，处理器利用模板数据训练支持向量机svm分类器，从模板数据中选择任意两种类型的模板数据训练一个两类分类器，得到训练好的能够将n种模板数据中任意两种模板数据区分开的svm两类分类器，所述模板数据是由采集到的多个用户的标准动作数据生成；分别将待识别数据与训练好的每个svm两类分类器进行匹配，获取所述待识别数据与每个svm两类分类器的匹配结果，每一匹配结果对应一模板数据，并统计出现的模板数据的数目，将出现次数最多的模板数据作为与所述待识别数据匹配成功的模板数据。

综上所述，本实施例的可穿戴设备采集加速度传感器数据，利用最长公共子序列标定动作区间，将传感器数据进行量化并表示为字符串序列，获取字符串序列之间的lcs的值，从而进一步获取动作区间的开始和结束点。针对提取出的动作区间，采用svm等机器学习方法识别所对应的动作类型。对用户动作的类型进行识别，并且判断动作是否为异常或危险动作，当出现异常行为时及时进行提醒，或发送通知给紧急联系人，保障用户安全。

本发明一个实施例提供了一种电子设备，该电子设备包括存储器和处理器，存储器和处理器之间通过内部总线通讯连接，存储器存储有能够被处理器执行的程序指令，程序指令被处理器执行时能够实现上述的基于可穿戴设备的动作监测方法。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明的另一个实施例提供一种计算机可读存储介质，计算机可读存储介质存储计算机指令，计算机指令使所述计算机执行上述的方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图的一个流程或多个流程和/或方框图的一个方框或多个方框中指定的功能的装置。

需要说明的是术语“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。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，正如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

以上所述，仅为本发明的具体实施方式，在本发明的上述教导下，本领域技术人员可以在上述实施例的基础上进行其他的改进或变形。本领域技术人员应该明白，上述的具体描述只是更好的解释本发明的目的，本发明的保护范围以权利要求的保护范围为准。