用于提供对个体健康的指示的系统和方法与流程

本发明涉及一种用于提供对个体健康的指示的系统和方法。
背景技术：
：对本发明背景的以下讨论仅是为了便于对本发明的理解。应当理解，所述讨论不是认可或承认所提到任何材料在本发明优先权日之前以任何权限已被出版、被公知或者是本领域普通技术人员的公知常识的部分。整个说明书中，除非上下文另有要求，词语“包括”及其变型，诸如，“包括”或“包含”，将被理解为隐含包括所陈述的整体或整体的组，而不是排除任何其他整体或整体的组。此外，在整个说明书中，除非上下文另有要求，单词“包括”及其变型，诸如“包括”或“包含”，将被理解为暗含包括所陈述的整体或整体的组，而不是排除任何其他整体或整体的组。随着技术进步，移动电话和可穿戴设备越来越多地被用于提供对个体健康的量度。范例是移动电话摄像头和可穿戴手表的使用，以检测和测量个体心跳。然而，目前，对个体心跳的分析限于确定个体身体健康，例如，是否存在任何心跳不规律、心脏疾病或高血压。逐渐地，更多的人意识到诸如抑郁症的心理疾病及其对人们的行为、感觉和心理或情感健康的感知的冲击或显著影响。对抑郁症的准确且及时的诊断是重要的任务，这是因为抑郁症的常见症状和程度在人与人之间能够具有很大变化。抑郁症的早期阶段是特别真实的，在这时及时处理通常能够达到最好的结果。已经提出各种工作使用反映某个用户行为的公共可用数据来估计人具有抑郁症(的发作)的可能性。例如，使用社交媒体平台的研究显示抑郁的人a、利用社交媒体平台低于健康的人；b、更可能在深夜发送社交媒体消息；c、使用象征性词汇(反映常见症状的单词和反映情感或感觉的单词)以及d、具有小得多的社交网络。鉴于上述情况，存在除了身体健康之外，还将心跳信息关联至个体的情感健康或感觉的需要，但不需要个体用语言表达他/她在面对外界刺激时的感觉如何。还存在利用从个体社交媒体平台获得的信息补充心跳信息和其他身体信息以提供个体健康的总体指示的需要。因此，本发明的目的是至少部分满足上述需要。技术实现要素：本发明适合于(但不限于)处理个体的心跳信息，以便达到将所处理的心跳信息关联至个体情绪或感觉的目的。个体的心跳和情绪之间的关联性在本说明书中被称为“情绪心跳tm(sentibeattm)”。在实施例中，所分配的情绪心跳tm可以在针对在一组注册用户内分享情绪心跳tm所开发的社交网络heartitm内，和/或在诸如facebooktm或twittertm的不同社交网络之间分享。在另一实施例中，这种情绪可以被用于检测个体是否处于危险中，如果是这样，与个体的位置相关联的信息可以被自动路由至指定方。根据本发明的一个方面，提出一种用于处理心跳信息的方法，其包括以下步骤：-获得来自个体的心跳信息的数据集；根据心跳信息的所述数据集导出和/或计算至少一个心跳指数；并且，基于所述至少一个心跳指数来分配对个体的感觉或情感健康的指示。优选地，心跳信息包括下列中的至少一个：-在预定或规定持续时间内的心跳次数；在预定或规定持续时间内所记录的心跳强度；获得心跳数据时的地理位置；所获得的心跳的声音文件；当获得心跳数据时的时间；以及，在当获得心跳数据时的时间期间的日程表事件。优选地，至少一个心跳指数包括在规定持续时间内的心跳的最高次数；在规定持续时间内的心跳的最低次数；在规定持续时间内的心跳的平均次数；以及心跳模式的绘图。优选地，对个体的感觉或情感健康的指示基于视频、音频、单词、表情符号、图片或其任何组合。优选地，分配对个体的感觉或情感健康的指示的步骤基于心跳信息和至少一个心跳指数的组合。优选地，分配对个体的感觉或情感健康的指示的步骤基于将心跳信息和心跳指数与相同个体的先前经分配的感觉或情感健康进行比较。根据本发明的另一方面，提出一种用于处理心跳信息的系统，包括：心跳测量设备，其被布置为获得来自个体的心跳信息的数据集；处理器单元，其被布置在与所述心跳测量设备的数据通信中；处理器单元，其可操作用于从所获得的心跳信息的数据集中导出或计算至少一个心跳指数；并且，基于所述至少一个心跳指数来分配对个体的感觉或情感健康的指示。优选地，心跳信息包括下列中的至少一个：-预定或规定持续时间内的心跳次数；预定或规定持续时间内所记录的心跳强度；获得心跳数据时的地理位置；所获得的心跳的声音文件；当获得心跳数据时的时间；以及，在当获得心跳数据时的时间期间的日程表事件。优选地，所述至少一个心跳指数包括在规定持续时间内的心跳的最高次数；在规定持续时间内的心跳的最低次数；在规定持续时间内的心跳的平均次数；以及心跳模式的绘图。优选地，对个体的感觉或情感健康的指示基于视频、音频、单词、表情符号、图片或其任何组合。优选地，对个体的感觉或情感健康的指示基于心跳信息和至少一个心跳指数的组合来分配。优选地，对个体的感觉或情感健康的指示基于将心跳信息和心跳指数与相同个体的先前经分配的感觉或情感健康进行比较。根据本发明的另一方面，提出一种非暂态计算机可读介质，其存储软件指令，使得当所述软件指令被执行时，软件指令实施根据本发明的第一方面的方法。根据本发明的另一方面，提出一种用于提供对个体健康的指示的系统，包括：至少一个身体传感器，其可操作用于感测个体的身体属性；至少一个社交传感器，其可操作用于感测个体的社交特征；以及，特征提取器，其可操作用于从所述身体传感器和所述社交传感器提取一组相关信息，以形成用于训练和测试的特征向量或数据集。优选地，所述至少一个身体传感器包括心跳传感器。优选地，所述至少一个社交传感器包括与个体相关联的社交媒体帐户。优选地，所述特征向量经由机器学习算法被训练，以导出对个体健康的指示。优选地，在训练发生之前对所述特征向量进行预处理。附图说明为了使本发明可以更容易地理解并付诸实际，现在将针对附图做出参考，所述附图仅以范例方式示出了本发明的优选实施例，其中：图1图示了根据本发明的实施例的用于处理心跳信息的方法的高级别流程图；图2是根据本发明实施例的另一实施例的用于处理心跳信息的系统的方框图；图3图示了根据本发明的实施例的用于处理心跳信息的图2的系统的使用的逻辑流程图；图4a和4b是根据本发明的实施例的所获得的心跳信息如何可以被存储和分类为相关数据文件的范例；以及图5图示了用于处理信息以提供对个体的心理和/或情感健康的指示的系统的另一实施例。本发明的其它布置也是可能的，因此，附图不应被理解为代替本发明的说明书的一般性。具体实施方式根据本发明的实施例，提出用于处理心跳信息的方法100，包括以下步骤：-a.获得来自个体的心跳信息的数据集(步骤120)；b.根据心跳信息的所述数据集导出或计算至少一个心跳指数(步骤140)；并且c.基于所述至少一个心跳指数分配对所述个体的感觉或情感健康的指示(步骤160)。参考图1，所获得的心跳信息的数据集包括以下信息：-i.在预定或规定持续时间内的心跳次数。例如，所述预定或规定持续时间可以是三秒、六秒、十秒的时间间隔或更长的时间内；ii.在预定或规定持续时间内所记录的心跳强度(强度可以基于信号质量来计算)；iii.获得心跳数据的地理位置；iv.所获得的心跳的声音文件；v.获得心跳数据时的时间；以及vi.在获得心跳数据时的时间期间内的日程表事件，这种日程表事件可以包括音乐会、嘉年华、竞争比赛等。所获得的心跳信息的数据集随后被处理，以导出或计算至少一个心跳指数或心跳统计数值。统计数值可以包括(但不限于)：-在规定持续时间内的心跳的最高次数；在规定持续时间内的心跳的最低次数；在规定持续时间(例如每60秒)内的心跳的平均次数；以及心跳模式的绘图。一旦导出或计算心跳指数，心跳指数随后被用于提供心跳数据与针对心跳数据被获得的特定期间的个体的情感健康、感觉和/或情绪(统称为“情绪心跳”)之间的关联性。涉及情绪心跳的分配的关联性可以基于一个或多个视频、音频(音乐)文件、单词、表情符号、图片或上述组合的任何多媒体文件。作为范例，情绪心跳可以基于诸如“紧张”、“伤心”、“兴奋”、“恐惧”、“平静”、“愤怒”或由被分配了心跳信息的用户输入的任何其它感觉。在一些实施例中，情绪心跳可以包括定量测量，以形成例如70％兴奋、30％愤怒的情绪感受的组合和程度。情绪心跳被分配为“紧张”的用户可以选择视频、音乐、情感或图片来伴随所分配的单词“紧张”。包括上述的组合的多媒体文件也可以用于用户使用以从其进行选择。分配个体的“情绪心跳”的过程包括将心跳指数与由相同个体提供的情绪心跳的已构成的数据库260进行比较的步骤。在比较过程中，如果“待分配的”情绪心跳类似于现有的“情绪心跳”(即，例如相似性80％或更多)，则其将被分配给现有情绪心跳，诸如“愤怒”。在确定现有情绪心跳与“待分配的”情绪心跳之间的相似性的级别时，可以使用本领域技术人员公知的任何的标准相关性比较技术。如果“待分配的”情绪心跳不类似于已构成的数据库中的任何情绪心跳(即，例如相似性低于80％)，则需要用户或个体手动指定他/她的感觉或情绪。构成“情绪心跳”数据库的一种方法是通过迭代学习过程，其中，方法基于用户的输入将心跳指数关联至一种或多种“情绪”。方法基于已更新的信息来学习或校正经关联的映射。作为范例，与高强度相关联的相对多的心跳次数可以被分配为“兴奋”情绪心跳或“恐惧”情绪心跳。为了进一步区分“兴奋”或“恐惧”，可以利用心跳信息，诸如地理位置、该天的时间和/或心跳被记录期间的日程表事件。例如，当以个体的移动设备上的专用软件应用程序(俗称为“app”)的方式来实施的方法100读取当心跳模式被记录时，个体正在体育场(基于在googletm/appletm地图上提取的他的地理位置信息)观看“网球锦标赛”(基于他的移动设备的日程表事件)时，可以分配“兴奋”的情绪心跳。相似地，当软件“app”读取个体是在2300小时(基于当心跳被记录时捕捉的时间)上的“恐怖电影预览”(基于其移动设备日程表事件)时，可以分配“恐惧”的情绪心跳。如果软件由于缺乏数据不能够分配“兴奋”或“恐惧”情绪心跳，用户将被提示预定他/她的优选设置，例如总是选择“兴奋”多过“恐惧”，或者用户可以被提示为输入用于未来分类的情绪心跳。在一个实施例中，检测到的心跳和/或生成的“情绪心跳”可以被用作一种安全量度。具体地，如果诸如在规定持续时间内的心跳的平均次数的心跳统计数值呈现异常模式，即，如果心跳比个体的正常平均心跳超出50％，则可以生成警告信息并发送至与个体相关的一个或多个人。例如，如果幼儿穿戴具有软件指令安装在其上的方法100的可穿戴设备，当孩子遇到某种形式的危险，并且不能明确地表达自己时，他/她的心跳将通过心跳更快并更强而做出反应，从而落入“异常模式”的分类内。在这种情况下，已安装的软件将发出警报，并将警告消息(连同孩子的地理位置)至少发送至在可穿戴设备的设置过程中所预定的父母和/或护理人员。在一些实施例中，一旦情绪心跳已被分配，用户或个体可以选择在一个或多个社交网络上分享或显示这种信息，和/或存储该信息用于其未来参考(步骤180)。根据本发明的另一实施例，包括用于处理心跳信息的系统200。系统200包括心跳接收器或测量设备220，其可操作用于获得来自个体的在预定持续时间上的心跳信息。心跳信息以数据集的形式接收，包括i.在预定或规定持续时间内的心跳次数。例如，预定或规定持续时间可以是三秒、六秒或十秒时间间隔内；ii.在预定或规定持续时间内所记录的心跳强度(基于信号质量)；iii.获得心跳数据的地理位置；iv.所获得的心跳的声音文件；v.当获得心跳数据时的时间；以及vi.当获得心跳数据时的时间期间的日程表事件，这种日程表事件可以包括音乐会、嘉年华、竞争比赛等。所获得的心跳信息的数据集被发送至处理器240用于进一步处理。处理器240可操作用于实施如在先前实施例中所描述的步骤140和160，以达到分配或分类个体的情绪心跳的目的。心跳接收器或测量设备220可以是能够测量来自个体的心跳的任何设备。在一个实施例中，测量设备220可以是具有安装在其上的摄像头闪光灯功能的移动电话，以当个体的手指一旦被放置在移动电话的闪光灯上时获得心脏跳动测量和信息。有利的是，心跳接收器或测量设备220可以是具有定位在可穿戴设备上的心跳传感器的可穿戴设备，诸如可佩戴手表，以被动地获得个体的心跳数据。这种设备可以不需要个体主动将他或她的身体的一部分(例如，手指)定位至测量设备220上而进行工作。处理器240可以是能够处理电子数据的任何计算设备。有利的是，处理器240可以与测量设备220集成，以减少构成因子。处理器240可以是与包含个体的已分配情绪心跳tm数据的数据库260或存储库进行数据通信，以达到从个体接收的任何新的心跳信息的分类或分配进行参考的目的。参考图3，在使用中，心跳接收器220是空闲的(步骤302)，直到检测到个体的心跳，一旦检测到所述心跳，心跳接收器将“唤醒”和被激活(步骤304)。一旦被激活，心跳接收器220将开始获得心跳测量值(步骤306)。一旦接收针对预定的时间段或持续时间的心跳测量值，将获得相关数据集，生成心跳指数并与已构成的数据库进行比较(步骤308)。如果已构成的数据库包括与已经分配的情绪心跳类似的心跳模式(即，80％或更大的相似性)，则所获得的心跳测量值随后将被分配给情绪心跳并被显示(步骤310)。然而，如果在步骤308中的比较之后，如果心跳计数或心跳指数统计数值被认为不同于在“情绪心跳”数据库中的所有其它项，则将进一步检查心跳信息，以确定心跳模式是否如在之前的实施例中所描述的是异常的(步骤312)。如果确定心跳模式不是异常的，则个体将被请求/提示设置他的情绪/感觉，以与其获得的心跳信息相关联(步骤314)。如果心跳模式被认为是异常的，则向与个体相关的一个或多个体发送警告消息的程序将被启动(步骤316)。一旦显示情绪心跳(步骤310)，用户/个体将被提示他/她是否希望改变或更新所显示的情绪心跳(步骤318)。如果是，他将被带至步骤314。否则，所分配的情绪心跳将被存储(步骤320)，以与未来的心跳信息进行比较。用户还可以被提示他/她是否想要在一个或多个社交媒体上分享或发布情绪心跳(步骤322)，如果否，程序结束。如果用户希望发布或分享他的情绪心跳，则他将就被带到另一个用户界面，其中，他可以从多个社交媒体平台进行选择以发布/上传情绪心跳至该用户界面上(步骤324)。在本发明的另一实施例中，包括存储软件指令的非暂态计算机可读介质，使得当所述软件指令被执行时，所执行的软件指令通过激活心跳接收器至闲置状态来实施方法100，直到从个体接收心跳信息，其后，执行步骤120、140、160和/或180。非暂态计算机可读介质可以嵌入可穿戴设备或心跳监测器内。涉及用于处理心跳信息的系统和方法的上述实施例可以被补充或与其他信息集成，以导出对个体的心理或情感健康的指示。如形成另一个实施例的图5中所示，包括用于处理信息的系统500，以提供对个体的心理和/或情感健康的指示。系统500包括至少一个身体传感器502和至少一个社交传感器504，身体传感器502和社交传感器504与特征提取器510进行数据通信。特征提取器510可操作用于从身体传感器502和社交传感器504提取一组相关特征或信息，以达到形成用于训练和测试的特征向量或数据库的目的。为了训练和分类数据集的目的，特征提取器510与一个或多个处理器520进行数据通信，以便导出个体的心理或情感健康的一个或多个指标。为了训练和分类特征向量的目的，处理器520可以包括已构成的数据库260。至少一个身体传感器502可操作用于感测个体的身体属性。身体传感器502可以包括心跳传感器、心跳监测器和或具有诸如gps传感器的基于位置的传感器的其他可穿戴设备、诸如回旋仪的运动传感器、和诸如相机的成像传感器、或上述的任何组合。至少一个身体传感器502可操作用于测量一个或多个个体的身体属性，诸如但不限于心跳、体温、活动水平、地理位置等。至少一个社交传感器504包括可从诸如facebooktm和/或twittertm的个体社交媒体平台提取的个人信息。社交传感器还可以包括与个体的活动或对于个体不是特定的或者非个人的公共事件相关的日程表事件。形成传感器值的可提取信息将因此包括tweetstm、facebooktm状态消息和/或在日历中的条目。社交传感器504还可以包括由个体访问的网站或统一资源定位符(url)、访问的频率或者在任何社交媒体上回应他人的状态消息所发布的个体的任何评论。为了达到训练并最终分类特征数据集的目的，一个或多个处理器520可以包括用于评估、优化和分类特征数据集的机器学习模块522。机器学习模块522还可以包括处理和训练作为输入的用于获得的个体健康指示的特征向量的算法，作为输出。这种算法包括支持向量机器(svm)、k最近邻(k-nn)算法、逻辑回归、深度学习和/或本领域普通技术人员已知的其它组合或基于监督学习的算法。来自至少一个身体传感器502和至少一个社交传感器504的数据的收集可以经由安装在诸如智能电话、智能手表的移动或可佩戴设备上的专用软件应用程序(俗称为“app”)来完成。app可以被安装在非暂态计算机可读介质上，并且包括用于提取特征向量的必要的逻辑，这将被进一步阐述。接下来将在其操作背景下描述实施例。来自至少一个身体传感器502和至少一个社交传感器504的信息被选择性地提取，以形成一组特征向量。特征向量应当是在对于系统试图提供指示的个体健康的类型的背景下是有意义的。特征向量指定用于学习和/或训练处理的一组特征。特征是描述输入数据的更高级别的特性。为了示出相同的特征，与诸如tweettm的社交传感器相关联的特征信息可以是i.追随者的数量；ii.发微博的数量；重要的是识别用于训练的“好”的特征组，使得在特征向量(输入)与所导出的对健康的指示(输出)之间存在关联性。作为反例，对于决定用户是否在感情上是健康的或者有抑郁症的风险，twitter用户的星座不可能是有用的特征。此外，重要的是考虑特征/信息的最佳量，因为考虑过多的特征可能增加过度训练分类器的风险，即，分类器在训练和测试数据上执行地很好，但在新的、未知数据上执行得不够好。此外，特征的数量和类型影响系统的性能，继而影响用于特征提取和学习过程的运行时间。从与个体(比如说萨曼莎)相关联的身体传感器和社交传感器获得的相关信息的案例可以是如下的：-(i)三个使用过的单词，包括所识别的情感/感情单词：“新加坡”、“太兴奋了”、“看到14的硬币”(ii)已使用的图片和/或诸如表情符号或表情符的字符的数量和类型：4；(iii)消息的时间和频率(人一天内发送并接收在平均88条消息；(iv)在某个时间的实际心跳模式：例如每分钟90次跳动；(v)在该时间上的日程表事件：“与老板开会”(vi)在该时间上的地理信息：“办公室”作为对心理健康的指标的范例，抑郁症和影响用户健康的其他心理疾病是不可能与直接明了的模式明确相关联的。因此，重要的是选择准确导出健康的指标的特征向量。这包括哪些类型的特征对于检测这些模式是最有用的并不是显而易见的，注意，“坏”的特征将通过潜在地检测误导模式对学习过程产生负面影响。与系统500相关联的优点在于不同类型的传感器数据(包括身体的和社交的)的有意义的整合，以找到有用的模式和关联性。例如，当从个体的心脏速率传感器在其自身中获得的心脏速率可能不是非常有用的量度时，与个体的活动水平或他或她在twittertm或facebooktm上写的内容有关的社交传感器信息相组合，心脏速率对于访问或重新访问例如从社交传感器中的一个获得的社交网络信息(例如，微博)的情绪能够是强有利的手段。所收集的数据的不同类型和所获得的数据的多维性质需要多种不同的数据分析工具，以获得用于训练的特征向量。这种分析可以被视为在训练之前发生的“训练前”分析或输入数据分析。这种“训练前”分析包括但不限于下列：-(a)时间序列分析-更通常地，诸如已发布的社交消息(例如tweetstm)的数量或者所使用的开心/悲伤情绪图标(“表情符号”)的数量的社交传感器数据是有用的指标，但可能会随时间而改变。随着一段时间监测这种改变能够引起长期趋势以及突然的峰值，这种转换能够与在一个人的环境中的事件或变化相关联。(b)社交网络分析-社交网络分析涉及个体如何被深深地嵌入在社交图线中，社交图线可以是他或她的社交参与的指标。这种分析包括诸如朋友(或微博上的追随者)数量的简单的度量，以及需要更复杂的网络分析技术来计算在社交网络中的节点之间的相似性的度量。例如，抑郁的人往往可能与其他抑郁的人进行互动。除了这种网络结构，社交网络分析还调查信息在网络内如何流动，即，人们是否以及如何回复或转发来自他人的消息。(c)语言分析-这种分析包括整个社交消息的长度；单个句子的长度；以及所使用的词汇。这还包括分析一个人的社交消息是否例如大多以自我为中心的，即，与人谈论关于他或她自己，这可以是在抑郁的人中经常观察到的现象。语言分析是自然语言处理(nlp)的广泛研究的一部分。(d)情绪分析-可以与语言分析相关联，但通常被视为其自身任务的是情绪分析。最常见地，情绪分析作为nlp任务来处理，其评估情绪的用途，携带单词或其他文本标记，诸如文本表情符号、“表情符”，但也可以是标点符号。尽管从身体传感器和社交传感器二者中提取的数据通常可以是噪声，与个体社交传感器值相比较，身体传感器可以产生相对无偏差的测量值。此外，尽管利用与每个个体相关联的个性化数据，但潜在地影响个体心情的诸如与当前发生的事情(例如，节日、公共假日)有关的信息或天气数据的公共数据也可以被利用。作为案例，包括用于从社交传感器提取预处理社交信息的各种方法。例如，在辞典(词典)内的词语可以根据将要导出的健康指标的类型被分配情绪分数。这可以是以在下表1中示出的形式，其中示出了以字母“a”开头的单词的范例：表1:以字母“a”开头的单词和分数的范例单词/短语分数冒险2爱冒险的2受到影响的-1影响3深情的3受折磨的-1被冒犯的-1对于每个单词或短语的变型可以被创建为考虑印刷错误。这些被输入，以考虑到在社交网络消息中越来越普遍，尤其是在年轻人中间的口语化、拼写错误和/或插入在单词或短语内的/与单词或短语相组合的符号。可以与上述辞典方法相结合或补充来利用的另一个方法将会是利用关键字的公开可用的数据集/数据库，诸如tweetstm，作为用于分类的数据库。这种微博的公开可用的数据库已经被注释，并且在辞典或词典中的词汇可以与在数据库中的单词进行比较。应当理解，不同的特征集合、学习算法和数据清洁/预处理步骤可以被利用并被组合。具体地，所导出的情绪分数能够是用于分类数据库的新特征。应当理解，用于提供个体心理健康的窥见(即人类分析)的社交传感器的分析涉及由跨越不同领域的主观性和变体元素引起的一定的挑战。具体地，存在两种主要挑战。首先，包括各种相关但不同的研究领域。其次，在这些领域中的核心任务通常不允许返回所要求的结果的算法的直接明了的实现。这些任务之间的常见方案是在从人的个体的或所收集的行为所导出数据内的模式的识别。解决这些问题的常用解决方案是机器学习(ml)。简而言之，ml算法作用于大量数据集，以揭示潜在的模式和流程。例如，给定来自患有抑郁症的人群以及来自健康人群的大量样本的足够的行为数据，被监督的学习算法目的是识别最可能指示每个组的数据中的特征。然后，给定未知人的行为数据，机器学习算法能够预测这个人是否可能是健康的，或者可能患有抑郁症，作为对健康或不健康的指示。还应当理解，上述实施例仅通过本发明的范例的方式来提供，对其进行的其他修改和改进，如本领域普通技术人员所显而易见的一样，被认为落入本文中所描述的本发明的宽范围内及周围。具体地，虽然已在处理和分类个体心跳信息的实施例的上下文中描述了实施例，但本发明可以容易地扩展至分类多个个体，每个个体具有带有数据库260的帐户。在这种情况下，数据库260还用作帐户数据库。还应当理解，尽管本发明覆盖各个实施例，它也包括所讨论的实施例的组合。因此，在与另一个实施例中描述的特征不互相排斥的一个实施例中描述的特征可以被组合为形成本发明的其他实施例。当前第1页12