本发明实施例涉及计算机数据处理领域,尤其涉及一种基于医疗知识图谱的处方评价方法、系统、计算机设备及计算机可读存储介质。
背景技术:
处方点评是近年发展起来的用药监管模式,是医院将医生处方用药过程中对临床处方进行综合统计分析,从不同层面和不同角度反映医疗机构处方工作的整体和细分情况,为医疗机构管理层进行决策提供科学的数据支持,以达到合理用药,用药监测、管理的目的。
目前市面上的处方点评系统是基于大量规则制定的。因此,需要配置和维护处方点评规则库,并基于该处方点评规则库的规则来判断医生给出的处方是否合理。然而,药品种类、疾病种类等异常繁多,尤其是随着药品种类的日益增加,想要得到高精度的点评结果,处方点评规则库中的规则句式量可能成指数级增长,且即使写了足够多的规则,准确率也不一定提升。因为每条规则都有其适应条件,当数量到了一定程度之后,就会不可避免的存在大量的冲突。最后冲突带来的准确率的损失,已经抵消规则数量带来的准确率的提升了。另外,如果使用基于规则的方法,当准确率和召回率到达一个瓶颈的时候,增加一条规则或改动一条规则所牵扯到是数据很多,这个过程很耗时。
可知,上述处方点评系统的处方数据分析准确率不高,且大量规则的增长会为计算机设备带来较高的运行负担和维护成本。
技术实现要素:
有鉴于此,本发明实施例的目的是提供一种基于医疗知识图谱的处方评价方法、系统、计算机设备及计算机可读存储介质,用于解决现有处方点评系统的以下问题:处方数据分析准确率不高,大量规则的增长为计算机设备带来较高的运行负担和维护成本。
为实现上述目的,本发明实施例提供了一种基于医疗知识图谱的处方评价方法,所述方法包括:
获取医生开具的电子处方信息,所述电子处方信息包括患者信息和用药信息;
从所述电子处方信息中提取n个目标数据;
将所述n个目标数据输入到知识表示模型中,得到n*d维词向量矩阵,其中每个目标数据映射为一个d维词向量;
将所述n*d维词向量矩阵输入到卷积神经网络模型中,通过所述卷积神经网络模型输出分类向量,所述分类向量包括多个向量参数,每个向量参数用于表示预设多个用药类别中的其中一个用药类别的预测概率;
根据所述分类向量从多个用药类别中筛选出至少一个目标用药类别;及
根据所述目标用药类别以及预先配置的医疗知识图谱输出处方点评数据。
优选地,获取医生开具的电子处方信息的步骤,包括:
获取医生传输的电子处方表单,所述电子处方表单包括多个字段;及
解析所述电子处方表单以得到结构化数据。
优选地,从所述电子处方信息中提取n个目标数据的步骤,包括:
根据预设置的多个字段名称,从所述结构化数据中查找所述多个目标字段;
从所述多个目标字段中获取对应的所述n个目标数据。
优选地,所述多个目标字段包括多个第一类目标字段,所述多个第一类目标字段包括患者诊断信息字段和处方药品信息字段,每个第一类目标字段分别关联有一个或多个分词词库;
从所述多个目标字段中获取对应的目标数据的步骤,包括:
获取每个第一类目标字段的字段文本信息;
根据每个第一类目标字段分别关联的一个或多个分词词库,对所述每个第一类目标字段的字段文本信息进行分词操作,以得到多个分词;
其中,所述多个分词为所述n个目标数据中的部分目标数据。
优选地,还包括预先训练所述知识表示模型的步骤:
采集医疗数据库中的医疗数据,所述医疗数据包括多个训练数据;
根据所述多个训练数据定义由多个三元组组成的训练集;及
基于所述训练集对应所述知识表示模型进行训练,得到每个训练数据和关系在向量空间中的映射向量。
优选地,还包括预先配置医疗知识图谱的步骤:
采集医疗数据库中的医疗数据,根据所述医疗数据构建医疗知识图谱;
其中,所述医疗知识图谱包括多个节点的节点信息以及各个节点之间的关系信息;所述多个节点包括:疾病、症状、病毒、细菌、化学物质、药品、身体部位、人群;所述各个节点之间的关系信息包括:药品和疾病之间适应关系或禁忌关系、药品和药品之间的相互作用关系、病毒细菌和疾病的致病病因关系、药品和人群的适应关系或禁忌关系、各个疾病之间的并发症关系。
优选地,所述多个用药类别包括:重复用药、用药中药物相互作用、用药禁忌、用药副作用、安慰剂和处方合理;根据所述目标用药类别以及预先配置的医疗知识图谱输出处方点评数据的步骤,包括:
如果所述目标用药类别为处方合理,生成用药合理的点评内容;
如果所述目标根据类别为以下一种或多种:重复用药、用药中药物相互作用、用药禁忌、用药副作用和安慰剂,根据所述目标用药类别以及所述电子处方信息中的诊断信息和用药信息,从所述医疗知识图谱中查找到对应的关联内容,并根据所述关联内容生成相应的点评内容。
为实现上述目的,本发明实施例还提供了一种基于医疗知识图谱的处方评价系统,包括:
获取模块,用于获取医生开具的电子处方信息,所述电子处方信息包括患者信息和用药信息;
提取模块,用于从所述电子处方信息中提取n个目标数据;
词向量获取模块,用于将所述n个目标数据输入到知识表示模型中,得到n*d维词向量矩阵,其中每个目标数据映射为一个d维词向量;
预测模块,用于将所述n*d维词向量矩阵输入到卷积神经网络模型中,通过所述卷积神经网络模型输出分类向量,所述分类向量包括多个向量参数,每个向量参数用于表示预设多个用药类别中的其中一个用药类别的预测概率;
筛选模块,用于根据所述分类向量从多个用药类别中筛选出至少一个目标用药类别;及
输出模块,用于根据所述目标用药类别以及预先配置的医疗知识图谱输出处方点评数据。
为实现上述目的,本发明实施例还提供了一种计算机设备,所述计算机设备存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如上所述的处方评价方法的步骤。
为实现上述目的,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序可被至少一个处理器所执行,以使所述至少一个处理器执行如上所述的处方评价方法的步骤。
本发明实施例提供的基于医疗知识图谱的处方评价方法、系统、计算机设备及计算机可读存储介质,基于知识表示模型获取电子处方信息的词向量矩阵,并将词向量矩阵输入到卷积神经网络模型中输出分类向量,根据分类向量目标用药类别,进而根据目标用药类别从医疗知识图谱中查找对应的用药错误的原因所在。通过卷积神经网络预测电子处方信息的用药问题,具有很高的预测精度,且避免了传统处方点评系统所需制定的大量规则,从而降低了计算机设备的运行负担和维护成本。
附图说明
图1为本发明基于医疗知识图谱的处方评价方法实施例一的流程图。
图2为本发明基于医疗知识图谱的处方评价系统实施例二的程序模块示意图。
图3为本发明计算机设备实施例三的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
以下实施例将以计算机设备2为执行主体进行示例性描述。
实施例一
参阅图1,示出了本发明实施例一之基于医疗知识图谱的处方评价方法的步骤流程图。可以理解,本方法实施例中的流程图不用于对执行步骤的顺序进行限定。具体如下。
步骤s100,获取医生开具的电子处方信息,所述电子处方信息包括患者信息和用药信息。
在示例性的实施例中,所述患者信息包括患者姓名、年龄、性别、过敏信息、怀孕信息、诊断信息等,所述用药信息包括药品名称、规格、数量和用法用量。
在示例性的实施例中,步骤s100具体可以包括子步骤s100a和s100b:
步骤s100a,获取医生传输的电子处方表单,所述电子处方表单包括多个字段。这些字段根据《处方管理办法》的书写规则而定义,用于采集所述电子处方信息。所述多个字段的字段种类可以包括文本框、复选框、单选框、下拉选择框等。
步骤s100b,解析所述电子处方表单,得到结构化数据。
步骤s102,从所述电子处方信息中提取n个目标数据。
在示例性的实施例中,步骤s102具体可以包括子步骤s102a和s102b。
步骤s102a,根据预设置的多个字段名称,从所述结构化数据中查找所述多个目标字段;
步骤s102b,从所述多个目标字段中获取对应的所述n个目标数据。
当某个目标字段中具有较长的文本信息时,如用于收集患者诊断信息的目标字段中具有较长的诊断信息时,或者用于收集处方药品信息的目标字段中具有两个以上的药品信息时,则需要分词操作。
在示例性的实施例中,可以将所述多个目标字段分为多个类别,例如第一类目标字段、第二类目标字段、…。其中,第一类目标字段可以为用户或医生填写的具有一定字符长度的目标字段。举例而言,所述多个第一类目标字段可以包括患者诊断信息字段和处方药品信息字段。每个第一类目标字段分别关联有相应的一个或多个分词词库。
步骤s102b可以具体包括如下步骤:
步骤1,获取每个第一类目标字段的字段文本信息;
步骤2,根据每个第一类目标字段分别关联的一个或多个分词词库,对所述每个第一类目标字段的字段文本信息进行分词操作,以得到多个分词;
其中,所述多个分词为所述n个目标数据中的部分目标数据。
不难理解,为每个第一类目标字段配置对应的一个或多个分词词库,可以有效提升每个第一类目标字段的字段文本信息的分词精度。
步骤s104,将所述n个目标数据输入到知识表示模型中,得到n*d维词向量矩阵,其中每个目标数据映射为一个d维词向量。n和d均为大于1的正整数。
具体的,将所述n个目标数据定义为n个目标实体,基于预先配置的知识表示模型为每个目标实体匹配一目标实体对象集合,每个目标实体对象集合包括与相应目标实体之间具有目标关系的所有目标实体对象。
所述知识表示模型可以采用transe、transh、transr、deepwalk等。
在示例性的实施例中,还包括预先训练所述知识表示模型的步骤,具体如下:
采集医疗数据库中的医疗数据,所述医疗数据包括多个训练数据;
根据所述多个训练数据定义由多个三元组组成的训练集;及
基于所述训练集对应所述知识表示模型进行训练,得到每个训练数据和关系在向量空间中的映射向量。
步骤s106,将所述n*d维词向量矩阵输入到卷积神经网络模型中,通过所述卷积神经网络模型输出分类向量。
所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax层。
在示例性的实施例中,所述步骤s106可以包括步骤s106a和s106b。
步骤s106a,通过卷积层对所述n*d维词向量矩阵执行卷积操作,得到m个卷积特征图,所述卷积层包括m个f*d的卷积核。
所述卷积层包括若干个步长为1的f*d的卷积核,通过该卷积层对n*d维词向量矩阵做卷积操作,以得到若干个(l-f+1)*1的卷积特征图。即,每个卷积特征图的宽度为1,长度为l-f+1。卷积核的长度为f,分词数量为l个。
卷积特征图中的(l-f+1)*1个元素,计算公式如下:
所述卷积层包括若干个步长为1的f*d的卷积核,通过该卷积层对n*d维词向量矩阵做卷积操作,以得到若干个(l-f+1)*1的卷积特征图。即,每个卷积特征图的宽度为1,长度为l-f+1。卷积核的长度为f,分词数量为l个。
卷积特征图中的(l-f+1)*1个元素,计算公式如下:
cij=f(wij⊙mi+bi)
其中,cij为第i个特征卷积图中的(l-f+1)中的第j个元素的特征值,wij为对应第i个卷积特征图的被卷积核所覆盖到的词向量矩阵,⊙表示矩阵相乘,mi为用于计算第i个卷积特征图的卷积核,bi为用于计算第i个卷积特征图的偏置项,f为非线性的激活函数,如relu函数。
步骤s106b,对所述m个卷积特征图经过池化层、全连接层和softmax层,通过所述softmax层输出分类向量;
所述分类向量包括多个向量参数,每个向量参数用于表示预设多个用药类别中的其中一个用药类别的预测概率。
具体的,用药类别包括,但不限于:1.重复用药【适应症重复多个药具有相同功效】;2.用药中药物相互作用;3用药禁忌;4,用药副作用;5.安慰剂【所开药品中有对疾病无效的】;6处方合理。
步骤s108,根据所述分类向量从多个用药类别中筛选出至少一个目标用药类别。
例如,筛选出预测概率大于预设阈值的一个或多个用药类别,并将该筛选出的一个或多个用药类别作为目标用药类别。
步骤s110,根据所述目标用药类别以及预先配置的医疗知识图谱输出处方点评数据。
在示例性的实施例中:
(1)如果所述目标用药类别为处方合理,生成用药合理的点评内容;
(2)如果所述目标根据类别为以下一种或多种:重复用药、用药中药物相互作用、用药禁忌、用药副作用和安慰剂,根据所述目标用药类别以及所述电子处方信息中的诊断信息和用药信息,从所述医疗知识图谱中查找到对应的关联内容,并根据所述关联内容生成相应的点评内容。
举例而言,当目标用药类别为“处方中有药物相互作用”,则根据所述目标用药类别从医疗知识图谱中查找电子处方信息中的各处方药品之间相互作用关系,并根据所述相互作用关系生成点评内容,并将生成的点评内容输出到前端设备,如医生的电脑上。
在示例性的实施例中,还包括预先配置医疗知识图谱的步骤:采集医疗数据库中的医疗数据,根据所述医疗数据构建医疗知识图谱。
其中,所述医疗知识图谱包括多个节点的节点信息以及各个节点之间的关系信息;所述多个节点包括:疾病、症状、病毒、细菌、化学物质、药品、身体部位、人群;所述各个节点之间的关系信息包括:药品和疾病之间适应关系或禁忌关系、药品和药品之间的相互作用关系、病毒细菌和疾病的致病病因关系、药品和人群的适应关系或禁忌关系、各个疾病之间的并发症关系。
为了使得本发明更加清晰明白,以下提供一个具体示例:
某一处方表单中部分数据如下:诊断:高血压;开药:盐酸二甲双胍肠溶片xx盒xxg,盐酸二甲双胍缓释片xx盒xxg;
1)从该处方表单中提取n个目标数据,如:高血压、盐酸二甲双胍肠溶片、盐酸二甲双胍缓释片;
2)将高血压、盐酸二甲双胍肠溶片、盐酸二甲双胍缓释片通过transe得到3*128维词向量矩阵,即高血压、盐酸二甲双胍肠溶片、盐酸二甲双胍缓释片分别被映射为一个128维词向量;
3)通过卷积层对所述3*128维词向量矩阵执行卷积操作,得到1个卷积特征图,所述卷积层包括1个1*128的卷积核;
4)所述m个卷积特征图经过池化层、全连接层和softmax层,由所述softmax层输出分类向量,分类向量向包括6种用药类别的预测概率,如输出的分类向量为(0.98,0.66,0.50,0.91,0.69,0.66),则表示:
1,重复用药,预测概率为0.98;
2,用药中药物相互作用,预测概率为0.66;
3,用药禁忌,预测概率为0.50;
4,用药副作用,预测概率为0.91;
5,安慰剂,预测概率为0.69;
6,处方合理,预测概率为0.66;
5)判断每个用药类别的预测概率是否超过预设阀值,将超过预设阀值的用药类别确定为与所述处方表单关联的目标用药类别;
假设,将预设阈值设置为0.95,则“用药中药物相互作用”被确定为目标用药类别;
当然所述预设阀值也可以被定义为其他值,如将预设阀值设置为0.90,则“用药中药物相互作用”和“用药副作用”均被确定为目标用药类别;
6)根据所述目标用药类别查找医疗知识图谱,并根据查找到的目标内容生成点评内容。
根据“重复用药”从医疗知识图谱中的查找盐酸二甲双胍肠溶片和盐酸二甲双胍缓释片,并生成“重复用药”的点评内容推送到前端,示例性的,该点评内容包括:上述两个药品适应症,并标明为用药类别:重复用药。
需要说明的是,根据上述流程从医疗知识图谱中查找上述两种药品的信息及相互作用关系,而非一开始就根据处方数据从医疗知识图谱中查找,其原因在于:各种药品种类繁多且各种互相关系复杂,某个病由细菌引起,而医生开了两个药,两个药分别对这种病有不同功效,不属于重复用药类别,但是其中有一种药会对免疫系统起抑制作用,而免疫系统能对抗此病菌,根据处方数据直接从医疗知识图谱中查找,具有非常大的查找难度,且查找效率低。
实施例二
请继续参阅图2,示出了本发明基于医疗知识图谱的处方评价系统实施例二的程序模块示意图。在本实施例中,处方评价系统20可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述处方评价方法。本发明实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述处方评价系统20在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
获取模块200,用于获取医生开具的电子处方信息,所述电子处方信息包括患者信息和用药信息。
在示例性的实施例中,所述获取模块200,还用于:获取医生传输的电子处方表单,所述电子处方表单包括多个字段;及解析所述电子处方表单以得到结构化数据。
提取模块202,用于从所述电子处方信息中提取n个目标数据。
在示例性的实施例中,所述提取模块202,还用于:根据预设置的多个字段名称,从所述结构化数据中查找所述多个目标字段;从所述多个目标字段中获取对应的所述n个目标数据。
在示例性的实施例中,所述多个目标字段包括多个第一类目标字段,所述多个第一类目标字段包括患者诊断信息字段和处方药品信息字段,每个第一类目标字段分别关联有一个或多个分词词库。所述提取模块202,还用于:获取每个第一类目标字段的字段文本信息;根据每个第一类目标字段分别关联的一个或多个分词词库,对所述每个第一类目标字段的字段文本信息进行分词操作,以得到多个分词;其中,所述多个分词为所述n个目标数据中的部分目标数据。
词向量获取模块204,用于将所述n个目标数据输入到知识表示模型中,得到n*d维词向量矩阵,其中每个目标数据映射为一个d维词向量。
预测模块206,用于将所述n*d维词向量矩阵输入到卷积神经网络模型中,通过所述卷积神经网络模型输出分类向量,所述分类向量包括多个向量参数,每个向量参数用于表示预设多个用药类别中的其中一个用药类别的预测概率。
筛选模块208,用于根据所述分类向量从多个用药类别中筛选出至少一个目标用药类别。
输出模块210,用于根据所述目标用药类别以及预先配置的医疗知识图谱输出处方点评数据。
在示例性的实施例中,所述多个用药类别包括:重复用药、用药中药物相互作用、用药禁忌、用药副作用、安慰剂和处方合理。输出模块210,还用于:如果所述目标用药类别为处方合理,生成用药合理的点评内容;如果所述目标根据类别为以下一种或多种:重复用药、用药中药物相互作用、用药禁忌、用药副作用和安慰剂,根据所述目标用药类别以及所述电子处方信息中的诊断信息和用药信息,从所述医疗知识图谱中查找到对应的关联内容,并根据所述关联内容生成相应的点评内容。
在示例性的实施例中,还包括图谱配置模块212,用于预先配置医疗知识图谱:采集医疗数据库中的医疗数据,根据所述医疗数据构建医疗知识图谱。其中,所述医疗知识图谱包括多个节点的节点信息以及各个节点之间的关系信息;所述多个节点包括:疾病、症状、病毒、细菌、化学物质、药品、身体部位、人群;所述各个节点之间的关系信息包括:药品和疾病之间适应关系或禁忌关系、药品和药品之间的相互作用关系、病毒细菌和疾病的致病病因关系、药品和人群的适应关系或禁忌关系、各个疾病之间的并发症关系
在示例性的实施例中,还包括模型训练模块214,用于先训练所述知识表示模型:采集医疗数据库中的医疗数据,所述医疗数据包括多个训练数据;根据所述多个训练数据定义由多个三元组组成的训练集;及基于所述训练集对应所述知识表示模型进行训练,得到每个训练数据和关系在向量空间中的映射向量。
实施例三
参阅图3,是本发明实施例三之计算机设备的硬件架构示意图。本实施例中,所述计算机设备2是一种能够按照事先设定或者存储的指令,自动进行数值计算和/或信息处理的设备。该计算机设备2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。如图所示,所述计算机设备2至少包括,但不限于,可通过系统总线相互通信连接存储器21、处理器22、网络接口23、以及处方评价系统20。其中:
本实施例中,存储器21至少包括一种类型的计算机可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备2的内部存储单元,例如该计算机设备2的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备2的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(smartmediacard,smc),安全数字(securedigital,sd)卡,闪存卡(flashcard)等。当然,存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件,例如实施例五的处方评价系统20的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(centralprocessingunit,cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备2的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行处方评价系统20,以实现实施例一的处方评价方法。
所述网络接口23可包括无线网络接口或有线网络接口,该网络接口23通常用于在所述计算机设备2与其他电子装置之间建立通信连接。例如,所述网络接口23用于通过网络将所述计算机设备2与外部终端相连,在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(intranet)、互联网(internet)、全球移动通讯系统(globalsystemofmobilecommunication,gsm)、宽带码分多址(widebandcodedivisionmultipleaccess,wcdma)、4g网络、5g网络、蓝牙(bluetooth)、wi-fi等无线或有线网络。
需要指出的是,图3仅示出了具有部件20-23的计算机设备2,但是应理解的是,并不要求实施所有示出的部件,可以替代的实施更多或者更少的部件。
在本实施例中,存储于存储器21中的所述处方评价系统20还可以被分割为一个或者多个程序模块,所述一个或者多个程序模块被存储于存储器21中,并由一个或多个处理器(本实施例为处理器22)所执行,以完成本发明。
例如,图2示出了所述实现处方评价系统20实施例二的程序模块示意图,该实施例中,所述基于处方评价系统20可以被划分为获取模块200、提取模块202、词向量获取模块204、预测模块206、筛选模块208、输出模块210、图谱配置模块212和模型配置模块214。其中,本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述所述处方评价系统20在所述计算机设备2中的执行过程。所述程序模块200-214的具体功能在实施例二中已有详细描述,在此不再赘述。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储处方评价系统20,被处理器执行时实现实施例一的处方评价方法。
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。
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。