一种数据挖掘系统、方法及装置与流程

1.本发明涉及数据挖掘技术领域，尤其涉及一种数据挖掘系统、方法及装置。


背景技术：

2.在目前的医疗服务中，将患者分配到正确的科室是比较费时费力的，需要专业的医护人员作为导诊员根据每名患者的病情描述为患者分配相应的科室。但大多数就诊患者不能准确表述病情，只能简单描述发病情况，常常出现一名患者在多个科室就诊后才确定正确就诊科室的情况，从而耽误治疗，严重者甚至出现因治疗方向错误危及生命的情况。
3.综上所述，本发明提供一种数据挖掘系统、方法及装置以解决现有技术存在之问题。
4.此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于申请人做出本发明时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本发明不具备这些现有技术的特征，相反本发明已经具备现有技术的所有特征，而且申请人保留在背景技术中增加相关现有技术之权利。


技术实现要素：

5.针对现有技术之不足，本发明提供了一种数据挖掘方法。所述数据挖掘方法至少包括获取历史医疗数据对记忆网络模型进行训练实现科室分类模型的建立和更新。科室分类模型的建立和更新至少包括以下步骤：将所述历史病情描述输入到记忆网络模型中进行训练，得到该所述历史病情描述对应各个科室的概率；评估记忆网络模型的训练效果，并且根据评估结果判定是否停止训练；在评估结果是无效训练的情况下，判定结果是重新训练，更新所述记忆网络模型的参数，以进行下一次训练；在评估结果是良好训练的情况下，判定结果是停止训练，将当前的记忆网络模型生成所述科室分类模型。
6.根据一种优选实施方式，所述数据挖掘方法获取并汇总历史医疗数据。所述历史医疗数据包括历史病情描述和对应的历史科室。所述数据挖掘方法根据所述历史医疗数据对记忆网络模型进行训练，得到所述科室分类模型。
7.根据一种优选实施方式，所述数据挖掘方法通过引导患者点选预设词条以获得符合医学术语表达的患者病情描述。
8.根据一种优选实施方式，所述数据挖掘方法将符合医学术语表达的患者病情描述输入所述科室分类模型得到相应科室，以进行患者就医的自动分诊。
9.根据一种优选实施方式，所述科室分类模型通过对历史医疗数据进行训练，使得历史病情描述与对应的历史科室建立起病情描述词库。所述病情描述词库能够为所述数据挖掘方法对患者的指引提供词汇数据支持，从而使得患者为表达自身就医目的而点选的预设词条符合医学术语。
10.根据一种优选实施方式，数据挖掘方法采集患者对病情的非医学术语性描述，并将同一病情的非医学术语性描述与医学术语性描述建立映射关系。在指引患者点选的预设
词条以描述患者病情的情况下，对于同一病情数据挖掘方法向患者提供的预设词条包括非医学术语性描述和/或医学术语性描述。在患者点选非医学术语性描述和/或医学术语性描述的情况下，所述数据挖掘方法将相应的医学术语性描述传输至所述科室分类模型，以确定患者就诊科室。优选地，在指引患者描述自身病情的过程中，非医学术语性的词条能够便于患者理解。优选地，在患者点选非医学术语性描述和/或医学术语性描述的情况下，所述数据挖掘方法仅将相应的医学术语性描述传输至所述科室分类模型，较将非医学术语性描述和医学术语性描述都传输至所述科室分类模型处理的方式，能够有效减少处理数据量，从而提高所述科室分类模型的处理效率，并且采用医学术语性描述能够增加所述科室分类模型分类结果的准确率。
11.根据一种优选实施方式，所述数据挖掘方法根据患者就医目的之实现是否需要专业医务人员参与将患者就医目的分为需要专业医务人员参与的一类目的和无需专业医务人员参与的二类目的。在患者就医目的为一类目的的情况下，所述数据挖掘方法通过指引患者点选的预设词条，以获得患者病情描述，并将所述患者病情描述输入到科室分类模型中得到相应科室。
12.本发明还提供一种数据挖掘装置。所述数据挖掘装置至少包括：训练模块、评估模块、调整模块、生成模块、储存模块和传输模块。所述训练模块，用于将历史病情描述输入到记忆网络模型中进行训练，得到该所述历史病情描述对应各个科室的概率。所述评估模块，用于评估所述训练模块的训练效果，并且根据评估结果判定是否停止训练。所述调整模块，用于在所述评估模块判定结果是重新训练的情况下，更新所述记忆网络模型的参数，以进行下一次训练。所述生成模块，用于在所述评估模块判定结果是停止训练的情况下，将当前的记忆网络模型生成科室分类模型。所述储存模块，用于储存历史医疗数据。所述传输模块，将患者的病情描述发送至所述科室分类模型，并返回所述科室分类模型的分类结果。
13.本发明还提供一种数据挖掘系统。该系统至少包括用户端、医务端和服务器。所述用户端能够获取患者的病情描述并上传至所述服务器。所述医务端能够将历史医疗数据上传至所述服务器。优选地，历史医疗数据包括历史病情描述和对应的历史科室。所述服务器基于所述历史医疗数据建立科室分类模型，并将所述病情描述输入所述科室分类模型以确定相应科室。所述服务器至少包括：训练模块、评估模块、调整模块、生成模块、储存模块和传输模块。所述训练模块，用于将所述历史病情描述输入到所述记忆网络模型中，得到该所述历史病情描述对应各个科室的概率。所述评估模块，用于评估所述训练模块的训练效果，并且根据评估结果判定是否停止训练。所述调整模块，用于在所述评估模块评估结果是无效训练的情况下，更新所述记忆网络模型的参数，以进行下一次训练。所述生成模块，用于在所述评估模块判定结果是停止训练的情况下，将当前的记忆网络模型生成所述科室分类模型。所述储存模块，用于储存所述医务端上传的所述历史医疗数据。所述传输模块，将患者的病情描述发送至所述科室分类模型，并将所述科室分类模型的分类结果返回所述用户端。
14.优选地，所述科室分类模型之建立是通过以下方式建立的，即，所述训练模块调取所述储存模块中储存的历史医疗数据，将历史医疗数据中的历史病情描述输入到所述记忆网络模型中进行训练，得到该所述历史病情描述对应各个科室的概率。优选地，所述评估模块基于与历史病情描述对应的历史科室对所述训练模块的训练结果进行评估。优选地，所
述评估模块根据评估结果判定是否停止训练。优选地，所述评估模块的评估结果包括良好训练、有效训练和无效训练，相应的判定结果是停止训练、继续训练和重新训练。在所述评估模块判定结果是停止训练的情况下，所述生成模块将当前的记忆网络模型生成所述科室分类模型。在所述评估模块判定结果是重新训练的情况下，所述调整模块更新所述记忆网络模型的参数，以进行下一次训练，重复前述步骤直至所述评估模块判定结果为停止训练，所述生成模块将被判定的记忆网络模型生成所述科室分类模型。
15.优选地，所述评估模块将训练结果中的各个科室按概率数值降序排列。优选地，当训练结果中概率最高的科室与历史病情描述对应的历史科室相同时，所述评估模块的评估结果为通过，判定结果是停止训练。优选地，当历史病情描述对应的历史科室在训练结果中的概率不是最高，但处于各个科室的概率数值降序排列之前三，并且前三概率之和不低于总概率的一半，并且概率数值降序排列之前三项，后一项与前一项的概率数值的比值不低于四分之三时，所述评估模块的评估结果为再训练，判定结果是继续训练。优选地，当所述训练结果不满足前述两种情况时，所述评估模块的评估结果为无效训练，判定结果是重新训练。优选地，当所述评估模块的评估结果为再训练，判定结果是继续训练时，所述训练模块在不改变所述记忆网络模型的参数的情况下，继续进行训练直至所述评估模块判定结果为停止训练，所述生成模块将被判定的记忆网络模型生成所述科室分类模型。
16.根据一种优选实施方式，所述用户端可以是设置在医院的自助服务机。优选地，所述用户端可以包括交互模块、处理模块、数据库模块和通信模块。优选地，所述交互模块能够引导患者登录和/或注册至所述用户端，以获取包括患者就医目的在内的患者数据，并将所述患者数据发送至所述服务器。优选地，所述交互模块能够通过患者点选的预设词条以描述患者病情。优选地，医务人员、科研机构等采集患者对病情的非医学术语性描述，并将同一病情的非医学术语性描述与医学术语性描述建立映射关系后储存至数据库模块。优选地，所述科室分类模型通过对历史医疗数据进行训练，使得历史病情描述与对应的历史科室建立起病情描述词库。所述病情描述词库能够为所述数据挖掘方法对患者的指引提供词汇数据支持，从而使得患者为表达自身就医目的而点选的预设词条符合医学术语。
17.优选地，在指引患者点选的预设词条以描述患者病情的情况下，所述交互模块针对同一病情向患者提供的预设词条包括非医学术语性描述和/或医学术语性描述。在患者点选非医学术语性描述和/或医学术语性描述的情况下，所述处理模块将相应的医学术语性描述通过通信模块传输至服务器，以确定患者就诊科室。优选地，所述服务器的传输模块将相应的医学术语性描述传输至所述科室分类模型以获得分类结果，并将所述科室分类模型的分类结果返回所述用户端。
18.优选地，在指引患者描述自身病情的过程中，非医学术语性的词条能够便于患者理解。优选地，在患者点选非医学术语性描述和/或医学术语性描述的情况下，所述用户端仅将相应的医学术语性描述传输至所述科室分类模型，较将非医学术语性描述和医学术语性描述都传输至所述科室分类模型处理的方式，能够有效减少处理数据量，从而提高所述科室分类模型的处理效率，并且采用医学术语性描述能够增加所述科室分类模型分类结果的准确率。
19.优选地，响应于所述分类结果之收到，所述用户端结合所述分类结果和预存医院之结构数据生成就诊导航视频。优选地，所述通信模块与所述传输模块建立数据传输通道，
从而在所述用户端和所述服务器间传输数据。优选地，所述科室分类模型的分类结果至少包括一个目的科室。响应于所述分类结果之收到，所述处理模块结合数据库模块中预存医院之结构数据，生成患者行进路线并建模出针对所述患者行进路线的与医院对应的模型之局部。优选地，所述处理模块建模出的局部模型能够以视频流的方式发送至患者个人随身携带的智能终端。所述智能终端能够通过与用户端进行配对的方式接收所述视频流。
20.优选地，本发明提供的数据挖掘系统还能够对科室分类模型进行更新。所述科室分类模型之更新是通过以下方式进行的，即，医务人员、科研机构等将医疗资料作为新的历史医疗数据通过医务端上传至服务器，从而对储存模块中的历史医疗数据进行更新。所述训练模块调取所述储存模块中储存的新历史医疗数据，并将所述新历史医疗数据中的历史病情描述输入到所述记忆网络模型中进行训练，得到该所述历史病情描述对应各个科室的概率。所述评估模块基于与历史病情描述对应的历史科室对所述训练模块的训练结果进行评估。在所述评估模块判定结果是停止训练的情况下，所述生成模块将当前的记忆网络模型生成所述科室分类模型，从而完成所述科室分类模型之更新。
附图说明
21.图1是本发明提供的一种优选实施方式的数据挖掘系统的简化示意图；
22.图2是本发明提供的一种优选实施方式的服务器的简化示意图；
23.图3是本发明提供的一种优选实施方式的用户端的简化示意图；
24.图4是本发明提供的一种优选实施方式的用户端(自助服务机)的概念图。
25.附图标记列表
26.100：数据挖掘系统；110：用户端；111：交互模块；112：处理模块；113：数据库模块；114：通信模块；120：医务端；130：服务器；131：训练模块；132：评估模块；133：调整模块；134：生成模块；135：储存模块；136：传输模块。
具体实施方式
27.下面结合附图1至3进行详细说明。本发明提供了一种数据挖掘方法、系统及相关装置。本发明基于大量历史医疗数据生成科室分类模型。本发明在患者就诊时将患者的非医学术语性病情描述转换为符合医学术语的病情描述，并通过科室分类模型对患者的病情描述进行处理，以确定就诊科室，从而实现自动分诊。
28.本发明通过对历史医疗数据进行数据挖掘，将患者的非医学术语性病情描述转换为符合医学术语的病情描述，从而避免了因病情描述错误导致就诊科室和治疗方向错误的问题。
29.实施例1
30.本发明还提供一种数据挖掘系统100。参见图1，优选地，该数据挖掘系统100至少包括用户端110、医务端120和服务器130。用户端110能够获取患者的病情描述并上传至服务器130。医务端120能够将历史医疗数据上传至服务器130。优选地，历史医疗数据包括历史病情描述和对应的历史科室。服务器130基于历史医疗数据建立科室分类模型，并将病情描述输入科室分类模型以确定相应科室。
31.参见图2，服务器130至少包括：训练模块131、评估模块132、调整模块133、生成模
块134、储存模块135和传输模块136。训练模块131，用于将历史病情描述输入到记忆网络模型中，得到该历史病情描述对应各个科室的概率。评估模块132，用于评估训练模块131的训练效果，并且根据评估结果判定是否停止训练。调整模块133，用于在评估模块132评估结果是无效训练的情况下，更新记忆网络模型的参数，以进行下一次训练。生成模块134，用于在评估模块132判定结果是停止训练的情况下，将当前的记忆网络模型生成科室分类模型。储存模块135，用于储存医务端120上传的历史医疗数据。传输模块136，将患者的病情描述发送至科室分类模型，并将科室分类模型的分类结果返回用户端110。
32.优选地，科室分类模型之建立是通过以下方式实现的，即，训练模块131调取储存模块135中储存的历史医疗数据，将历史医疗数据中的历史病情描述输入到记忆网络模型中进行训练，得到该历史病情描述对应各个科室的概率。优选地，评估模块132基于与历史病情描述对应的历史科室对训练模块131的训练结果进行评估。优选地，评估模块132根据评估结果判定是否停止训练。优选地，评估模块132的评估结果包括良好训练、有效训练和无效训练，相应的判定结果是停止训练、继续训练和重新训练。在评估模块132判定结果是停止训练的情况下，生成模块134将当前的记忆网络模型生成科室分类模型。在评估模块132判定结果是重新训练的情况下，调整模块133更新记忆网络模型的参数，以进行下一次训练，重复前述步骤直至评估模块132判定结果为停止训练，生成模块134将被判定的记忆网络模型生成科室分类模型。
33.优选地，评估模块132将训练结果中的各个科室按概率数值降序排列。优选地，当训练结果中概率最高的科室与历史病情描述对应的历史科室相同时，评估模块132的评估结果为通过，判定结果是停止训练。优选地，当历史病情描述对应的历史科室在训练结果中的概率不是最高，但处于各个科室的概率数值降序排列之前三，并且前三概率之和不低于总概率的一半，并且概率数值降序排列之前三项，后一项与前一项的概率数值的比值不低于四分之三时，评估模块132的评估结果为再训练，判定结果是继续训练。优选地，当训练结果不满足前述两种情况时，评估模块132的评估结果为无效训练，判定结果是重新训练。优选地，当评估模块132的评估结果为再训练，判定结果是继续训练时，训练模块131在不改变记忆网络模型的参数的情况下，继续进行训练直至评估模块132判定结果为停止训练，生成模块134将被判定的记忆网络模型生成科室分类模型。
34.优选地，用户端110可以是设置在医院的自助服务机。参见图3，优选地，用户端110可以包括交互模块111、处理模块112、数据库模块113和通信模块114。优选地，交互模块111能够引导患者登录和/或注册至用户端110，以获取包括患者就医目的在内的患者数据，并将患者数据发送至服务器130。优选地，交互模块111能够通过患者点选的预设词条以描述患者病情。优选地，医务人员、科研机构等采集患者对病情的非医学术语性描述，并将同一病情的非医学术语性描述与医学术语性描述建立映射关系后储存至数据库模块113。优选地，科室分类模型通过对历史医疗数据进行训练，使得历史病情描述与对应的历史科室建立起病情描述词库。病情描述词库能够为数据挖掘方法对患者的指引提供词汇数据支持，从而使得患者为表达自身就医目的而点选的预设词条符合医学术语。
35.优选地，在指引患者点选的预设词条以描述患者病情的情况下，交互模块111针对同一病情向患者提供的预设词条包括非医学术语性描述和/或医学术语性描述。在患者点选非医学术语性描述和/或医学术语性描述的情况下，处理模块112将相应的医学术语性描
述通过通信模块114传输至服务器130，以确定患者就诊科室。优选地，服务器130的传输模块136将相应的医学术语性描述传输至科室分类模型以获得分类结果，并将科室分类模型的分类结果返回用户端110。
36.优选地，在指引患者描述自身病情的过程中，非医学术语性的词条能够便于患者理解。优选地，在患者点选非医学术语性描述和/或医学术语性描述的情况下，用户端110仅将相应的医学术语性描述传输至科室分类模型，较将非医学术语性描述和医学术语性描述都传输至科室分类模型处理的方式，能够有效减少处理数据量，从而提高科室分类模型的处理效率，并且采用医学术语性描述能够增加科室分类模型分类结果的准确率。
37.优选地，响应于分类结果之收到，用户端110结合分类结果和预存医院之结构数据生成就诊导航视频。优选地，通信模块114与传输模块136建立数据传输通道，从而在用户端110和服务器130间传输数据。优选地，科室分类模型的分类结果至少包括一个目的科室。响应于分类结果之收到，处理模块112结合数据库模块113中预存医院之结构数据，生成患者行进路线并建模出针对患者行进路线的与医院对应的模型之局部。优选地，处理模块112建模出的局部模型能够以视频流的方式发送至患者个人随身携带的智能终端。智能终端能够通过与用户端110进行配对的方式接收视频流。
38.优选地，用户端110响应于目的科室之收到，能够根据相应患者目标地点(相应科室地址)、起点位置(用户端110所在位置)和视向生成相应患者的就诊路线。相应患者的就诊路线是以如下方式形成的，即，处理模块112根据相应患者的目标地点、起点位置和视向结合数据库模块113储存的医院结构数据生成初始就诊路线。响应于初始就诊路线之生成，用户端110连接至医院监控网络获取初始就诊路线上各节点路况，并且修正初始就诊路线上的错误以生成最终的就诊路线。在医院临时封闭初始就诊路线上的某一区域的情况下，用户端110将经过封闭路径进行重新规划优先将患者导向医院管理部门临时开启的通道。
39.优选地，用户端110可以通过配置的定位单元获取自身位置数据，然后通过将自身位置数据镜像获得相应患者的起点位置和视向。相应患者起点位置和视向是以如下方式确定的，即，用户端110利用定位单元进行位置检测从而确定其自身当前所在位置及朝向，在将其自身当前所在位置及朝向沿展示侧镜像后确定该用户端110的当前患者的视向及其定位，并且根据当前患者的视向和定位结合医院结构数据来确定相应局部模型中患者的起点位置和视向。
40.优选地，用户端110可以在生成的虚拟模型中生成虚拟人物形象。优选地，虚拟人物形象的起点位置和视向是通过如下方式确定的，即，用户端110根据其自身当前所在位置及朝向来确定该用户端110的当前患者的视向及其定位并将视向和定位提供给用户端110并由其确定相应虚拟人物形象的起点位置和视向，使得相应虚拟人物形象的起点位置和视向与用户端110当前患者实际的位置和视向相同进而便于患者将模型代入现实。
41.用户端110可以通过交互模块111向使用该用户端110的患者提供语音提示的方式来提示相应患者选取其个性化的虚拟人物形象，并通过智能终端的定位功能确定患者当前位置和朝向并由此确定该患者所选虚拟人物形象的起点位置和视向，从而确保该患者所选虚拟人物形象的位置和视向与该患者的实际位置和视向一致。
42.确定患者的起点位置和视向的相应局部模型在以视频形式向患者进行展示时，患者能够基于与自身实际位置和视向相对应的虚拟人物在虚拟模型中的移动，通过调节相应
虚拟人物形象的视角从而在导航模型中确定导航路径上的特征参照物。在患者通过操作用户端110生成的就诊路线与至少另一个患者的就诊路线出现交集时，当前患者对应的虚拟人物形象将会出现在另一个患者通过操作用户端110生成的确定患者起点位置和视向的发送给智能终端的导航视频中，从而在局部模型之中反映出对应区域的现实人流情况。
43.优选地，本发明提供的数据挖掘系统100还能够对科室分类模型进行更新。科室分类模型之更新是通过以下方式进行的，即，医务人员、科研机构等将医疗资料作为新的历史医疗数据通过医务端120上传至服务器130，从而对储存模块135中的历史医疗数据进行更新。训练模块131调取储存模块135中储存的新历史医疗数据，并将新历史医疗数据中的历史病情描述输入到记忆网络模型中进行训练，得到该历史病情描述对应各个科室的概率。评估模块132基于与历史病情描述对应的历史科室对训练模块131的训练结果进行评估。在评估模块132判定结果是停止训练的情况下，生成模块134将当前的记忆网络模型生成科室分类模型，从而完成科室分类模型之更新。
44.实施例2
45.本实施例是对实施例1的进一步改进，重复的内容不再赘述。
46.本实施例提供了一种数据挖掘方法。数据挖掘方法至少包括获取历史医疗数据对记忆网络模型进行训练实现科室分类模型的建立和更新。科室分类模型的建立和更新至少包括以下步骤：将历史病情描述输入到记忆网络模型中进行训练，得到该历史病情描述对应各个科室的概率；评估记忆网络模型的训练效果，并且根据评估结果判定是否停止训练；在评估结果是无效训练的情况下，判定结果是重新训练，更新记忆网络模型的参数，以进行下一次训练；在评估结果是良好训练的情况下，判定结果是停止训练，将当前的记忆网络模型生成科室分类模型。
47.优选地，数据挖掘方法获取并汇总历史医疗数据。历史医疗数据包括历史病情描述和对应的历史科室。数据挖掘方法根据历史医疗数据对记忆网络模型进行训练，得到科室分类模型。
48.优选地，数据挖掘方法通过引导患者点选预设词条以获得符合医学术语表达的患者病情描述。
49.优选地，数据挖掘方法将符合医学术语表达的患者病情描述输入科室分类模型得到相应科室，以进行患者就医的自动分诊。
50.优选地，科室分类模型通过对历史医疗数据进行训练，使得历史病情描述与对应的历史科室建立起病情描述词库。病情描述词库能够为数据挖掘方法对患者的指引提供词汇数据支持，从而使得患者为表达自身就医目的而点选的预设词条符合医学术语。
51.优选地，数据挖掘方法采集患者对病情的非医学术语性描述，并将同一病情的非医学术语性描述与医学术语性描述建立映射关系。在指引患者点选的预设词条以描述患者病情的情况下，对于同一病情数据挖掘方法向患者提供的预设词条包括非医学术语性描述和/或医学术语性描述。在患者点选非医学术语性描述和/或医学术语性描述的情况下，数据挖掘方法将相应的医学术语性描述传输至科室分类模型，以确定患者就诊科室。优选地，在指引患者描述自身病情的过程中，非医学术语性的词条能够便于患者理解。优选地，在患者点选非医学术语性描述和/或医学术语性描述的情况下，数据挖掘方法仅将相应的医学术语性描述传输至科室分类模型，较将非医学术语性描述和医学术语性描述都传输至科室
分类模型处理的方式，能够有效减少处理数据量，从而提高科室分类模型的处理效率，并且采用医学术语性描述能够增加科室分类模型分类结果的准确率。
52.优选地，数据挖掘方法根据患者就医目的之实现是否需要专业医务人员参与将患者就医目的分为需要专业医务人员参与的一类目的和无需专业医务人员参与的二类目的。在患者就医目的为一类目的的情况下，数据挖掘方法通过指引患者点选的预设词条，以获得患者病情描述，并将患者病情描述输入到科室分类模型中得到相应科室。
53.实施例3
54.本实施例是对实施例1和实施例3的进一步改进，重复的内容不再赘述。本实施例提供一种数据挖掘装置。数据挖掘装置至少包括：训练模块131、评估模块132、调整模块133、生成模块134、储存模块135和传输模块136。训练模块131，用于将历史病情描述输入到记忆网络模型中进行训练，得到该历史病情描述对应各个科室的概率。评估模块132，用于评估训练模块131的训练效果，并且根据评估结果判定是否停止训练。调整模块133，用于在评估模块132判定结果是重新训练的情况下，更新记忆网络模型的参数，以进行下一次训练。生成模块134，用于在评估模块132判定结果是停止训练的情况下，将当前的记忆网络模型生成科室分类模型。储存模块135，用于储存历史医疗数据。传输模块136，将患者的病情描述发送至科室分类模型，并返回科室分类模型的分类结果。
55.需要注意的是，上述具体实施例是示例性的，本领域技术人员可以在本发明公开内容的启发下想出各种解决方案，而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白，本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。在全文中，“优选地”所引导的特征仅为一种可选方式，不应理解为必须设置，故此申请人保留随时放弃或删除相关优选特征之权利。本发明说明书包含多项发明构思，诸如“优选地”、“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思，申请人保留根据每项发明构思提出分案申请的权利。