电子病历结构化方法、装置、计算机设备和存储介质与流程

本申请涉及智能决策的技术领域，特别涉及一种电子病历结构化方法、装置、计算机设备和存储介质。

背景技术：

病历是病人在医院诊断治疗全过程的原始记录，它包含有首页、病程记录、检查检验结果、医嘱、手术记录、护理记录等等。电子病历不仅指静态病历信息，还包括提供的相关服务。电子病历是以电子化方式管理的有关个人终生健康状态和医疗保健行为的信息，涉及病人信息的采集、存储、传输、处理和利用的所有过程信息。而电子病历结构化通过对电子病历中的疾病实体、药物实体、身体部位实体等通过神经网络进行结构化提取，能够高效地提取出病历中的关键信息，有效地辅助医生进行核心数据分析以及数据检索。然而现有的电子病历长短不一，当电子病历过长时，需要进行截断，但由于截断过程比较具有随机性，因此可能导致截断处的数据会丢失部分上下文信息，影响截断处周围的句子的结构化的准确性。

技术实现要素：

本申请的主要目的为提供一种电子病历结构化方法、装置、计算机设备和存储介质，解决电子病历因截断影响截断处周围的句子的结构化的准确性的问题。

为实现上述目的，本申请提供了一种电子病历结构化方法，包括以下步骤：

获取电子病历文本，以及所述电子病历文本的句子数；

检测所述电子病历文本的句子数是否超过预设阀值；

若超过，则将所述电子病历文本进行截断，得到多个电子病历子文本；

将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本；

将所述目标病历文本中的每个句子映射为固定维度的句向量；

将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出；其中，所述分类模型基于双向循环神经网络模型训练而成；

根据所述第一输出得到每个句子的分类标签。

进一步地，所述根据所述第一输出得到每个句子的分类标签的步骤，包括：

将每个所述句向量的所述第一输出输入至crf网络和/或自注意力网络中，得到第二输出；

将每个所述句向量的所述第二输出经过softmax计算，得到每个句子的分类标签。

进一步地，所述将所述目标病历文本中的每个句子映射为固定维度的句向量的步骤，包括：

将所述目标病历文本中的每个句子输入至神经网络中；

通过所述神经网络的encoder将每个所述句子映射为固定维度的句向量。

进一步地，所述将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本的步骤，包括：

检测各个所述电子病历子文本在所述电子病历文本中的位置；

当所述电子病历子文本在所述电子病历文本的位置为开始时，在所述电子病历子文本的截断处引入下一个电子病历子文本中开始部分的预设个数的句子；

当所述电子病历文本在所述电子病历文本的位置为中间时，在所述电子病历子文本的开始截断处引入上一个电子病历子文本的结尾部分预设个数的句子，在所述电子病历子文本的结尾截断处引入下一个电子病历子文本的开始部分的预设个数的句子；

当所述电子病历子文本在所述电子病历文本的位置为结尾时，在所述电子病历子文本的截断处引入上一个电子病历子文本中结尾部分的预设个数的句子。

进一步地，所述检测所述电子病历文本的句子数是否超过预设阀值的步骤之后，包括：

若不超过，将所述电子病历文本中的每个句子映射为固定维度的句向量；

将每个所述电子病历文本中的所述句向量按照顺序输入至所述分类模型中进行计算，得到第三输出；

将每个所述句向量的所述第三输出经过softmax计算，得到每个句子的分类标签。

进一步地，所述将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出的步骤之前，包括：

获取训练数据集中的病例样本，所述病历样本中各个句子具有正确分类标签；

对所述病历样本进行截断，得到多个病历子样本；

将每个所述病历子样本通过预设规则引入上下文，得到目标病历样本；

将所述目标病历样本中的每个句子映射为固定维度的句向量；

将每个所述目标病历文本中的所述句向量按照顺序输入至双向循环神经网模型中进行计算，得到训练输出；

将所述训练输出经过softmax计算得到预测输出；

通过损失函数计算所述病历子样本中的各个句子的损失值；

根据所述损失值确定分类模型参数，完成分类模型的训练。

进一步地，所述通过损失函数计算所述病历子样本中的各个句子的损失值的步骤，包括：

通过交叉熵函数计算所述病历子样本中的各个句子的损失值；所述交叉熵函数的公式为：所述y为预测输出，为所述正确分类标签。

本申请还提供一种电子病历结构化装置，包括：

第一获取单元，用于获取电子病历文本，以及所述电子病历文本的句子数；

检测单元，用于检测所述电子病历文本的句子数是否超过预设阀值；

第一截断单元，用于若超过，则将所述电子病历文本进行截断，得到多个电子病历子文本；

第一引入单元，用于将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本；

第一映射单元，用于将所述目标病历文本中的每个句子映射为固定维度的句向量；

第一计算单元，用于将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出；其中，所述分类模型基于双向循环神经网络模型训练而成；

第二计算单元，用于根据所述第一输出得到每个句子的分类标签。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的电子病历结构化方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的电子病历结构化方法的步骤。

本申请提供的电子病历结构化方法、装置、计算机设备和存储介质，通过在截断处按照预设规则引入一部分上下文，将引入的上下文和截断后的电子病历文本一起输入分类模型中，该分类模型基于双向循环神经网络训练而成，能提取上下文信息，再经过softmax计算各个句子的分类，能够有效的提高截断处周围的句子的结构化的准确性。

附图说明

图1是本申请一实施例中电子病历结构化方法的步骤示意图；

图2是本申请一实施例中电子病历结构化装置的结构框图；

图3为本申请一实施例的计算机设备的结构示意框图。

本申请目的的实现、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

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1，本申请一实施例提供一种电子病历结构化方法，包括：

步骤s1，获取电子病历文本，以及所述电子病历文本的句子数；

步骤s2，检测所述电子病历文本的句子数是否超过预设阀值；

步骤s3，若超过，则将所述电子病历文本进行截断，得到多个电子病历子文本；

步骤s4，将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本；

步骤s5，将所述目标病历文本中的每个句子映射为固定维度的句向量；

步骤s6，将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出；其中，所述分类模型基于双向循环神经网络模型训练而成；

步骤s7，根据所述第一输出得到每个句子的分类标签。

本实施例中，如上步骤s1所述，获取电子病历文本，对获取到的电子病历文本可做一些预处理，如通过numpy、pandas、jieba等工具进行文本预处理和数据清洗，包括中文分词、去停用词、去除无用符号等，还可对电子病历文本中的隐私进行信息脱敏，然后去除病人隐私，隐私包括：姓名、床号、住院号、地址等易被他人识别的关键隐私信息，获取经过上述处理后的电子病历文本的句子数。

如上述步骤s2-s3所述，由于分类模型支持的长度有限，因此当电子病历文本的句子数超过预设阀值后，需要对电子病历文本进行截断，使得截断后的电子病历子文本中的句子能够输入到分类模型中。

如上述步骤s4所述，由于对电子病历文本进行了截断，因此对每个电子病历子文本按照预设规则引入上下文，如将一个电子病历文本截断为3个电子病历子文本，按照顺序依次为第一电子病历子文本、第二电子病历子文本和第三电子病历子文本，在第一电子病历子文本的截断处引入一部分第二电子病历子文本中句子，在第二电子病历子文本中的开头截断处引入一部分第一电子病历子文本的句子，在第二电子病历子文本中的结尾截断处引入一部分第三电子病历子文本的句子，在第三电子病历子文本的截断处引入第二电子病历子文本中的一部分句子。

如上述步骤s5所述，将所述目标病历文本中的每个句子映射为固定维度的句向量，具体的，可通过神经网络(可以为卷积神经网络，循环神经网络，transormer等)的encoder(编码器)，将句子映射为固定维度的向量，我们就可以得到单个句子经过神经网络的向量表示。如此将电子病历文本中的每个句子输入到神经网络中，可以得到每个句子的向量表示，如此一个完整的电子病历文本就可以用所有句子的句向量来表示。

如上述步骤s6所述，病历中的句子不是相互独立的而是上下文相关的，如描述治疗过程的部分通常是由多个句子组成的，一个描述治疗的句子它的上下文也是描述治疗过程的概率会比描述用户的既往病史的概率更大，因此只对文本做单个句子的分类不会取得很好的效果，需要将上下文信息都囊括进来，将句向量按照顺序输入到分类模型中，该分类模型基于双向循环神经网络模型训练而成，经过分类模型的前向推算和后向推算，每个句子能更好地获得上下文信息，有效地提高分类的准确性，具体的，该分类模型可将每个句子分类为基本信息、个人史、家族史、既往史、现病史、主诉、检查、诊断、治疗、总结、其他中的一个。

如上述步骤s7所述，根据第一输出得到每个句子的分类标签，具体的，将每个所述句向量的第一输出经过softmax计算，softmax可将将一个k维的任意实数向量映射成另一个k维的实数向量，其中向量中的每个元素取值都介于(0，1)之间，softmax的函数表达式为：其中，k表示分类的类别数，j表示k个分类中某个分类，j∈(0，k]，zj表示该分类的值。经过上述计算，得到每个句子在每个类别中的值，选择值最大的一个类别作为该句子的分类标签。

本实施例中，通过在截断处按照预设规则引入一部分上下文，将引入的上下文和截断后的电子病历文本一起输入分类模型中得到第一输出，该分类模型基于双向循环神经网络训练而成，能提取上下文信息，根据第一输出得到每个句子的分类标签，能够有效的提高电子病历截断处的句子的结构化的准确性。

在一实施例中，所述根据所述第一输出得到每个句子的分类标签的步骤的步骤s7，包括：

步骤s71，将每个所述句向量的所述第一输出输入至crf(conditionalrandomfield，条件随机场)网络和/或自注意力网络中，得到第二输出；

步骤s72，将每个所述句向量的所述第二输出经过softmax计算，得到每个句子的分类标签。

本实施例中，如上述步骤s71-s72所述，将第一输出输入到crf网络和/或自注意力网络中，可进一步提高分类模型的上下文信息的影响，加强句子间上下文的联系。在其他实施例中，可将第一输出之间经过softmax计算，得到每个句子的分类标签。

在一实施例中，所述将所述目标病历文本中的每个句子映射为固定维度的句向量的步骤s5，包括：

步骤s51，将所述目标病历文本中的每个句子输入至神经网络中；

步骤s52，通过所述神经网络的encoder将每个所述句子映射为固定维度的句向量。

本实施例中，通过神经网络(可以为卷积神经网络，循环神经网络，transformer等)的encoder，将句子映射为固定维度的向量，我们就可以得到单个句子经过神经网络的向量表示。以transformer模型为例，transformer模型的encoder是有n＝6个layers层组成的，每一层包含了两个sub-layers，第一个sub-layer就是多头注意力层(multi-headattentionlayer)，第二个就是一个简单的全连接层。在每个sub-layer层之间都用了残差连接，根据resnet，我们知道残差连接实际上是：h(x)＝f(x)+x；因此每个sub-layer的输出都是：layernorm(x+sublayer(x))，layernorm中每个样本都有不同的均值和方差。每个layer的输入和输出的维度是一致的。如此将病历数据中的每个句子输入到transformer模型中，可以得到每个句子的向量表示，如此一个完整的电子病历文本就可以用所有句子的句向量来表示。

在一实施例中，所述将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本的步骤s4，包括：

步骤s41，检测各个所述电子病历子文本在所述电子病历文本中的位置；

步骤s42，当所述电子病历子文本在所述电子病历文本的位置为开始时，在所述电子病历子文本的截断处引入下一个电子病历子文本中开始部分的预设个数的句子；

步骤s43，当所述电子病历文本在所述电子病历文本的位置为中间时，在所述电子病历子文本的开始截断处引入上一个电子病历子文本的结尾部分预设个数的句子，在所述电子病历子文本的结尾截断处引入下一个电子病历子文本的开始部分的预设个数的句子；

步骤s44，当所述电子病历子文本在所述电子病历文本的位置为结尾时，在所述电子病历子文本的截断处引入上一个电子病历子文本中结尾部分的预设个数的句子。

本实施例中，为每个电子病历子文本引入一部分的句子，如一份电子病历文本中句子数为120，而分类模型一次仅能支持50句，可将电子自病历子文本按照句子数进行均分，如分成4份，每份30句，可将第一份的结尾处引入第二份开始的前10句，形成第一份目标病历文本；可在第二份的开始引入第一份结尾处的10句，在第二份的结尾处引入第三份的开始的前10句，形成第二份目标病历子文件，具体的每个电子病历子文本引入的句子数可根据需要预先进行设定。本实施例通过为每个电子病历子文本引入上下文中的句子，再输入至分类模型进行分类，通过上下文之间的联系提高每个句子分类的准确性。

在一实施例中，所述所述检测所述电子病历文本的句子数是否超过预设阀值的步骤s2之后，包括：

步骤s2a，若不超过，将所述电子病历文本中的每个句子映射为固定维度的句向量；

步骤s2b，将每个所述电子病历文本中的所述句向量按照顺序输入至所述分类模型中进行计算，得到第三输出；

步骤s2c，将每个所述句向量的所述第三输出经过softmax计算，得到每个句子的分类标签。

本实施例中，当电子病历文本的句子数未超过预设阀值时，直接将每个句子的句向量按照顺序输入至分类模型中进行计算，再经过softmax函数的计算得到各个句子的分类标签。

在一实施例中，所述将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出的步骤s6之前，包括：

步骤s6a，获取训练数据集中的病例样本，所述病历样本中各个句子具有正确分类标签；

步骤s6b，对所述病历样本进行截断，得到多个病历子样本；

步骤s6c，将每个所述病历子样本通过预设规则引入上下文，得到目标病历样本；

步骤s6d，将所述目标病历样本中的每个句子映射为固定维度的句向量；

步骤s6e，将每个所述目标病历文本中的所述句向量按照顺序输入至双向循环神经网模型中进行计算，得到训练输出；

步骤s6f，将所述训练输出经过softmax计算得到预测输出；

步骤s6g，通过损失函数计算所述病历子样本中的各个句子的损失值；

步骤s6h，根据所述损失值确定分类模型参数，完成分类模型的训练。

本实施例中，如上述步骤s6g所述，计算病历子样本中各个句子的损失值，病历子样本中按照一定的规则引入上下文，上下文跟随病历子样本中的各个句子输入至双向循环神经网络中，提取到上下文信息，且会得到各个句子的输出，将各个句子的输出经过softmax计算得到各个句子的期望输出，再通过损失函数仅计算病历子样本中各个句子的损失值，选择最小的损失值所对应的模型参数作为最终的模型参数，完成分类模型的训练。本实施例中，每个病历子样本均引入了上下文，但引入的上下文仅仅提供上下文信息，不参与损失值的计算和最终的分类。具体的，通过交叉熵函数计算病历子样本中各个句子的损失值，其中，y为病历子样本中各个句子的期望输出，为其正确的分类标签。

本申请提供的电子病历结构化方法可运用在区块链领域中，将训练好的分类模型存储在区块链网络中，同时电子病历文本也可存储在区块链网络中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。区块链网络(blockchainnetwork)，是指通过共识的方式将新区块纳入区块链的一系列的节点的集合。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

本申请提供的电子病历结构化方法、装置、计算机设备和存储介质，可应用在智能医疗领域，加快数字医疗的建设，从而推动智慧城市的建设。

参照图2，本申请一实施例还提供一种电子病历结构化装置，包括：

第一获取单元10，用于获取电子病历文本，以及所述电子病历文本的句子数；

检测单元20，用于检测所述电子病历文本的句子数是否超过预设阀值；

第一截断单元30，用于若超过，则将所述电子病历文本进行截断，得到多个电子病历子文本；

第一引入单元40，用于将每个所述电子病历子文本通过预设规则引入上下文，得到目标病历文本；

第一映射单元50，用于将所述目标病历文本中的每个句子映射为固定维度的句向量；

第一计算单元60，用于将每个所述目标病历文本中的所述句向量按照所述句向量所对应的句子在所述目标病历文本中的顺序输入至分类模型中进行计算，得到第一输出；其中，所述分类模型基于双向循环神经网络模型训练而成；

第二计算单元70，用于根据所述第一输出得到每个句子的分类标签。

在一实施例中，所述第二计算单元70包括：

第一输入子单元，用于将每个所述句向量的所述第一输出输入至crf网络和/或自注意力网络中，得到第二输出；

计算子单元，用于将每个所述句向量的所述第二输出经过softmax计算，得到每个句子的分类标签。

在一实施例中，所述第一映射单元50，包括：

第二输入子单元，用于将所述目标病历文本中的每个句子输入至神经网络中；

映射子单元，用于通过所述神经网络的encoder将每个所述句子映射为固定维度的句向量。

在一实施例中，所述第一引入单元40，包括：

检测子单元，用于检测各个所述电子病历子文本在所述电子病历文本中的位置；

第一引入子单元，用于当所述电子病历子文本在所述电子病历文本的位置为开始时，在所述电子病历子文本的截断处引入下一个电子病历子文本中开始部分的预设个数的句子；

第二引入子单元，用于当所述电子病历文本在所述电子病历文本的位置为中间时，在所述电子病历子文本的开始截断处引入上一个电子病历子文本的结尾部分预设个数的句子，在所述电子病历子文本的结尾截断处引入下一个电子病历子文本的开始部分的预设个数的句子；

第三引入子单元，用于当所述电子病历子文本在所述电子病历文本的位置为结尾时，在所述电子病历子文本的截断处引入上一个电子病历子文本中结尾部分的预设个数的句子。

在一实施例中，所述电子病历结构化装置，还包括：

第二映射单元，用于若不超过，将所述电子病历文本中的每个句子映射为固定维度的句向量；

第三计算单元，用于将每个所述电子病历文本中的所述句向量按照顺序输入至所述分类模型中进行计算，得到第三输出；

第四计算单元，用于将每个所述句向量的所述第三输出经过softmax计算，得到每个句子的分类标签。

在一实施例中，所述电子病历结构化装置还包括：

第二获取单元，用于获取训练数据集中的病例样本，所述病历样本中各个句子具有正确分类标签；

第二截断单元，用于对所述病历样本进行截断，得到多个病历子样本；

第二引入单元，用于将每个所述病历子样本通过预设规则引入上下文，得到目标病历样本；

第三映射单元，用于将所述目标病历样本中的每个句子映射为固定维度的句向量；

第五计算单元，用于将每个所述目标病历文本中的所述句向量按照顺序输入至双向循环神经网模型中进行计算，得到训练输出；

第六计算单元，用于将所述训练输出经过softmax计算得到预测输出；

第七计算单元，用于通过损失函数计算所述病历子样本中的各个句子的损失值；

确定单元，用于根据所述损失值确定分类模型参数，完成分类模型的训练。

在一实施例中，所述第七计算单元，包括：

计算子单元，用于通过交叉熵函数计算所述病历子样本中的各个句子的损失值；所述交叉熵函数的公式为：所述y为预测输出，为所述正确分类标签。

在本实施例中，上述各个单元、子单元、模块的具体实现请参照上述方法实施例中所述，在此不再进行赘述。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电子病历数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电子病历结构化方法。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种电子病历结构化方法。

综上所述，为本申请实施例中提供的电子病历结构化方法、装置、计算机设备和存储介质，通过在截断处按照预设规则引入一部分上下文，将引入的上下文和截断后的电子病历文本一起输入分类模型中，该分类模型基于双向循环神经网络训练而成，能提取上下文信息，再经过softmax计算各个句子的分类，能够有效的提高截断处周围的句子的结构化的准确性。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram通过多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。

以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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它相关的技术领域，均同理包括在本申请的专利保护范围内。