一种基于深度学习的呼吸音分类方法与流程

本发明涉及声频信号识别领域，更具体地说，特别涉及一种基于深度学习的呼吸音分类方法。
背景技术：
：呼吸音中蕴含着大量的生理信息，是反映呼吸健康和呼吸紊乱的重要指标。呼吸音中作为一种非线性非平稳的随机信号，包含了不能被人耳所辨别的低频信号。数字听诊器对呼吸音的研究提供了数据来源，将采集到的呼吸音，提取低频信号在内的有用信息，利用深度学习自动诊断呼吸系统疾病有着重要的研究意义。依据音调高低、主频率分布区间、是否连续可以将呼吸音大致分为4类，正常音，哮鸣音，鼾音，湿罗音。早期研究中，研究人员采用矢量量化方法(vq)和k近邻算法处理呼吸音识别问题。waitman等人采用功率谱密度提取特征，利用ann算法识别正常音和异常音。abbas等人采用功率谱密度和ann算法研究呼吸音(正常音、哮鸣音和爆裂音)的多分类问题。kandaswamy研究通过离散小波变换得到的6种类型呼吸音特征的分类问题，icers采用功率谱提取呼吸音特征，svm算法对正常音、爆裂音和鼾音进行多分类研究。alsmadi等人构建一个基于数字信号处理的实时系统，利用knn算法对正常音和异常音进行二分类，但knn作为无训练过程的分类算法，待测呼吸音所属类别仅根据其最邻近k个样本所属类别进行投票，因此其分类效果不佳。傅星瑜等人利用离散小波变换将信号分解和重构成7层并从子带中提取一组统计特征，通过bp神经网络对正常信号和呼吸音信号进行分类。bp神经网络对正异常音进行分类，但其权重值选择的随机性，使得网络训练后的模型具有不稳定性，易陷入局部极值点，因此分类效果也不好。技术实现要素：为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。本发明公开了一种基于深度学习的呼吸音分类方法，包括：s1、采集呼吸音的音频信号样本，并对所述音频信号进行预处理；s2、根据呼吸音周期文本信息，对步骤s1中的所述音频信号进行周期划分得到设定周期的呼吸音信号；s3、通过音频数据增强方法对数据集中呼吸音频信号进行数据增强，提取呼吸音频信号的声学特征；s4、利用步骤s3中提取的声学特征，构造类型识别模型对呼吸音进行分类识别，得出所述分类识别结果。进一步的，步骤s1中的采集的样本为920个长度从10秒到90秒不等的带注释的呼吸音频。进一步的，步骤s1中的呼吸音类型包括正常呼吸音、湿罗音、哮鸣音、湿罗音和哮鸣音组合音。进一步的，s1步骤中的预处理的具体过程包括：s101、对所述音频信号进行重采样，去除高频信息；s102、对所述音频信号进行高通滤波处理；进一步的，步骤s2中，通过呼吸音呼吸周期文本信息将s1中的所述呼吸音频分割为6898个呼吸周期音频，其中包括3642个正常呼吸音，1864个湿罗音，886个哮鸣音，506个湿罗音和哮鸣音的组合音。进一步的，步骤s3具体步骤包括：s300、采用音频加噪、音高变换、音频时移增强三种音频数据增强方法呼吸音频信号进行了数据增强。s301、提取所述呼吸音频信号的短时能量、短时平均过零率，谱质心、谱滚降、谱对比度、色度谱、rms能量、mfcc系数、一阶差分mfcc系数、二阶差分mfcc系数、谐噪比、基频微扰、振幅微扰共67维组合特征。与现有技术相比，本发明的优点在于：(1)采用了音频数据增强方法扩充数据集中呼吸音频的数量和多样性，从而提高模型的泛化能力。(2)通过呼吸音的特征提取提取了呼吸音有效片段，更加具有针对性。(3)将广泛应用于语音识别中的多种深度学习分类器的分类结果进行对比，凸显出bilstm能挖掘呼吸音前后时序特征的优越性，并引入注意力机制，更深入的寻找到呼吸音中隐形的重要信息，从而提高了呼吸音的分类识别率，解决了临床呼吸音数据过多情况下的识别问题，减少了人力，提高了效率。附图说明图1为一种基于深度学习的呼吸音分类方法方法流程图一；图2为一种基于深度学习的呼吸音分类方法方法流程图二；图3为一种基于深度学习的呼吸音分类方法方法流程图三；图4为呼吸音信号经过数据增强后的梅尔频谱图；图5为呼吸音短时能量图；图6为短时平均过零率图；图7为湿罗音和哮鸣音组合音的谱质心图；图8为湿罗音的谱质心图；图9为湿罗音和哮鸣音组合音的谱滚降图；图10为湿罗音的谱滚降图图11为频谱对比度流程图；图12为湿罗音、湿罗音和哮鸣音组合音的频谱对比度图；图13为色度图提取流程图；图14为湿罗音色度谱图；图15为湿罗音和哮鸣音组合音的rms能量图；图16为湿罗音rms能量图；图17为mfcc特征提取流程图；图18为bilstm的结构示意图；图19为attention机制的具体计算过程图。具体实施方式为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。请参阅图1所示，为一种基于深度学习的呼吸音分类方法方法流程图一，其包括以下步骤：s1、采集呼吸音的音频信号样本，并对所述音频信号进行预处理，其中s2、根据呼吸音周期文本信息，对步骤s1中的所述音频信号进行周期划分得到设定周期的呼吸音信号；s3、通过音频数据增强方法对数据集中呼吸音频信号进行数据增强，提取呼吸音频信号的声学特征；s4、利用步骤s3中提取的声学特征，构造类型识别模型对呼吸音进行分类识别，得出所述分类识别结果。上述步骤s1中的预处理的具体过程包括：s101、对所述音频信号进行重采样，去除高频信息；s102、对所述音频信号进行高通滤波处理；呼吸音信号在采集中常夹杂着其他生理信号，如心音、脉搏、肌肉摩擦音等，经研究可知，大部分干扰信号为低频信号。因此采用高通滤波器过滤掉一些信号噪声。在上述实施方式中，步骤s1中，采集的样本为920个长度从10秒到90秒不等的带注释的呼吸音频。并且所采集的样本呼吸音的类型包括常呼吸音、湿罗音、哮鸣音、湿罗音和哮鸣音组合音。在s101中，根据nyquist定理，当设信任号通过滤波器的频率为f时，则采样频率被设置成2f(hz)。呼吸音频率一般在50-2000hz，本文设置采样频率4000hz，则信号允许最高频率是2000hz。重采样的matlab格式为：y＝resample(x,p,q)，使用fir方法设计抗混叠的低通滤波器，对数据进行重采样，去除高频信息。使得目的序列y比原始序列x长p/q倍。本文的重采样指令是resample(y,4000,fs)，其中y是原始呼吸音序列，fs是原始采样频率。在s102中，高通滤波的目的是去除过滤一些低频干扰，该滤波器规则是设定一临界值，使得频率高于该临界值的信号正常通过，削减和阻挡小于所设定临界值的低频信号。本文采用butterworth滤波器，matlab格式为：[b,a]＝butter(n,wn)，n为滤波器的阶数，wn是滤波器的截止频率参数，其中wn＝截断频率/(采样频率/2)。本文设置阶段频率为50hz，程序指令[b,a]＝butter(4,0.025,'high')。上述实施方式，步骤s2中，根据数据集中提供的呼吸音呼吸周期文本信息将920个长度从10秒到90秒不等的带注释的呼吸音频分割成6898个呼吸周期音频，包含3642个正常呼吸音，1864个湿罗音，886个哮鸣音，506个湿罗音和哮鸣音的组合音。上述步骤s3中，参阅图3所示，为一种基于深度学习的呼吸音分类方法方法流程图三，具体步骤包括：s300、采用音频加噪、音高变换、音频时移增强三种音频数据增强方法呼吸音频信号进行了数据增强。s301、提取所述呼吸音频信号的短时能量、短时平均过零率，谱质心、谱滚降、谱对比度、色度谱、rms能量、mfcc系数、一阶差分mfcc系数、二阶差分mfcc系数、谐噪比、基频微扰、振幅微扰共67维组合特征。该实施方式中，数据增强是扩充数据样本规模的一种有效的方法。深层神经网络一般都需要大量的训练数据才能获得比较理想的结果。然而实际采集数据的时候，往往很难覆盖掉全部的场景，在数据量有限的情况下，可以通过数据增强来增加训练样本的多样性，提高模型鲁棒性，减少网络的过拟合现象。音频加噪是指对原始信号增加一个随机高斯白噪声。高斯白噪声是指幅度分布服从高斯分布，功率谱密度服从均匀分布的一类噪声，其噪声不具有相关性。音高变换增强是围绕频率轴的±5％范围内的随机滚动。音频时移增强是指沿时间轴滚动信号来随机移位信号。参阅图4所示，为呼吸音信号经过上述数据增强后的梅尔频谱图，(a)图是原始图像，(b)图是加入噪声后的图像，(c)图是音高变换(增加)后的图像，(d)图是音高变换(降低)后的图像，(e)图音频时移增强后的图像。可以看出，相比于原始图像，(b)图增加了高斯白噪声，(c)(d)在频率上发生了变化，(d)图在时间轴产生了位移。原始数据集中包括3642个正常呼吸音，1864个湿罗音，886个哮鸣音，506个湿罗音和哮鸣音，经过数据增强后数据集包括3642个正常呼吸音，3732个湿罗音，2658个哮鸣音，2540个湿罗音和哮鸣音。运用lstm和gru对原始数据集和数据增强后的数据集进行分类实验，结果如下表所示，accuracyprecisionrecallf1-scoregru(原始数据集)0.60.480.450.46lstm(原始数据集)0.610.480.450.46gru(增强后数据集)0.630.520.50.51lstm(增强后数据集)0.650.530.50.51通过上表结果可以看到，上述音频进行数据增强使得呼吸音数据集中不同类别呼吸音样本更加平均化，提升了模型的泛化能力，对整体分类结果也有提升。提取呼吸音频信号的短时能量，短时平均过零率，谱质心，谱滚降，谱对比度，色度谱，rms能量，mfcc系数，一阶差分mfcc系数，二阶差分mfcc系数，谐噪比，基频微扰，振幅微扰共67维组合特征作为后续分类器的输入。参阅图5所示，为呼吸音短时能量图，短时平均能量可以区分清音和浊音，在信噪比比较高的情况下，也可以作为区分有声和无声的依据，并且常作为特征参数用于语音识别中。设语音波形时域信号为x(n)，加窗函数ω(n)分帧处理后得到的第i帧语音信号为yi(n)，yi(n)＝ω(n)*x((i-1)*inc+n),1≤n≤l,1≤i≤fn其中ω(n)为窗函数，一般为矩形窗或者汉明窗；yi(n)是一帧的数值，l为帧长；inc为帧移长度；fn为分帧后的总帧数。计算第i帧语音信号yi(n)的短时能量公式为：参阅图6所示，为短时平均过零率图，短时平均过零率表示一帧语音中语音信号波形穿过横轴的次数。对于连续语音信号，过零意味着时域波形通过时间轴；对于离散信号，相邻的取值改变符号则称为过零。短时平均过零率可以从背景噪声中找出语音信号，用于判断有话段和无话段，也可以用于语音信号的清浊音的判断。语音信号x(n)分帧后有yi(n)，帧长为l，短时平均过零率为其中：谱质心图包含了一些特征信息，且不同类型呼吸音谱质心图存在一些差异，因此提取呼吸音每一帧的质心频率作为特征，用于后续的分类识别工作中。谱质心是描述音色属性的重要物理参数之一，是频率成分的重心，是在一定频率范围内通过能量加权平均的频率，它是声音信号的频率分布和能量分布的重要信息。参阅图7和图8所示，分别为湿罗音和哮鸣音组合音的谱质心图和湿罗音的谱质心图，在主观感知领域，谱质心描述了声音的明亮度，具有阴暗、低沉品质的声音倾向有较多低频内容，谱质心相对较低。具有明亮、欢快品质的声音多数集中在高频，谱质心相对较高。谱质心就是基于能量分布的频率一阶矩，能够反映信号中主谐波的基频值的特性：式中f为信号频率，e(n)为连续时域信号x(t)短时傅里叶变化后对应频率的谱能量。谱滚降图包含了一些特征信息，且不同类型呼吸音谱滚降图存在一些差异，因此提取呼吸音每一帧的滚动频率作为特征，用于后续的分类识别工作中。参阅图9和图10所示，分别为湿罗音和哮鸣音组合音的谱滚降图和湿罗音的谱滚降图，谱滚降表示一帧中频谱幅度随频率衰减的快慢。其中k是频率下标，k是频率下标总个数，xr(k)是第r帧信号在频率下标k处傅里叶变换的幅度。参阅图11所示，为频谱对比度流程图，频谱对比度特征估算每个子频段的频谱峰值和谷值的强度及它们的差值。假如第k个子频段的fft向量是{xk,1,xk,2，...,xk,n},在以降序排序后,新向量表示为{x′k,1,x′k,2，...,x′k,n},满足条件x′k,1＞x′k,2＞...＞x′k,n频谱的峰值和谷值的强度估算公式如下:其差值为sck＝peakk-valleyk其中n是第k子频段的分量总数，α为邻域因子，用来表示小邻域。参阅图12所示，为湿罗音、湿罗音和哮鸣音组合音的频谱对比度图，在提取频谱对比度的过程中，首先将原始音频做快速傅里叶变换，然后经过八音阶滤波器进行滤波，在每个子频段提取频谱的峰值、谷值和其之间的差值，对这些对比度特征取对数后再进行k—l变换。色度特征是色度向量(chromavector)和色度图谱(chromagram)的统称。色度向量是一个含有12个元素的向量，这些元素分别代表一段时间(如1帧)内12个音级中的能量，不同八度的同一音级能量累加，色度图谱则是色度向量的序列。色度的分布可以提供音频的有用信息，甚至可以揭示原始谱线中看不到的可感知的信息。本实施例提取了呼吸音中每帧的色度向量序列作为特征。参阅图13所示，为色度图提取流程图，首先把音频文件做傅里叶变换从时域转变为频域，接着进行一些降噪处理，再做调音，然后将绝对时间按照所选窗的长度转换为帧，并将每一个音高在每一帧内的能量记录下来，成为音高图谱。在音高图谱的基础上，将同一时间、同一音级、不同八度的音符的能量叠加到色度向量内该音级的元素上，成为色度图谱。参阅图14所示，为湿罗音色度谱图，按照上述步骤绘制的湿罗音色度谱图如下图所示，整体来看d和e这两个音级非常的亮，因此湿罗音中的能量主要集中在这两个音级上。参阅图15和16所示，分别为湿罗音和哮鸣音组合音的rms能量图和湿罗音的rms能量图，rms能量是指提取能量谱中每一帧的均方根值。将呼吸音信号做短时傅里叶变换，生成幅度谱和相位谱，能量谱是幅值谱密度函数的平方在频率上的积分。设一个能量信号s(t)的能量为e，则此信号的能量表示为：若此信号的傅里叶变换，即频谱密度为s(f)，则由巴塞伐尔定理得知：上式表示|s(f)|2在频率轴f上的积分等于信号能量，所以称|s(f)|2能量谱密度，它表示在频率f处宽度为df的频带内的信号能量，或者看作单位频带内的信号能量。参阅图17所示，为mfcc特征提取流程图，音频信号通过预加重、分帧、加窗等预处理过程，再经过快速傅里叶变换得到各帧数据的频谱参数，然后将其通过一组n个三角带通滤波器构成的mel频率滤波器做卷积运算，然后对各个频带的输出结果做对数运算,依次得到对数能量，最后对这些参数做离散余弦变换，得到梅尔倒谱系数。人耳对不同频率的声波有不同的听觉敏感度，低音容易掩蔽高音。梅尔频率倒谱系数考虑到了人类的听觉特征，先将线性频谱映射到基于听觉感知的梅尔非线性频谱中，然后转换到倒谱上。它与频率的关系可用下式近似表示：mfcc计算过程的具体步骤如下：(1)根据上式将实际频率尺度转换为mel频率尺度。(2)在mel频率轴上配置l个通道的三角形滤波器组。每个三角滤波器的中心频率c(l)在mel频率轴上等间隔分配。设o(l)、c(l)和h(l)分别是第l个三角形滤波器之间的下限、中心和上限频率，相邻三角滤波器组之间的下限、中心和上限频率关系如下式所示c(l)＝h(l-1)＝o(l+1)(3)根据语音信号幅度谱|xn(k)|求每一个三角形滤波器的输出(4)对所有滤波器组输出做对数运算，再进一步做离散余弦变换即可得到mfcc由于语音信号是时域连续的，分帧提取的特征信息只反应了本帧语音的特性，为了更能体现时域连续性，在特征维度基础上增加前后帧信息的维度。常用的是一阶差分和二阶差分。下式为差分计算公式式中d(n)表示第n个一阶差分，c(n+x)表示第n+x个倒谱系数的阶数，k表示差分帧的区间。谐噪比：hnr(harmonics-to-noiseratio)是语音中谐波成分和噪声成分的比率，是检测病态嗓音和评价嗓音素质的一个客观指标，能有效地反应声门闭合情况。噪声是指发声时由于声门非完全关闭引起的声门噪声。当声带出现病变(小结、息肉、囊肿、癌症等)时，hnr值将减小，表示发声稳定性下降。计算语音帧st(n)的自相关函数rn(i)：其中n表示语音帧的采样点数，设rh(i)和rn(i)分别表示语音信号的谐波相关性和噪声相关性，由于谐波成分和噪声成分不相关且噪声成分没有相关性，故有：当i＝0时，rn(0)＝rh(0)+rn(0)当i＝t0时，rn(t0)＝rh(t0)＝rh(0)谐噪比的计算公式为：基频微扰(jitter)指嗓音信号相邻周期之间基频的微小变化(量、率)，单位可以表示为百分比，基于美国正常成人高音样本的dr.speechscience系统给出jitter的正常参考值为<0.5％。jitter值主要反映嗓音的粗糙程度，也可以反映嘶哑程度。正常嗓音周期间的频率相同者较多，不同者甚少，因此频率微扰值很小。振幅微扰(shimmer)指嗓音信号相邻周期之间振幅的微小变化(量、率)，单位可以表示为百分比，基于美国正常成人高音样本的dr.speechscience系统给出的正常参考值为<3％。shimmer值主要反映嗓音的嘶哑声程度。jitter值和shimmer值越小，说明在发声过程中声学信号出现的微小变化(量、率)越少。当声带出现病变(小结、息肉、囊肿、癌症等)时，jitter值和shimmer值将增大。医生通过分析患者的jitter值和shimmer值，可以诊断病情的严重程度。基频微扰的计算公式为：其中ti表示第i个语音子单元的基音周期值，k表示语音单元包括的语音子单元的数目。语音单元的粒度可以体现为区间，或者可以体现为整段语音数据；语音子单元的粒度可以体现为语音数据帧，或者可以体现为由语音单元均分的至少两个子区间。基频微扰的特征包括以下物理量：其中jloc表示两个连续周期的基音平均绝对差值除以该周期的基音平均值。jrap表示扰动的平均值，即一个周期与包含它的两个最近邻居周期(即前一个周期和后一个周期)基音平均绝对差值，除以该周期的基音平均值。jppq5表示5个周期内的扰动率，即一个周期与包含它的四个最近邻居周期(即前两个周期和后两个周期)的基音平均绝对差值除以该周期的基音平均值。振幅微扰的计算公式为：其中ai表示第i个语音子单元的振幅，k表示语音单元包括的语音子单元的数目。振幅微扰的特征包括以下物理量：其中sloc表示两个连续周期振幅之间的平均绝对差值除以该周期的平均振幅只。sapq3表示扰动的平均值，即一个周期与包含它的两个最近邻居周期(即前一个周期和后一个周期)的振幅之间的平均绝对差值除以该周期的平均振幅值。sapq5表示5个周期内的扰动率，即一个周期与包含它的四个最近邻居周期(即前两个周期和后两个周期)的振幅之间的平均绝对差值除以该周期的平均振幅值。上述步骤s4中，根据步骤s301中提取的声学特征建造bigru-attention、bilstm-attention、gru-attention、lstm-attention、bigru、bilstm6种类型识别模型。然后通过6种类型识别模型分别对所述呼吸音的音频信号进行识别分类，并得出结果。该实施方式中，根据步骤s301中提取的呼吸音频信号的短时能量，短时平均过零率，谱质心，谱滚降，谱对比度，色度谱，rms能量，mfcc系数，一阶差分mfcc系数，二阶差分mfcc系数，谐噪比，基频微扰，振幅微扰共67维组合特征作为后续分类器的输入，构造bigru-attention、bilstm-attention、gru-attention、lstm-attention、bigru、bilstm6种类型识别模型。并对比这6种型识别模型的识别结果。分别运用bigru-attention、bilstm-attention、gru-attention、lstm-attention、gru、lstm进行呼吸音分类，分类结果如下表所示，accuracyprecisionrecallf1-scoregru0.630.520.50.51lstm0.650.530.50.51gru-attention0.670.550.540.54lstm-attention0.680.570.550.56bigru0.680.540.520.53bilstm0.690.540.520.53bigru-attention0.720.580.560.57bilstm-attention0.740.590.570.58从表中可以看出，lstm有输入门、遗忘门、输出门三个门在数据集较多的情况下分类效果好于gru，bilstm相比于lstm更能够捕捉到连续性呼吸音的前后时序特征，在四种评价指标上都优于lstm。bilstm-attention机制可以更加突出呼吸音中重要信息，在四种评价指标上的表现都优于bilstm。综上，本文所提出的bilstm-attention模型在四种评价指标上的表现最优，在呼吸音分类识别中更具有优势。参阅图18所示，为bilstm的结构示意图，对于第i时刻来说，其bilstm输出结果是由前向隐层状态和反向隐层状态加权求和得到：其中lstm()函数表示对某时刻输入的特征向量进行非线性变换，生成对应lstm隐层状态。wi和vi分别表示i时刻双向lstm所对应的前向隐层状态和反向隐状态所对应的权重，bi表示i时刻隐层状态所对应的偏置。参阅图19所示，为attention机制的具体计算过程图，第一个阶段根据query和key计算两者的相似性或者相关性，第二个阶段对第一阶段的原始分值进行归一化处理，第三阶段是根据权重系数对value进行加权求和。在bilstm中，对于每一个输入序列，都连接着两个方向相反的长短期记忆网络，两个网络都连接着同一个输出，因此能捕捉到具有连续性呼吸音的前后时序特征。加之attention机制的融合可以更具针对性的筛选和聚焦到呼吸音中重要信息。因此，基于bilstm-attention模型可以更有效的进行呼吸音分类识别。其分类模型分为三个层次：输入层、隐含层和输出层。输入层:提取的音频信号特征(时域特征、频域特征、mfcc特征、医学特征)组成特征矩阵第t个音频的特征向量表示为xt＝{xt1,xt2,...,xti}其中xti表示第t个音频第i时刻的特征向量。隐含层:bilstm层挖掘出更深层的音频特征，得到隐层特征向量ht＝bilstm(xt)其中,ht表示第t个音频的特征向量xt对应的隐层特征向量。为了进一步挖掘音频深层次隐含特征，融合了注意力机制。当接收到上一层输出的向量时，对每一个时间步的向量增加一个概率权重,具体计算过程为vt＝tanh(wht+b)其中，ht是接收上一层输出的向量，b为偏置系数，w为概率权重，u为attention层的初始化矩阵，最后放入激活函数进行归一化处理，传到输出层。输出层:attention层的输出作为输出层的输入，使用softmax函数进行归一化操作，进而比对输出的分类标签，得到模型的分类结果，具体计算过程如下：y＝soft(w1ct+b1)其中,y是输出层输出的分类结果,ct是attention层输出的向量,b1是偏置系数,w1是输出层用于训练的权重矩阵系数。在真实的呼吸音数据集实验中，bilstm-attention对呼吸音的分类识别率达到74％，对呼吸音的分类研究具有重要临床价值。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，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之内。当前第1页1 2 3 

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除