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，下面结合附图并据实施例，对本发明的技术方案进行详细说明。

如在本发明的说明书以及所附权利要求书中使用的单数形式的“一”以及“所述”也意图包括复数形式，除非本文内容明确地另行指定。

发明人对现有的MR数据采集触发点确定方法进行分析，发现其存在如下缺陷：

现有方法中，预先根据几个先前的呼吸周期定义一个呼气幅度峰值，如图1中的直线X所在位置，将呼气幅度峰值的80％作为触发点阈值，如图1中的直线Y所在位置，之后，在每个呼吸周期的呼气阶段，每隔一定时间间隔计算一次当前呼气信号的幅度与触发点阈值的差值的绝对值，若差值的绝对值小于预设差值阈值，则触发MR数据采集。

图1为采用现有方法进行MR数据采集触发点检测的示意图，从图1可以看出，存在漏触发或过早触发或过晚触发的情况。具体地：

一)漏触发情况

如图1中的呼吸周期A，A中实质上也存在呼气末点，应该触发MR数据采集，但是呼吸周期A内的呼吸信号的幅度过小，因此，导致该呼吸周期内呼吸信号的幅度峰值都没有达到触发点阈值，从而该呼吸周期内就检测不到触发点；

二)过早或过晚触发情况

如图1中的呼吸周期B，由于呼吸周期B内呼吸信号的幅度偏高，因此，会导致该呼吸周期内呼吸信号的幅度在呼气末之前就达到触发点阈值，从而导致触发点被过早检测到；

再如图1中的呼吸周期C，由于呼吸周期C内呼吸信号的幅度偏低，因此，会导致该呼吸周期内呼吸信号的幅度在呼气末之后才达到触发点阈值，从而导致触发点被过晚检测到。

触发点的漏检会造成MR数据采集过程延长，而触发点过早或过晚检测到，会导致MR图像出现运动伪影。

发明人经过上述分析后认为：现有方法的上述缺陷主要是因为采用固定的触发点阈值，从而没有顾及到呼吸信号在不同呼吸周期内的幅度可能存在较大变化的情况。基于该发现，发明人给出了本发明的如下解决方案：

以下对本发明进行详细说明：

图2为本发明一实施例提供的MR数据采集触发方法流程图，其具体步骤如下：

步骤201：检测被采集人的呼吸信号的呼吸方向。

步骤202：根据被采集人的呼吸信号，实时预测当前呼吸周期内呼气信号的呼气幅度峰值。

步骤203：当根据呼吸信号的呼吸方向确定当前呼吸周期的呼气阶段开始时，实时或周期性地计算当前呼气幅度峰值与预设系数的乘积，得到当前呼吸周期的触发点阈值，计算当前呼气信号的幅度与当前呼吸周期的触发点阈值的差值的绝对值，若该差值的绝对值小于预设差值阈值，则触发MR数据采集。

其中，预设系数可根据经验等确定，通常采用80％。

上述实施例中，根据被采集人的呼吸信号，实时预测当前呼吸周期内呼气信号的幅度峰值，根据该幅度峰值确定当前触发点阈值，从而使得触发点阈值能够随着呼吸信号的幅度的变化而变化，降低了MR数据采集漏触发或过早触发或过晚漏发的概率，提高了MR数据采集触发的准确性。

图3为应用本发明实施例提供的方法后检测到的MR数据采集触发点的实例图，可以看出，应用本发明后，在不同呼吸周期内无论呼吸信号的幅度如何变化，触发点总是能被准确检测到。

考虑到MR数据采集过程中的射频脉冲或梯度脉冲会对呼吸信号造成干扰，为了减少或消除该干扰，可采用在先的未受干扰的呼吸信号预测在后的呼吸信号。

图4为本发明另一实施例提供的MR数据采集触发方法流程图，其具体步骤如下：

步骤401：检测被采集人的呼吸信号的呼吸方向。

步骤402：实时根据被采集人的最近预设长度的呼吸信号，预测被采集人的下一采样点的呼吸信号。

步骤403：根据步骤402实时预测的呼吸信号，实时预测当前呼吸周期内呼气信号的呼气幅度峰值。

步骤404：当根据呼吸信号的呼吸方向确定当前呼吸周期的呼气阶段开始时，实时或周期性地计算当前呼气幅度峰值与预设系数的乘积，得到当前呼吸周期的触发点阈值，计算当前呼气信号的幅度与当前呼吸周期的触发点阈值的差值的绝对值，若该差值的绝对值小于预设差值阈值，则触发MR数据采集。

上述实施例中，在对呼吸信号进行呼气信号的幅度峰值预测之前，先用在先呼吸信号对在后呼吸信号进行预测，从而降低了MR数据采集过程中的射频脉冲或梯度脉冲对呼吸信号的干扰，从而进一步提高了MR数据采集触发的准确性。

本发明实际应用中，为了检测被采集人的呼吸信号的呼吸方向，可以预先建立一个呼吸方向检测模型，图5给出了本发明实施例提供的呼吸方向检测模型的建立方法流程图，其具体步骤如下：

步骤501：采集同一人在不同时间段的呼吸信号序列、或/和不同人在相同时间段或不同时间段的呼吸信号序列，将采集的呼吸信号作为训练样本。

呼吸信号以各个采样点的呼吸信号的幅度来表示。

需要说明的是，采集训练样本时，必须是在无人为干扰的环境下，例如：必须没有射频脉冲和梯度脉冲等的干扰。

步骤502：将采集的训练样本依次输入待训练的神经网络，神经网络的输出为当前输入的呼吸信号的幅度变化与呼吸方向之间的对应关系，如：幅度上升阶段：吸气、幅度下降阶段：呼气，或者如：幅度上升阶段：呼气、幅度下降阶段：吸气。

神经网络的输入信号的长度越大，最终得到的呼吸方向检测模型越准确。

步骤503：训练完毕，得到呼吸方向检测模型。

一个呼吸周期包括：吸气阶段和呼气阶段。根据对采集的原始呼吸信号的处理方式的不同，存在两种情况：

情况一、每个呼吸周期的幅度上升阶段为吸气阶段，幅度下降阶段为呼气阶段

如图6所示，其中，在每个呼吸周期内，幅度上升阶段表示吸气，幅度下降阶段表示呼气。如图6中的AB段为幅度上升阶段，为吸气阶段，BC段为幅度下降阶段，为呼气阶段。则，当向待训练的神经网络输入幅度上升阶段的呼吸信号时，对应的输出为：幅度上升阶段：吸气(可采用10表示)；当向待训练的神经网络输入幅度下降阶段的呼吸信号时，对应的输出为：幅度下降阶段：呼气(可采用01表示)。则训练过程中，神经网络就会学习到：当呼吸信号的幅度上升时代表吸气，输出为10，当呼吸信号的幅度下降时代表呼气，输出为01。

情况二、每个呼吸周期的幅度上升阶段为呼气阶段，幅度下降阶段为吸气阶段

如图7所示，其中，在每个呼吸周期内，幅度上升阶段表示呼气，幅度下降阶段表示吸气。如图7中的AB段为幅度上升阶段，为呼气阶段，BC段为幅度下降阶段，为吸气阶段。则，当向待训练的神经网络输入幅度上升阶段的呼吸信号时，对应的输出为：幅度上升阶段：呼气(可采用11表示)；当向待训练的神经网络输入幅度下降阶段的呼吸信号时，对应的输出为幅度下降阶段：吸气(可采用00表示)。则训练过程中，神经网络就会学习到：当呼吸信号的幅度上升时，代表呼气，输出为11，当呼吸信号的幅度下降时，代表吸气，输出为00。

在使用呼吸方向检测模型时，先采集患者的一段呼吸信号，将该段呼吸信号输入呼吸方向检测模型，则根据模型的输出就可得知：每个呼吸周期内呼吸信号的上升阶段和下降阶段分别对应的是吸气还是呼气。

在根据初始采集的一段呼吸信号，判断出每个呼吸周期内呼吸信号的上升阶段和下降阶段分别对应的是吸气还是呼气后，之后就可直接使用该结果判定患者在每个呼吸周期内呼吸信号的呼吸方向了。具体地，若根据之前呼吸方向检测模型的输出得知：幅度上升阶段为呼气，幅度下降阶段为吸气，则之后采集到患者的呼吸信号之后，实时检测患者呼吸信号的幅度的变化情况，若幅度上升，则代表呼气，若幅度下降，则代表吸气。

本发明实际应用中，为了预测当前呼吸周期内呼气信号的幅度峰值，可以预先建立一个呼气峰值预测模型，图8给出了本发明实施例提供的呼气峰值预测模型的建立方法流程图，其具体步骤如下：

步骤801：采集同一人在不同时间段的呼吸信号序列、或/和不同人在相同时间段或不同时间段的呼吸信号序列，将采集的各呼吸信号序列作为训练样本。

需要说明的是，若采集的原始呼吸信号序列为幅度下降阶段为呼气，幅度上升阶段为吸气，则需要先对原始呼吸信号进行处理，例如：将原始呼吸信号序列的幅度乘以-1，以使得处理后的呼吸信号序列的幅度上升阶段为呼气，幅度下降阶段为吸气，将处理后的呼吸信号序列作为训练样本。

步骤802：将训练样本依次输入待训练的神经网络，神经网络的输出为：当前输入的呼吸信号所在呼吸周期的呼气幅度峰值。

步骤803：训练完毕，得到呼气峰值预测模型。

在训练呼气峰值预测模型的过程中，神经网络会不断地学习输入的呼吸信号的幅度变化和输出的呼气幅度峰值之间的关系。

需要说明的是，由于呼气峰值预测模型是预测呼气幅度峰值的，其设定的前提是：呼吸信号的幅度上升阶段为呼气，因此，在使用呼气峰值预测模型时，要求输入的呼吸信号的呼吸方向必须是：幅度上升阶段为呼气。这样，若呼吸方向预测模型的输出为：幅度上升阶段为吸气，则在将采集的患者的原始呼吸信号输入呼气峰值预测模型之前，需要先对原始呼吸信号进行处理，例如：将原始呼吸信号的幅度乘以-1，以使得处理后的呼吸信号的幅度上升阶段为呼气，然后将处理后的呼吸信号输入呼气峰值预测模型进行呼气峰值预测。

在实际应用中，预先设定一个触发判断时间间隔，在检测到当前输入呼气峰值预测模型的呼吸信号的呼吸方向为呼气阶段的开始时(即由吸气转换为呼气时)，开始每隔一个触发判断时间间隔，计算呼气峰值预测模型输出的呼气幅度峰值与预设系数的乘积，得到当前呼吸周期的触发点阈值，然后计算当前呼气信号的幅度与当前呼吸周期的触发点阈值的差值的绝对值，若该差值的绝对值小于预设差值阈值，则触发MR数据采集。

图9为应用本发明实施例提供的方法进行呼气峰值预测的一个实例，如图9所示，S1为输入呼气峰值预测模型的一段呼吸信号，此时预测出的呼气幅度峰值为P1，此时计算d1＝|S1-P1*α|，d1>dT，其中，α为预设系数，dT为预设差值阈值，则不触发MR数据采集；S2为之后输入呼气峰值预测模型的一段呼吸信号，此时预测出的呼气幅度峰值为P2，此时计算d2＝|S2-P2*α|，d2<dT，则触发MR数据采集。

本发明实际应用中，为了采用在先的未受干扰的呼吸信号预测在后的呼吸信号，可以预先建立一个呼吸信号预测模型，图10为本发明实施例提供的呼吸信号预测模型建立方法流程图，其具体步骤如下：

步骤1001：采集同一人在不同时间段的呼吸信号序列、或/和不同人在相同时间段或不同时间段的呼吸信号序列，将采集的各呼吸信号序列作为训练样本。

需要说明的是，若采集的原始呼吸信号序列为幅度下降阶段为呼气，幅度上升阶段为吸气，则需要先对原始呼吸信号序列进行处理，例如：将原始呼吸信号序列的幅度乘以-1，以使得处理后的呼吸信号序列的幅度上升阶段为呼气，幅度下降阶段为吸气，将处理后的呼吸信号序列作为训练样本。

步骤1002：将采集的训练样本依次输入待训练的神经网络，神经网络的输出为：将输入的呼吸信号延迟一个采样点后的呼吸信号。

例如：神经网络的输入信号为：时间点t₁、t₂、...、t_k处的呼吸信号：x(t₁)、x(t₂)、...、x(t_k)，则神经网络的输出为时间点t_k+1的呼吸信号x(t_k+1)。

步骤1003：训练完毕，得到呼吸信号预测模型。

在训练呼吸信号预测模型的过程中，神经网络会不断地学习输入的呼吸信号和输出的呼吸信号之间的关系，最终建立输入的呼吸信号(即在先呼吸信号x(t₁)、x(t₂)、...、x(t_k))和输出的呼吸信号(即在后呼吸信号x(t_k+1))之间的关联关系：x(t_k+1)＝f(x(t₁)、x(t₂)、...、x(t_k))。

需要说明的是，由于呼吸信号预测模型输出的呼吸信号是要输入到呼气峰值预测模型的，而呼气峰值预测模型要求输入的呼吸信号的呼吸方向必须是：幅度上升阶段为呼气，这样，呼吸信号预测模型输出的呼吸信号的方向最好也是幅度上升阶段为呼气。这样，若呼吸方向预测模型的输出为：幅度上升阶段为吸气，则在将采集的患者的原始呼吸信号序列输入呼吸信号预测模型之前，需要先对该原始呼吸信号序列进行处理，例如：将原始呼吸信号序列的幅度乘以-1，以使得处理后的呼吸信号序列的幅度上升阶段为呼气，然后将处理后的呼吸信号序列输入呼吸信号预测模型。

图11为应用本发明实施例提供的方法进行呼吸信号预测的一个实例。图11中的A表示一个射频脉冲序列，其中，在时间点tx和ty之间为射频脉冲的发射时间；图11中的B表示呼吸信号序列，可见在射频脉冲发射时间及之后的一段时间内，即图中的tx～tz之间的呼吸信号受到了严重干扰，将原呼吸信号输入呼吸信号预测模型后，可见输出的tx～tz之间的呼吸信号变得平滑了，其中，s1点为采用t1段的原呼吸信号预测出的呼吸信号，s2点为采用t2段的原呼吸信号预测出的呼吸信号，t1和t2的长度相等即为呼吸信号预测模型的输入呼吸信号的长度。

图12为本发明又一实施例提供的MR数据采集触发方法流程图，其具体步骤如下：

步骤1201：采集同一人在不同时间段的呼吸信号序列、或/和不同人在相同时间段或不同时间段的呼吸信号序列，将采集的各呼吸信号序列作为训练样本。

需要说明的是，采集训练样本时，必须是在无人为干扰的环境下，例如：必须没有射频脉冲和梯度脉冲等的干扰。

步骤1202：将采集的训练样本依次输入待训练的第一神经网络，第一神经网络的输出为当前输入的呼吸信号的幅度变化与呼吸方向之间的对应关系，如：幅度上升阶段：吸气、幅度下降阶段：呼气，或者如：幅度上升阶段：呼气、幅度下降阶段：吸气；训练完毕，得到呼吸方向检测模型。

步骤1203：将采集的训练样本依次输入待训练的第二神经网络，第二神经网络的输出为：将输入的呼吸信号延迟一个采样点后的呼吸信号；训练完毕，得到呼吸信号预测模型。

需要说明的是，输入第二神经网络的训练样本的呼吸方向需要满足：幅度上升阶段为呼气，因此，在将采集的训练样本输入第二神经网络之前，需要先将一部分训练样本输入训练好的呼吸方向检测模型，以检测训练样本的呼吸方向是否为幅度上升阶段为呼气，若否，则对采集的所有训练样本进行处理，例如：将采集的训练样本的幅度乘以-1，以使得处理后的训练样本的幅度上升阶段为呼气，然后将处理后的训练样本输入第二神经网络。

步骤1204：将训练样本依次输入待训练的第三神经网络，第三神经网络的输出为：当前输入的呼吸信号所在呼吸周期的呼气幅度峰值；训练完毕，得到呼气峰值预测模型。

同样地，输入第三神经网络的训练样本的呼吸方向需要满足：幅度上升阶段为呼气，因此，在将采集的训练样本输入第三神经网络之前，需要先将一部分训练样本输入训练好的呼吸方向检测模型，以检测训练样本的呼吸方向是否为幅度上升阶段为呼气，若否，则对采集的所有训练样本进行处理，例如：将采集的训练样本的幅度乘以-1，以使得处理后的训练样本的幅度上升阶段为呼气，然后将处理后的训练样本输入第三神经网络。

步骤1205：当要对一患者进行MR数据采集时，采用呼吸传感器采集该患者的呼吸信号。

步骤1206：将初始采集的预设长度的呼吸信号依次输入呼吸方向检测模型，模型的输出为输入的呼吸信号的幅度变化与呼吸方向之间的对应关系。

根据初始采集的预设长度的呼吸信号，判断出呼吸信号的幅度变化与呼吸方向之间的对应关系后，之后的呼吸信号就可直接使用该结果判定每个呼吸周期内的呼吸方向。

步骤1207：若步骤1206中确定呼吸信号的幅度下降阶段为呼气，则对之后采集的患者的呼吸信号都进行幅度乘以-1的处理，以使得呼吸方向更改为幅度上升阶段为呼气。

步骤1208：将患者的呼吸信号实时输入呼吸信号预测模型，得到预测后的呼吸信号。

步骤1209：将预测后的呼吸信号实时输入呼气峰值预测模型，得到预测的当前呼吸周期的呼气幅度峰值。

步骤1210：若当前输入呼气峰值预测模型的呼吸信号处于幅度上升阶段，即处于呼气阶段，则每隔一个触发判断时间间隔，将当前呼气峰值预测模型输出的呼气幅度峰值乘以预设系数得到当前触发点阈值，计算当前输入呼气峰值预测模型的呼吸信号的幅度与当前触发点阈值之间的差值绝对值，若该差值绝对值小于预设差值阈值，则触发MR数据采集。

由于触发点阈值是由呼气幅度峰值乘以预设系数得到的，因此，预设系数的大小也会影响MR数据采集触发的准确性。本发明实施例中，给出了一种选择最佳预设系数的方案：

对于同样的呼吸信号，采用不同的预设系数进行触发点阈值的计算，并进行对应的MR数据采集，最后将不同预设系数对应的MR图像进行对比，质量最好的MR图像对应的预设系数即为最佳预设系数。

本发明实施例提到的神经网络可以是TCN(Temporal Convolutional Network，时间卷积网络)、或者RNN(Recurrent Neural Networks，递归神经网络)、或者LSTM(Long-Short-Term-Memories，长短期记忆)神经网络，等等。

在同样的MR数据采集场景中，应用现有方法和本发明方法后发现，本发明方法相比现有方法，触发误差降低了40％以上。此外，本发明方法在呼吸运动轨迹接近呼气末时，误差会越来越小。

图13为本发明一实施例提供的MR数据采集触发装置的结构示意图，该装置主要包括：

呼吸方向检测模块131，用于检测被采集人的呼吸信号的呼吸方向；

呼气峰值预测模块132，用于根据被采集人的呼吸信号，实时预测当前呼吸周期内呼气信号的呼气幅度峰值；

触发检测模块133，用于当根据呼吸方向检测模块131检测的呼吸信号的呼吸方向，确定当前呼吸周期的呼气阶段开始时，实时或周期性地计算呼气峰值预测模块132预测的当前呼气幅度峰值与预设系数的乘积，得到当前呼吸周期的触发点阈值，计算当前呼气信号的幅度与当前呼吸周期的触发点阈值的差值的绝对值，若该差值的绝对值小于预设差值阈值，则触发MR数据采集。

在实际应用中，上述装置130进一步包括：呼吸方向检测模型建立模块134，用于采集同一人在不同时间段的呼吸信号、或/和不同人在相同时间段或不同时间段的呼吸信号，将采集的呼吸信号作为训练样本；将采集的训练样本依次输入待训练的第一神经网络，第一神经网络的输出为当前输入的呼吸信号的幅度变化与呼吸方向之间的对应关系；训练完毕，得到呼吸方向检测模型；

且，呼吸方向检测模块131具体用于，将被采集人的呼吸信号输入呼吸方向检测模型建立模块134建立的呼吸方向检测模型，根据模型的输出确定被采集人的呼吸信号在每个呼吸周期内的幅度变化与呼吸方向之间的对应关系。

在实际应用中，上述装置130进一步包括：呼气峰值预测模型建立模块135，用于采集同一人在不同时间段的呼吸信号、或/和不同人在相同时间段或不同时间段的呼吸信号，将采集的呼吸信号作为训练样本；将训练样本依次输入待训练的第三神经网络，第三神经网络的输出为：当前输入的呼吸信号所在呼吸周期的呼气幅度峰值；训练完毕，得到呼气峰值预测模型；其中，训练样本的每个呼吸周期内呼吸信号幅度上升阶段为呼气；

且，呼气峰值预测模块132具体用于，将被采集人的呼吸信号输入呼气峰值预测模型建立模块135建立的呼气峰值预测模型，模型的输出为当前输入的呼吸信号所在呼吸周期的呼气幅度峰值，其中，被采集人的呼吸信号满足：每个呼吸周期内呼吸信号幅度上升阶段为呼气。

在实际应用中，上述装置130进一步包括：呼吸信号预测模块136，用于实时根据被采集人的最近预设长度的呼吸信号，预测被采集人的下一采样点的呼吸信号；

且，呼气峰值预测模块132具体用于，根据呼吸信号预测模块136实时预测的呼吸信号，实时预测当前呼吸周期内呼气信号的呼气幅度峰值。

在实际应用中，上述装置130进一步包括：呼吸信号预测模型建立模块137，用于采集同一人在不同时间段的呼吸信号、或/和不同人在相同时间段或不同时间段的呼吸信号，将采集的呼吸信号作为训练样本；将训练样本依次输入待训练的第二神经网络，第二神经网络的输出为：当前输入的呼吸信号的下一采样点的呼吸信号；训练完毕，得到呼吸信号预测模型；其中，其中，训练样本的每个呼吸周期内呼吸信号幅度上升阶段为呼气；

且，呼吸信号预测模块136具体用于，将被采集人的呼吸信号输入呼吸信号预测模型建立模块137建立的呼吸信号预测模型，模型的输出为当前输入的呼吸信号的下一采样点的呼吸信号，其中，被采集人的呼吸信号满足：每个呼吸周期内呼吸信号幅度上升阶段为呼气。

图14为本发明实施例提供的MR数据采集触发装置140的结构示意图，该装置主要包括：处理器141和存储器142，其中：

所述存储器142中存储有可被所述处理器141执行的应用程序，用于使得处理器141执行如步骤201-203，或者如步骤401-403，或者如步骤501-503，或者如步骤801-803，或者如步骤1001-1003，或者如步骤1201-1210所述的MR数据采集触发方法的步骤。

本发明实施例还提供一种可读存储介质，其上存储有计算机程序，该计算机程序被一处理器执行时实现如步骤201-203，或者如步骤401-403，或者如步骤501-503，或者如步骤801-803，或者如步骤1001-1003，或者如步骤1201-1210所述的MR数据采集触发方法的步骤。

该可读存储介质上存储有机器可读指令，该机器可读指令在被处理器执行时，使处理器执行前述的任一种方法。具体地，可以提供配有可读存储介质的系统或者装置，在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该可读存储介质中的机器可读指令。

在这种情况下，从可读存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。

可读存储介质的实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上或云上下载程序代码。

本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。

需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的装置结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。