一种心电信号采集装置及质量等级评估和qrs波检测方法
阅读说明：本技术 一种心电信号采集装置及质量等级评估和qrs波检测方法 (Electrocardiosignal acquisition device and quality grade evaluation and QRS wave detection method ) 是由 袁志勇 袁帅英 杜博 赵俭辉 何紫阳 于 2021-02-10 设计创作，主要内容包括：本发明公开了一种可穿戴式心电信号采集装置及信号质量等级自动评估和QRS波检测方法,装置包括若干粘性电极、心电信号采集器、无线传输网络、智能移动设备、云存储与分析平台；首先,利用开发的装置采集12导联心电信号；然后,借助无线网络将心电信号传输到智能移动设备进行信号质量等级自动评估和QRS波检测；最后,将“可接受”质量等级信号上传至云存储与分析平台。医生通过Web浏览器访问该平台并对心电信号进行分析与处理,用户以同样的方式查看心电图。本发明所开发的装置结合智能移动设备实现了远程状态下信号采集、传输和质量等级评估。本发明所提出的QRS波检测算法针对低质量信号具有更好的效果,为辅助心脏疾病诊断提供了一种有效的技术手段。(The invention discloses a wearable electrocardiosignal acquisition device and a method for automatically evaluating signal quality grade and detecting QRS wave, wherein the device comprises a plurality of viscous electrodes, an electrocardiosignal acquisition device, a wireless transmission network, intelligent mobile equipment and a cloud storage and analysis platform; firstly, collecting 12-lead electrocardiosignals by utilizing a developed device; then, the electrocardiosignals are transmitted to intelligent mobile equipment by means of a wireless network to carry out automatic evaluation on signal quality grade and QRS wave detection; and finally, uploading the acceptable quality grade signal to a cloud storage and analysis platform. The doctor accesses the platform through a Web browser and analyzes and processes the electrocardiogram signal, and the user views the electrocardiogram in the same way. The device developed by the invention is combined with intelligent mobile equipment to realize signal acquisition, transmission and quality grade evaluation in a remote state. The QRS wave detection algorithm provided by the invention has better effect on low-quality signals, and provides an effective technical means for assisting the diagnosis of heart diseases.)
技术领域
本发明属于心电信号预处理技术领域，尤其涉及一种可穿戴式心电信号采集装置及心电信号质量自动评估和QRS检测方法。
背景技术
随着社会的进步和人们生活水平的逐步提高，健康的生活方式变得越来越重要。但是，心血管疾病(CVD)是全世界主要的死亡原因之一(占32％)，尤其是对于生活在偏远山区的人们而言。因此，远程心脏健康监测显得越来越重要，并迫切需要实施以应对生活在偏远地区的心脏病患者远程监测的挑战[1-3]。远程心脏健康监测技术通常是在没有医生参与的情况下由患者在家中自行采集心电信号[4]。这项技术支持用户居家监控健康状况，这样的好处是可以大大降低用户和医疗保健提供者的成本。然而，在偏远山区实现连续和稳定的患者心脏健康监测仍然存在许多问题。
首先是来自在远程无监督条件下收集的心电信号的质量评估(SQA)。SQA是远程智能心电信号分析的重要步骤。通过远程无监督方式采集的心电信号很容易受到各种噪声的污染，包括身体运动，环境干扰等[5，6]。自从2011年生理学/计算技术在心脏病学挑战赛中获得成功以来，SQA一直是一个研究热点[5，7]，并且在此过程中已经产生了许多有效的SQA方法。典型方法包括：基于阈值[8]，多特征融合[9]，整体决策树[10]，自组织神经网络[11]，信号质量指数(SQI)和支持向量机组合(SVM)[6]等。Liu和他的团队在他们的智能背心系统中使用了多个SQI评估指标[12]。Joachim Behar还使用了几种SQI指标的组合来评估心电信号的质量[13]。本发明将结合Liu和Joachim Behar的优势来选择合适的SQI指标，并为远程无监督心电信号采集提出合理的质量评估标准。
其次是远程无监督条件下心电信号的QRS波检测。QRS波检测在信号质量分析和预处理中至关重要。目前已经有很多QRS波检测算法[14]。一些主要算法包括：Pan-Tompkins算法(P-T)[15]，gqrs算法[16]和Raquel Guti'errez-Rivas(RGR)算法[17]。其中，P-T算法相对来说是效果比较好的QRS检测器[17，18]。但是，大多数QRS检测算法(包括上述算法)主要用于处理干净的临床数据，而通过远程方式采集的信号波形通常比较嘈杂。这可能是使用金属干电极和不专业用户操作所致。因此，在本发明中，将使用粘性电极来采集远程心电信号，从而可以提高信号质量。但是，在偏远地区医生无法及时提供指导，非专业用户采集的心电信号质量仍然较低。为了解决上述问题，本发明提出了一种QRS检测算法来处理远程无监督心电信号。
以上算法的轻量级设计也是本设计要考虑的重要问题。尽管多年来有大量关于心电信号预处理的文献，但对边缘设备上的远程无监督心电信号预处理的研究似乎很少。随着物联网和人工智能(AIoT)[19]的飞速发展，社会变得越来越智能，这便催生了许多需要执行轻量级程序的边缘设备。因此，有必要设计一种轻量级的算法在边缘设备上进行远程心电信号预处理。从而更方便、快捷的获得具有医学研究价值心电信号。
参考文献：
[1]D.Campillo,R.Guardarrama,R.Gonzalez,J.Rodriguez,D.Jimenez,A RealTime ECG Preprocessing System Based on ADS1298,2013Computing in CardiologyConference(Cinc),40(2013)947-950.
[2]B.M.Cooper,B.S.Marino,D.A.Fleck,A.J.Lisanti,N.Golfenshtein,C.Ravishankar,J.M.Costello,L.M.Huang,A.L.Hanlon,M.A.Q.Curley,Telehealth HomeMonitoring and Postcardiac Surgery for Congenital Heart Disease,Pediatrics,146(2020).
[3]E.Shirazi,M.H.Shooshtari,M.R.Shalbafan,F.Hadi,R.Bidaki,E-Health,Telemedicine and Telepsychiatry,Iran J Psychiat Clin,22(2017)266-269.
[4]S.S.Al-Majeed,I.S.Al-Mejibli,J.Karam,Home Telehealth by Internetof Things(IoT),Can Con El Comp En,(2015)609-613.
[5]G.D.Clifford,J.Behar,Q.Li,I.Rezek,Signal quality indices and datafusion for determining clinical acceptability of electrocardiograms,PhysiolMeas,33(2012)1419-1433.
[6]Y.T.Zhang,C.Y.Liu,S.S.Wei,C.Z.Wei,F.F.Liu,ECG quality assessmentbased on a kernel support vector machine and genetic algorithm with a featurematrix,J Zhejiang U-Sci C,15(2014)564-573.
[7]I.Silva,G.B.Moody,L.Celi,Improving the Quality of ECGs CollectedUsing Mobile Phones:The PhysioNet/Computing in Cardiology Challenge 2011,ComputCardiol Conf,38(2011)273-276.
[8]Z.Ahmad,M.N.Jamaludin,K.Soeed,Prediction of Exhaustion ThresholdBased on ECG Features Using The Artificial Neural Network Model,Ieee EmbsConf Bio,(2018)523-528.
[9]Y.Xia,H.H.Jia,ECG Quality Assessment Based On Multi-featureFusion,201713th International Conference on Natural Computation,Fuzzy Systemsand Knowledge Discovery(Icnc-Fskd),(2017)672-676.
[10]S.Zaunseder,R.Huhle,H.Malberg,CinC Challenge-Assessing theUsability of ECG by Ensemble Decision Trees,Comput Cardiol Conf,38(2011)277-280.
[11]Y.Chen,H.Yang,Self-organized neural network for the qualitycontrol of12-lead ECG signals,Physiol Meas,33(2012)1399-1418.
[12]C.Y.Liu,X.Y.Zhang,L.N.Zhao,F.F.Liu,X.W.Chen,Y.J.Yao,J.Q.Li,SignalQuality Assessment and Lightweight QRS Detection for Wearable ECG SmartVestSystem,Ieee Internet Things,6(2019)1363-1374.
[13]J.Behar,J.Oster,Q.Li,G.D.Clifford,ECG Signal Quality DuringArrhythmia and Its Application to False Alarm Reduction,Ieee T Bio-Med Eng,60(2013)1660-1666.
[14]B.U.Kohler,C.Hennig,R.Orglmeister,The principles of software QRSdetection,Ieee Eng Med Biol,21(2002)42-57.
[15]J.Pan,W.J.Tompkins,A Real-Time Qrs Detection Algorithm,IEEE TBio-Med Eng,32(1985)230-236.
[16]M.A.F.Pimentel,M.D.Santos,D.B.Springer,G.D.Clifford,Heart beatdetection in multimodal physiological data using a hidden semi-Markov modeland signal quality indices,Physiol Meas,36(2015)1717-1727.
[17]R.Gutierrez-Rivas,J.J.Garcia,W.P.Marnane,A.Hernandez,Novel Real-Time Low-Complexity QRS Complex Detector Based on Adaptive Thresholding,IeeeSens J,15(2015)6036-6043.
[18]M.R.Arefin,K.Tavakolian,R.Fazel-Rezai,QRS Complex Detection inECG Signal for Wearable Devices,Ieee Eng Med Bio,(2015)5940-5943.
[19]Y.J.Lin,C.W.Chuang,C.Y.Yen,S.H.Huang,J.Y.Chen,S.Y.Lee,LiveDemonstration:An AIoT Wearable ECG Patch with Decision Tree for ArrhythmiaAnalysis,Biomed Circ Syst C,(2019).
发明内容
本发明针对以上问题，提供了一种高效的可穿戴式心电信号采集装置，实时获取12导联心电信号，并结合WiFi和移动智能设备，实现了心电信号质量等级自动评估和轻量级QRS波检测。
本发明的装置所采用的技术方案是：一种可穿戴式心电信号采集装置，其特征在于：包括若干粘性电极、心电信号采集器、无线传输网络、智能移动设备、云存储与分析平台；
所述若干粘性电极分别设置在人体胸腔表面预定部位；
所述若干粘性电极分别与所述心电信号采集器通过导线连接，心电信号采集器所采集的标准12导联原始心电信号经过ADS1298进行信号放大、A/D转换操作后转换为数字信号，再由RC滤波滤波器进行滤波；
所述信号传输网络，将所述心电信号采集器处理后信号通过WiFi或蓝牙传输到智能移动设备；
所述智能移动设备，用于实现心电信号的实时信号质量评估和轻量级QRS波检测；
所述云存储与分析平台通过WiFi接收并用于存储智能移动设备处理后的数据，以供医生和研究者进一步分析与处理。
所述若干粘性电极、心电信号采集器、无线传输网络、智能移动设备组成可穿戴式心电信号采集设备。
本发明的方法所采用的技术方案是：一种心电信号质量等级自动评估和QRS波检测方法，其特征在于，包括以下步骤：
步骤1：利用可穿戴式心电信号采集设备采集12导联心电信号，针对每个通道信号进行QRS波标注并保存，然后将信号分为若干个8s的小片段；
步骤2：将分割后的心电信号片段针对信号质量进行等级分类，分别划分为可接受的A、B、C、D四个等级，和不可接受的等级E，然后将五类数据中的每一类分别随机分为2类，一类作为训练集，另一类作为测试集；
步骤3：针对每一个质量等级类型心电信号分别计算14个信号质量指标SQIs，作为训练分类模型的特征向量，然后构建基于朴素贝叶斯的分类模型；
步骤4：先用训练集完成对分类模型的训练，然后利用测试集对分类模型进行测试；
步骤5：构造轻量级QRS波检测算法，然后利用步骤1中已进行QRS波标注的心电信号测试QRS波检测算法的性能；
步骤6：将已训练好并测试之后的基于朴素贝叶斯的分类模型和轻量级QRS波检测算法部署到智能移动设备；
步骤7：利用可穿戴式心电信号采集设备实时采集人体心电信号，并利用智能移动设备对心电信号进行质量等级评估，保留“可接受”的心电信号，丢弃“不可接受”的心电信号。最后对“可接受”的心电信号进行QRS波标注；
步骤8：将经过智能移动设备处理后的心电信号通过WiFi传输到云存储与分析平台。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体如下：
1.本发明经过大量的文献调研和实验测试，选取14个最佳组合的SQIs心电信号质量评价指标，计算每8秒心电信号的SQIs，将这些值作为特征向量，训练基于朴素贝叶斯的信号质量等级分类模型。利用训练好的模型对设备采集的心电信号进行筛选，保留可接受信号，丢弃严重噪声污染的信号。然后将经过移动平均滤波后的信号结合幅度特征提出一种轻量级的QRS波检测算法。尤其是针对低质量心电信号QRS波检测效果明显优于目前主流的算法。
2.本发明针对信号质量等级分类在训练和测试模型时，训练数据和测试数据来自可穿戴装置在不同环境中(睡眠、静坐、走动、跑步等状态)采集的不同质量等级的信号，确保训练测试出的模型对各种条件下采集的信号也能实现准确的自动质量评估和QRS波检测，使模型具有更强的泛化能力。
3.本发明提出的算法能够利用12导联心电信号实现自动信号质量评估和QRS波检测。对于智能手机等各种边缘设备可实现单导联心电信号质量评估和QRS波检测，有效地减少了模型大小和计算复杂度，同时只传输可接受心电信号到云端，不仅降低了传输过程中带宽占用，还有效缓解了智能移动设备传输延迟问题，同时也降低了智能移动设备的功耗。
4.本发明利用ADS1298采集心电信号，然后将信号经过RC滤波器滤波，再利用自带WiFi功能的MCU主控芯片将滤波后的信号发送到智能移动设备，在智能移动设备上进行心电信号质量评估和QRS波检测，保留据有医学研究价值的心电信号，丢弃受噪声严重污染的信号。
附图说明
图1是本发明实施例的装置原理框架图；
图2是本发明实施例的方法流程图；
图3是本发明实施例中不同质量等级的心电信号样本图；
图4是本发明实施例的心电信号QRS特征生成各阶段效果图；
图5是本发明实施例的QRS波检测算法流程图；
图6是本发明实施例的三种算法QRS波检测结果对比图；
图7是本发明实施例的WiFi环境下流程图；
图8是本发明实施例的户外环境下流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种心电信号采集装置，包括若干粘性电极(本实施例采用10个)、心电信号采集器、无线传输网络、智能移动设备、云存储与分析平台；
若干粘性电极分别设置在人体胸腔表面预定部位；
若干粘性电极分别与心电信号采集器通过导线连接，心电信号采集器所采集的标准12导联原始心电信号经过ADS1298进行信号放大、A/D转换操作后转换为数字信号，再由RC滤波滤波器进行滤波；
信号传输网络，将心电信号采集器处理后信号通过WiFi或蓝牙传输到智能移动设备；
智能移动设备，用于实现心电信号的实时信号质量评估和轻量级QRS波检测；
云存储与分析平台通过无线网络接收并用于存储智能移动设备处理后的数据，以供医生和研究者进一步分析与处理。
本实施例的粘性电极分别设置在人体LR，即左锁骨下；人体RR，即右锁骨下；人体LL，即左腹部下；人体RL，即右腹部下；V1胸骨右缘第四肋间，V2胸骨左缘第四肋间，V3在V2和V4连线的中点，V4左侧第五肋间锁骨中线处，V5左侧腋前线与V4同一水平面，V6左侧腋中线与V4和V5同一水平面，电极连接到采集器，用于采集12导联心电信号。
本实施例的心电信号采集器由ADS1298芯片、ESP32主控芯片、RC滤波电路、电源管理模块、充电电路及外围电路构成。所述ADS1298采集芯片与所述ESP32主控芯片通过SPI进行通信及控制信号发送和采集器的正常工作；所采集的原始心电信号经过二阶RC滤波后输出；所述电源管理模块用于降低采集器内置电路中各组件闲置时的功耗；所述可充电电池为采集器供电，充电电路用于为采集器中内置可充电电池充电使用；所述外围电路分布在ADS1298采集芯片和ESP32主控芯片外围，其作用是保证心电信号采集器正常工作。
本实施例的信号传输网络包括自带WiFi和蓝牙功能的MCU主控芯片。
本实施例的粘性电极、心电信号采集器、无线传输网络、智能移动设备组成可穿戴式心电信号采集设备。
请见图2，本发明还提供了一种心电信号质量等级自动评估和QRS波检测方法，包括以下步骤：
步骤1：利用本发明开发的可穿戴式心电信号采集设备采集心电信号；
具体过程如下：
步骤1.1；启动可穿戴式心电信号采集设备；
步骤1.2：进行导联脱落检测，目的是检查电极连接是否完好；
步骤1.3：信号经过ADS1298进行信号放大、A/D转换等操作后转换为数字信号，最后再进行RC滤波；
步骤1.4：将处理后的数字信号通过WiFi或蓝牙传输到智能移动设备实现无线通信；
步骤2：无监督心电信号质量评估；
具体过程如下：
步骤2.1：将收集到的心电信号分割为8s长度的片段。
步骤2.2：标注者针对所有的8s心电信号质量等级给出相应的分数(100-90、89-80、79-70、69-60、60分以下)；
步骤2.3：找出标注者一致同意的等级划分，然后求出每个等级范围内的平均值
步骤2.4：然后由所有标注者针对每一个8s的心电信号给出相应的分数，求出所有标注者打分的均值(i＝1,2,…2000表示心电信号分割后总的小片段数量)；
步骤2.5：若则将此信号最终划分为A类，若则将信号划分为B类；若则将信号划分为C类，具体划分规则如表一所示，最终我们将所有信号片段分为A，B，C，D，E五个类别。图3为不同质量等级信号的样图。表1为信号质量等级分类结果。
表1
步骤2.6：将五个质量等级数据中的每一等级分别随机分为2类，一类作为训练集，另一类作为测试集；
步骤2.7：针对每一个质量等级类型心电信号计算14个信号质量指标SQIs，(各指标详情见下表2)。作为训练分类模型的特征，然后构建基于朴素贝叶斯的分类模型；
表2
步骤2.8：先用训练集完成对分类模型的训练，然后利用测试集对分类模型进行测试；
步骤3：无监督心电信号QRS波检测；
具体过程如下：
步骤3.1：对可接受心电信号进行非线性去趋势，然后使用2阶脉冲响应低通滤波器对信号进行滤波处理，然后使用0.5-33Hz的带通滤波器进行滤波；
步骤3.2：使用前向后向IIR滤波器对心电信号进行滤波，以保护QRS复合波峰值频率部分；
步骤3.3：对滤波后的心电信号进行幅值校准。本发明首先对滤波处理后的心电信号x[n]进行移动平均滤波，然后将滤波后的信号结合幅度特征来确定QRS复合波位置。其中，利用带有理传递函数的一维数字滤波器对信号x[n]进行滤波。在此，将有理传递函数系数进行归一化处理，分子系数b设置为(fs为采样频率)，对应的分母系数a设置为1。移动平均值滤波器沿窗口长度为W移动，并计算每个窗口中包含的数据的平均值。本发明利用差分方程定义信号的移动平均值滤波器：
传统的基于一维数字滤波器的QRS检测技术只是平滑了绝对值信号，然后应用阈值来检测QRS复合波。然而，这种技术相对于干扰较少，质量较高的信号有比较理想的滤波效果；而本发明针对的是远程实时心电信号，相对来说噪声干扰较大，导致信号质量较低。所以，需要一种鲁棒的QRS检测算法。因此，引入了与振幅相关的特征包络线与m(n)融合以保证无监督状态下的远程心电信号质量。
x(n的振幅包络线是通过使用一维形态学闭合操作计算的，其窗口宽度为0.2s。首先使用给定窗口宽度的最大滤波器计算上包络gh(n)，然后使用相同宽度的最小滤波器计算下包络线gl(n)。最终得到的信号振幅差值包络线为
gavg(n)＝[gh(n)-gl(n)]
通过将绝对值信号m(n)和差值包络线gavg(n)相乘获得最终的特征，QRS特征检测器可识别绝对值信号有突然的增加和局部突然的振幅变化的信号
B(n)＝gavg(n)*m(n)
如图4所示，为8秒的心电信号在QRS特征生成各阶段的示例。从中我们可以看出，与信号m(n)相比，B(n)信号中的QRS复合波被增强，而P波和T波被减弱。
步骤3.4：阈值确定。在进行峰值检测之前还需确定峰值检测的阈值，这就必须确定平滑处理后B[n]的峰值到峰值的振幅。这里同样使用上面提到的一维形态学闭合操作计算出B(n)的上包络线bh(n)和下包络线bl(n)，则振幅信号可近似地表示为
Ba(n)＝bh(n)-bl(n)
其中，执行最大和最小滤波器的窗口宽度是W＝0.2s。众所周知，240次/分和40次/分的界限分别代表了人类心率的近似上下极限。因此，峰值检测的阈值设定为(k表示Ba(n)的中值)。
步骤3.5：峰值检测。确定阈值后，开始对B(n)执行简单的峰值检测算法，以识别可能的QRS复合波。
如图5所示为QRS波检测流程图。首先，从特征信号的第一个样本B(0)开始，按时间顺序扫描信号B(n)，若满足条件则开始搜索第一个峰值，也就是局部极大值。如果信号通过局部极大值后出现瞬间快速下降，并低于局部最大值处的值，则认为可能找到第一个峰值并作标记。
其次，便开始寻找下一个波谷；若满足条件则开始搜索第一个波谷，当信号值上升范围满足条件时，则认为此局部最小值为可能的波谷。继续执行同样的操作找到第二个峰值，并计算出第一个峰值到第二个峰值之间的间隔RB。
最后，利用P-T算法对B(n)进行QRS波检测，并计算出RR间隔均值将我们算法检测到的RR间隔与P-T算法的平均间隔进行比较，若满足条件则确认找到了第一个峰值。若出现则将调整为重新执行以上步骤；若出现则将调整为重新执行以上步骤。通过以上三个步骤便确定了第一个QRS复合波的位置。然后在整个信号序列上执行以上步骤即可确定所有QRS峰值的位置。
步骤3.6：最后，将经过智能移动设备处理的数据通过无线传输网络发送到云存储与分析平台存储，以便医生和研究者进行进一步分析和处理。
如图6为本发明提出的算法与P-T和gqrs算法进行QRS波检测的实验结果，从中可以看出本发明所提出的算法的QRS波检测效果优于P-T和gqrs算法；从0-4s信号可以看出本发明提出算法针对低质量信号具有更好的检测效果。这也是本发明主要创新点之一。
如图7所示，本发明所提供的一种适用于具备网络环境下心电信号采集装置，利用24位分辨率的心电信号测量芯片ADS1298设计信号采集器，通过利用MCU设计信号处理模块，以进行数据采集及传输的控制；在信号传输网络利用WiFi和BLE无线传输方式，实时传输心电信号数据。所述信号质量评估和QRS波检测方法能够在智能手机、平板电脑、树莓派等轻量级边缘设备上运行。通过在机器学习服务器上进行心电训练数据的模型学习，然后将学习模型移植于智能移动设备端上运行，以进行信号质量评估和QRS波检测。然后保留“可接受”数据，丢弃“不可接受”数据。最后，将可接受心电信号通过无线传输网络发送到云存储与分析平台存储，以供医生和研究者进一步分析与处理。
如图8所示，本发明所提供的一种适用于户外环境下心电信号采集装置示意图，与室内模式不同的是，在室外环境下，采集器所采集的心电信号通过BLE传输到智能手机端进行信号质量评估和QRS波检测，然后将处理后的数据缓存于智能手机，待满足无线网络传输条件时，再通过无线网络将数据上传到云存储与分析平台存储。
与设计的信号质量评估和QRS波检测算法一致，本实施例以12导联的方式获取心电信号；权利要求书第二条提到的电极连接到ADS1298采集原始心电信号并转为数字信号，方案模拟电源和数字电源独立供电，数字地通过0R电阻然后接地，可以大大减少心电信号器采集的干扰；采用MCU+WiFi+BLE一体化芯片，是为了方便信号质量评估和QRS波检测测算法的输入对接，MCU首先将采集的原始信号进行初步操作，然后可穿戴式装置通过WiFi与智能移动设备实现无线传输，最后在智能移动设备端实现心电信号的质量评估和QRS波检测。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。