[0001] 本发明涉及人机交互技术领域，尤其是涉及一种人机交互系统。

[0002] 基于脑机接口的新型人机交互系统出现了——BMI(Brain Machine Interface)系统，可以通过对脑电信号分析，将人类的意图实时转化为设备的控制指令从而完成对设备的控制，目前BMI系统已被广泛的应用于控制轮椅、机械臂、智能小车和机器人等电子设备，有助于恢复患有脊柱损伤、中风等患者与外界交互的能力，提高生活质量。

[0003] 在一种BMI系统中，通过闪烁图像对系统使用者进行视觉刺激，系统使用者将产生相应的EEG(electroencephalogram，脑电)信号，由此，通过分析系统使用者的EEG信号，可以确定系统使用者所注视的刺激图像，并执行与刺激图像对应的命令，从而达到控制电子设备的目的。

[0004] 然而近几年中，尽管研究者使用深度学习处理EEG信号得到了较高的准确率，但是大多数使用的网络结构较为简单，不能够深层次的挖掘时空信息，导致系统对信号识别的准确率低，从而影响系统控制的精准性。

[0075] 为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。

[0076] 请参阅图1，其为本实施例中一示例性的人机交互系统的结构示意图。该人际交互系统包括执行设备1、摄像装置2、显示器3、脑电信号采集装置4和信号处理器5，其中，执行设备1用于根据控制指令执行相应动作，执行设备1可以是机器人，可以实现如移动、抓取物品等动作。

[0077] 摄像装置2装载于执行设备1上，用于采集执行设备1所处环境的实景图像信号并传输至信号处理器5。

[0078] 显示器3用于显示不同刺激频率的导航图像，请参阅图2，其为一示例性的导航范式图，其四个方向的位置上设置有示意不同命令的导航图像(LEFT、STOP、RIGHT、GO)，不同位置的导航图像根据不同的刺激频率进行闪烁，刺激频率可选择在6Hz至24Hz之间，在一具体实施中，四个导航图像对应的刺激频率分别设置为8Hz、10Hz、12Hz和15Hz。同时，实景图像信号通过显示器3输出，为系统使用者提供控制反馈。

[0079] 脑电信号采集装置4用于采集系统使用者的EEG信号和EOG(electro‑oculogram,眼电)信号，脑电信号采集装置4上设有陀螺仪，用于采集头部偏转信号，脑电信号采集装置4将所采集的信号传输至信号处理器5。

[0080] 请参阅图3，其为本实施例的信号处理器5的结构示意图，信号处理器5包括刺激频率识别装置10、眨眼识别装置20、抓取控制装置30和头部偏转检测装置40，其中，刺激频率识别装置10用于根据EEG信号识别系统使用者所注视的导航图像的刺激频率，并根据识别到的刺激频率输出对应的控制指令至执行设备1；眨眼识别装置20用于根据EOG信号识别系统使用者的眨眼动作，并根据识别结果切换显示器3所显示的导航图像，以及导航图像对应的控制指令；抓取控制装置30用于根据实景图像信号进行物体识别，并输出控制指令至执行设备1令执行设备1对所识别的物体进行抓取；头部偏转检测装置40用于根据头部偏转信号识别系统使用者的头部转向。

[0081] 请同时参阅图4，其为刺激频率识别装置10所执行的刺激频率识别方法的流程示意图。刺激频率识别装置10包括时空特征提取模块11、时序特征提取模块12和刺激频率分类预测模块13。

[0082] 其中，时空特征提取模块11用于执行步骤S11：获取待处理的EEG信号，对待处理的EEG信号进行空间和时间特征的提取，得到时空特征。

[0083] 其中，空间特征的提取是对EEG信号进行空间滤波，将EEG信号中不同通道上的数据融合而得到空间上的特征。时间特征的提取是对EEG信号进行时间滤波，提取时间维度上的数据特征。对待处理的EEG信号依序进行空间滤波和时间滤波，则得到结合了空间特征和时间特征的时空特征。在实施中，可以先对待处理的EEG信号进行空间滤波再进行时间滤波，也可以先对待处理的EEG信号进行时间滤波再进行空间滤波，以下通过两个实施例分别对该两种实施方式进行具体说明。

[0084] 请同时参阅图5和图6，其中，图5为一个实施例中的时空特征提取模块11的结构示意图，图6为该时空特征提取模块11所执行的步骤S11的流程示意图。在一个实施例中，时空特征提取模块11进一步包括空间滤波子模块111、空间通道注意力权重计算子模块112、空间特征增强子模块113、时间滤波子模块114、时空通道注意力权重计算子模块115和时空特征增强子模块116。

[0085] 其中，空间滤波子模块111用于执行步骤S111：对待处理的EEG信号进行空间滤波，得到空间特征。

[0086] 其中，对数据大小为(NCh,Nt)(NCh表示通道数，Nt表示信号采样点数)的EEG信号进行空间滤波时，通过大小为NCh×1的卷积核对待处理的EEG信号进行卷积操作，得到空间特征。优选的，卷积操作的输出通道数设置为输入通道数的2倍，使空间特征的每个通道上的特征数得到扩展，以使更多不同的特征能够被捕捉。

[0087] 空间通道注意力权重计算子模块112用于执行步骤S112：计算空间特征的空间通道注意力权重。

[0088] 其中，计算空间特征的空间通道注意力权重，包括步骤：对空间特征进行平均池化，得到空间平均特征，空间平均特征中第c个通道的特征 的表达式为：

[0089]

[0090] 其中， 为空间特征第c个通道的特征； 表示为空间特征的第c个通道的第i个S特征点的值；T为空间特征的时间点数；

[0091] 对空间平均特征进行一维卷积，得到一维空间特征，其第c个通道的特征表示为一维卷积中卷积核的大小根据通道数进行自适应，卷积核大小k的表达式为：

[0092]

[0093] 其中，CS为空间平均特征的通道维度；γ和b为常量系数，在一具体实施中γ设置为2，b设置为1；||odd表示取值为最接近的奇数；

[0094] 通过非线性激活函数对一维空间特征进行计算，得到空间通道注意力权重，第c个通道的空间通道注意力权重 的表达式为：

[0095]

[0096] 其中，σ()为Sigmoid函数。

[0097] 空间特征增强子模块113用于执行步骤S113：通过空间通道注意力权重对空间特征进行特征增强，得到空间增强特征。

[0098] 其中，将空间通道注意力权重与空间特征进行相乘来对空间特征进行特征增强，得到空间增强特征，空间增强特征第c个通道的特征 的表达式为：

[0099]

[0100] 时间滤波子模块114用于执行步骤S114：对空间增强特征进行时间滤波，得到初步时空特征。

[0101] 其中，对空间增强特征进行时间滤波时，通过大小为(1，K)的卷积核对对空间增强特征进行卷积操作。

[0102] 时空通道注意力权重计算子模块115用于执行步骤S115：计算初步时空特征的时空通道注意力权重。

[0103] 其中，计算初步时空特征的时空通道注意力权重，包括步骤：对初步时空特征进行平均池化，得到时空平均特征，时空平均特征中第c个通道的特征 的表达式为：

[0104]

[0105] 其中， 为初步时空特征第c个通道的特征； 表示为初步时空特征的第c个通ST道的第i个特征点的值；T 为初步时空特征的时间点数；

[0106] 对时空平均特征进行一维卷积，得到一维时空特征,其第c个通道的特征表示为一维卷积中卷积核的大小根据通道数进行自适应，卷积核大小k的表达式为：

[0107]

[0108] 其中，CST为时空平均特征的通道维度；γ和b为常量系数，在一具体实施中γ设置为2，b设置为1；||odd表示取值为最接近的奇数；

[0109] 通过非线性激活函数对一维时空特征进行计算，得到时空通道注意力权重,第c个通道的时空通道注意力权重 的表达式为：

[0110]

[0111] 其中，σ()为Sigmoid函数。

[0112] 时空特征增强子模块116用于执行步骤S116：通过时空通道注意力权重对初步时空特征进行特征增强，得到增强的时空特征。

[0113] 其中，将时空通道注意力权重与初步时空特征进行相乘来对初步时空特征进行特征增强，得到增强的时空特征，增强的时空特征第c个通道的特征 的表达式为：

[0114]

[0115] 请参阅图7和图8，其中图7为另一实施例的时空特征提取模块11的结构示意图，图8为该实施例中时空特征提取模块11所执行的步骤S11的流程示意图，在另一个实施例中，时空特征提取模块11中的空间滤波子模块111、空间通道注意力权重计算子模块112、空间特征增强子模块113和时间滤波子模块114替换为时间滤波子模块111'、时间通道注意力权重计算子模块112'、时间特征增强子模块113'和空间滤波子模块114'。

[0116] 其中，时间滤波子模块111'用于执行步骤S111’：对待处理的EEG信号进行时间滤波，得到时间特征。

[0117] 其中，对待处理的EEG信号进行时间滤波时，通过大小为(1，K)的卷积核对待处理的EEG信号进行卷积操作。

[0118] 时间通道注意力权重计算子模块112'用于执行步骤S112’：计算时间特征的时间通道注意力权重。

[0119] 计算时间特征的时间通道注意力权重，包括步骤：对时间特征进行平均池化，得到时间平均特征，时间平均特征中第c个通道的特征 的表达式为：

[0120]

[0121] 其中， 为时间特征第c个通道的特征； 表示为时间特征的第c个通道的第i个T特征点的值；T为时间特征的时间点数；

[0122] 对时间平均特征进行一维卷积，得到一维时间特征,其第c个通道的特征表示为一维卷积中卷积核的大小根据通道数进行自适应，卷积核大小k的表达式为：

[0123]

[0124] 其中，CT为时间特征的通道维度；γ和b为常量系数，在一具体实施中γ设置为2，b设置为1；||odd表示取值为最接近的奇数；

[0125] 通过非线性激活函数对一维时间特征进行计算，得到时间通道注意力权重,第c个通道的时间通道注意力权重 的表达式为：

[0126]

[0127] 其中，σ()为Sigmoid函数。

[0128] 时间特征增强子模块113'用于执行步骤S113’：通过时间通道注意力权重对时间特征进行特征增强，得到时间增强特征。

[0129] 其中，将时间通道注意力权重与时间特征进行相乘来对时间特征进行特征增强，得到时间增强特征，时间增强特征第c个通道的特征 的表达式为：

[0130]

[0131] 空间滤波子模块114'用于执行步骤S114’：对时间增强特征进行空间滤波，得到初步时空特征。

[0132] 其中，对时间增强特征进行空间滤波时，通过大小为NCh×1的卷积核对时间增强特征进行卷积操作，得到初步时空特征。

[0133] 时序特征提取模块12用于执行步骤S12：对时空特征进行时序特征提取，得到时序时空特征。

[0134] 其中，通过Bi‑LSTM网络对时空特征进行时序特征提取，Bi‑LSTM网络将从正向和反向提取时空特征的依赖关系，将两个方向所提取的特征进行拼接后，输出时序时空特征。时序时空特征中包含了EEG信号中数据的时序信息，完善了EEG信号的特征信息。

[0135] 刺激频率分类预测模块13用于执行步骤S13：对时序时空特征进行刺激频率分类预测，得到刺激频率预测结果。

[0136] 其中，通过全连接层对时序时空特征进行刺激频率分类预测，得到刺激频率预测结果。

[0137] 请参阅图9，其为眨眼识别装置20所执行的眨眼识别方法的流程示意图。眨眼识别装置20包括带通滤波模块21、相似度计算模块22、一阶差分模块23、归一化模块24、二阶差分模块25、特征值计算模块26和眨眼判断模块27。

[0138] 其中，带通滤波模块21用于执行步骤S21：获取待处理的EOG信号，对待处理的EOG信号进行低频带通滤波，得到降噪EOG信号。

[0139] 其中，待处理的EOG信号为显示器3上显示的导航图像结束频闪一定时间，如100ms到600ms后所截取的一定长度的信号片段。

[0140] 通过1‑10Hz的频段的带通滤波器对待处理的EOG信号进行带通滤波，去除高频噪声，得到降噪EOG信号。

[0141] 相似度计算模块22用于执行步骤S22：对降噪EOG信号与标准眨眼信号进行相似度计算，得到眨眼相似度。

[0142] 其中，标准眨眼信号为标准状态下人双眼发生眨眼的EOG信号片段，可通过对多个标准眨眼下产生的EOG信号进行采集得到。

[0143] 根据降噪EOG信号x与标准眨眼信号y得到的眨眼相似度Cov(x,y)的表达为：

[0144]

[0145] 其中，xi为降噪EOG信号x上第i个时间点上的值；yi为标准眨眼信号y上第i个时间点上的值；N为降噪EOG信号的长度。

[0146] 由此得到的眨眼相似度Cov(x,y)的取值范围在0到1，数值越大说明降噪EOG信号与标准眨眼信号的相似程度越高。

[0147] 一阶差分模块23用于执行步骤S23：若眨眼相似度大于相似阈值，则对降噪EOG信号中每个采样点的幅度值进行差分处理，得到一阶差分信号。

[0148] 其中，若眨眼相似度大于相似阈值，则认为待处理的EOG信号很有可能是眨眼信号，该相似阈值可以根据实际实施情况设置，如设置为0.4。为了保证眨眼识别的精确性，继续对降噪EOG信号进行波形解析。

[0149] 对于包含n个采样点的降噪EOG信号F＝[f1,f2,f3,…,fn]，得到一阶差分信号F′＝[f′1，f′2，f′3，...，f′n]，其中，第i个值f′i＝fi+1‑fi。

[0150] 归一化模块24用于执行步骤S24：对一阶差分信号进行归一化。

[0151] 其中，对一阶差分信号进行归一化，即将一阶差分信号中的数据归一为仅有两种数值的二元数据。具体为，若一阶差分信号中一数值大于0，则归一为1；若一阶差分信号中一数值等于0，则归一为0；若一阶差分信号中一数值小于0，则归一为‑1，可表示为下式：

[0152]

[0153] 对于归一为0的采样点，即sign(f′i)＝0，若其下一个采样点对应的数值大于等于0，则将当前采样点对应的数值归一为1；若其下一个采样点对应的数值小于0，则将当前采样点对应的数值归一为‑1，可表示为下式：

[0154]

[0155] 二阶差分模块25用于执行步骤S25：对归一化的一阶差分信号进行再次进行差分处理，得到二阶差分信号。

[0156] 其中，对于一阶差分信号F′＝[f′1，f′2，f′3，...，f′n]，差分得到二阶差分信号F″＝[f″1，f″2，f″3，...，f″n]，其中，第i个值f″i＝f′i+1‑f′i。

[0157] 特征值计算模块26用于执行步骤S26：确定二阶差分信号中最小值对应的采样点的下一采样点为波峰点，根据波峰点得到时延特征值、幅度特征值、跨度特征值和能量特征值。

[0158] 其中，二阶差分信号中最小值即‑2，其对应的采样点的下一采样点为降噪EOG信号波形的波峰点，二阶差分信号中最大值即2，其对应的采样点为降噪EOG信号波形的波谷点。眨眼相似度大于相似阈值的降噪EOG信号中应存在两个波峰点，分别记为(t1，V1)和(t2，V2)，其中，t1和t2分别为两个波峰点对应的采样时间点，V1和V2分别为两个波峰点对应的信号赋值。

[0159] 时延特征值Tp为降噪EOG信号波形中第一个波峰点对应的采样时间与待处理的EOG信号波形第一个采样点对应的采样时间的差值。

[0160] 幅度特征值Vp为降噪EOG信号的两个波峰点的最小波峰值，Vp＝min(V1，V2)。

[0161] 跨度特征值Dp为降噪EOG信号中两个波峰点之间的采样时间间隔，Dp＝t2‑t1。

[0162] 能量特征值Ep为降噪EOG信号中两个波峰点之间产生的能量，

[0163] 眨眼判断模块27用于执行步骤S27：若时延特征值在时延阈值范围内，且幅度特征值大于幅度阈值，且跨度特征值在跨度阈值范围内，且能量特征值大于能量阈值，则确定待处理的EOG信号为眨眼信号，可表示为下式：

[0164]

[0165] 其中，Tmin为时延阈值范围的最小值，Tmax为时延阈值范围的最大值，Vth为幅度阈值，Dmmin为跨度阈值范围的最小值，Dmax为跨度阈值范围的最大值，Eth为能量阈值。以上阈值的设置是在实施过程中通过校准实验所确定的，本实施例在此不作限定。

[0166] 请进一步参阅图10，其为抓取控制装置30所执行的抓取控制方法的流程示意图。抓取控制装置30包括圆心检测模块31、空间坐标转换模块32、路径规划模块33和抓取控制模块34。

[0167] 其中，圆心检测模块31用于执行步骤S31：获取待处理的实景图像信号，对待处理的实景图像信号中的圆球进行圆心检测，得到平面圆心坐标。

[0168] 其中，对待处理的实景图像信号中的圆球进行圆心检测前，可对实景图像信号进行预处理，以提高圆心检测的准确率。具体可将实景图像信号的颜色空间从RGB转为HSV，再通过基于颜色阈值的图像分割方法将实景图像信号中的前景图像与背景图像分离，最后对实景图像信号进行高斯滤波，以去除噪声。

[0169] 本实施例通过Hough圆检测算法对待处理的实景图像信号中的圆球进行圆心检测以及圆球的轮廓，所得到的平面圆心坐标为圆球圆心在实景图像中的坐标。

[0170] 空间坐标转换模块32用于执行步骤S32：根据平面圆心坐标计算圆球相对于摄像头的空间圆心坐标。

[0171] 其中，空间圆心坐标是以摄像头的三维空间坐标系对圆球进行定位的坐标，本实施例通过单目视觉测距的方式将平面圆心坐标转换为空间圆心坐标，首先，根据平面圆心坐标计算圆球俯仰角θballpitch和圆球水平角θballyaw，圆球俯仰角θballpitch的表达式为：

[0172]

[0173] 其中，Y0为平面圆心坐标的纵坐标；θc_pitch为摄像头的最大俯仰角，可以直接调取得到；W为实景图像信号的宽度；

[0174] 圆球水平角θballyaw的表达式为：

[0175]

[0176] 其中，X0为平面圆心坐标的横坐标；θc_yaw为摄像头的最大水平角，可以直接调取得到；L为实景图像信号的高度。

[0177] 然后，根据圆球俯仰角θballpitch和摄像头俯仰角θheadpich计算圆球与摄像头的空间距离D，空间距离D表达式为：

[0178]

[0179]

[0180] 其中，H为摄像头距离地面的高度；r为圆球半径；h为圆球距离地面的高度；γ为常量系数，设置为44.3°。

[0181] 最后，根据空间距离D计算圆球在三维空间坐标中的空间圆心坐标(X1，Y1，Z1)：

[0182] X1＝D×cos(θballyaw+θheadyaw)

[0183] Y1＝D×sin(θballyaw+θheadyaw)

[0184] Z1＝H‑r‑h

[0185] 其中，θheadyaw为摄像头水平角。

[0186] 路径规划模块33用于执行步骤S33：根据空间圆心坐标进行行走路径的规划，根据行走路径生成控制指令，使执行设备到达圆球抓取位置。

[0187] 抓取控制模块34用于执行步骤S34：当执行设备到达圆球抓取位置时，生成控制指令，使执行设备抓取圆球。

[0188] 请进一步参阅图11，其为头部偏转检测装置40所执行的头部偏转检测方法的流程示意图。头部偏转检测装置40包括偏转坐标计算模块41和当前坐标计算模块42。

[0189] 其中，偏转坐标计算模块41用于执行步骤S41：获取待处理的头部偏转信号，根据待处理的头部偏转信号计算头部偏转坐标。

[0190] 其中，待处理的头部偏转信号为陀螺仪所检测的水平方向上的偏转角。

[0191] 头部偏转坐标ΔP的表达式为：

[0192]

[0193] 其中，k为偏转系数，用于调整陀螺仪的灵敏度；Δyaw为待处理的头部偏转信号。

[0194] 当前坐标计算模块42用于执行步骤S42：根据头部偏转坐标与初始头部坐标得到当前头部坐标。

[0195] 其中，当前头部坐标P1的表达式为：P1＝0+ΔP，其中，P0为初始头部坐标。

[0196] 针对上述实施例中的刺激频率识别装置10与现有的刺激频率识别模型进行对比实验，分别通过刺激频率识别装置10、现有技术中的ITCCA模型、TRCA模型、EEGNet模型、FBtCNN模型、C‑CNN模型和SSVEPNet模型对数据集Dataset A和Dataset B进行刺激频率识别，并对识别结果进行准确性评价，其评价结果请如表1所示：

[0197]

[0198] 表1

[0199] 可见，相较于现有技术，本发明的人机交互系统通过提取EEG信号的时空特征，结合时序特征，能够使所提取的EEG信号的特征更具全局性，特征信息更丰富，因此有利于刺激频率分类预测模块得到更准确的分类结果，对于EEG信号的准确识别即提高了对系统使用者的控制意图判断，从而提高了系统控制的精准性。

[0200] 进一步，针对上述实施例中的刺激频率识别装置10进行消融实验，分别去除刺激频率识别装置10中的空间通道注意力权重计算子模块112和空间特征增强子模块113，得到实验装置A；去除刺激频率识别装置10中的时空通道注意力权重计算子模块115和时空特征增强子模块116，得到实验装置B；去除刺激频率识别装置10中的注意力权重计算子模块112、空间特征增强子模块113、时空通道注意力权重计算子模块115和时空特征增强子模块
116，得到实验装置C。同时使用实施例中的刺激频率识别装置10、以及上述实验装置A、实验装置B和实验装置C对数据集Dataset A和Dataset B进行刺激频率识别，并对识别结果进行准确性评价，其评价结果请参阅图12，在Dataset A中，实验装置A的识别准确度相较于刺激频率识别装置10的下降幅度为0.66％，实验装置B的识别准确度相较于刺激频率识别装置
10的下降幅度为1.33％，实验装置C的识别准确度相较于刺激频率识别装置10的下降幅度为1.66％；在Dataset B中，实验装置A的识别准确度相较于刺激频率识别装置10的下降幅度为1.34％，实验装置B的识别准确度相较于刺激频率识别装置10的下降幅度为2.84％，实验装置C的识别准确度相较于刺激频率识别装置10的下降幅度为4.47％。

[0201] 以上结果表明，相对于现有技术，本发明的人机交互系统通过将空间注意力和时间注意力引入时空特征的提取，自动放大EEG信号中有价值的特征并抑制无用的特征，以提取EEG信号中更具有判别性的时空特征，从而进一步提高了系统对EEG信号的识别准确度。

[0202] 此外，本发明的人际交互系统还通过对EOG信号进行眨眼识别，根据眨眼识别结果来切换显示器上的导航图像，能够减少对系统使用者的刺激频率类型，提高使用体验。

[0203] 基于同一发明构思，本申请还提供一种电子设备，可以是服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。该设备包括一个或多个处理器和存储器，其中处理器用于执行程序实现方法实施例中的刺激频率识别方法和/或眨眼识别方法和/或抓取控制方法和/或头部偏转检测方法；存储器用于存储可由所述处理器执行的计算机程序。

[0204] 基于同一发明构思，本申请还提供一种计算机可读存储介质，与前述刺激频率识别方法和/或眨眼识别方法和/或抓取控制方法和/或头部偏转检测方法的实施例相对应，所述计算机可读存储介质其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所记载的刺激频率识别方法和/或眨眼识别方法和/或抓取控制方法和/或头部偏转检测方法的步骤。

[0205] 本申请可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

[0206] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，则本发明也意图包含这些改动和变形。