技术领域
[0001] 本申请涉及医疗健康的技术领域，尤其是涉及一种融合历史‑实时数据的健康数据分析方法、系统及处理器。
相关背景技术
[0002] 在现代医疗中，线上医疗程序不断发展，使得患者从过往的线下看病慢慢转化为线上咨询加线下就诊的模式，越来越多的连接患者和医生的互联网软件应运而生。
[0003] 当前很多线上医疗app，都可以上传患者的病历、检查报告的健康信息，还可以为患者匹配需要的科室医生，科室医生可以对患者的线上咨询进行答疑解惑，其通过医生的主观判断配合互联网的大量医疗数据来为用户进行线上咨询、线上诊断。
[0004] 但上述的现有技术存在以下弊端，因当前线上的医生数量和患者数量之间存在较大差距，往往一个医生需要面对几十甚至上百条的线上就诊问询，同时，线上医生无法充当患者的健康管家角色，当前的线上医疗程序只是给予了一个患者和医生之间的线上沟通平台，其只能在患者主动对自身健康问题进行询问时才能基于患者描述进行人工答复，且答复过程一般存在时差性，无法对患者的健康状态进行实时监控和智能诊断，且医生在回复健康问题时因时间关系无法良好的将患者的多源数据进行整合后综合给出健康建议，而只能根据患者当前的描述并基于自身经验给出建议，智能诊断效果较差。
具体实施方式
[0019] 为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。然而，本领域的普通技术人员应该明白，可以在没有这些细节的情况下实施本申请。在一些情形下，为了避免不必要的描述使本申请的各方面变得晦涩难懂，对已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路将不作过多赘述。对于本领域的普通技术人员来说，显然可以对本申请所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与本申请所要求保护的范围一致的最广泛范围。
[0020] 在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0021] 在本申请的描述中，若干的含义是一个或者多个，多个的含义是两个以上，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。如果有描述到第一、第二只是用来区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0022] 本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意行表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以结合的方式结合。
[0023] 如图1所示，本申请实施例公开一种融合历史‑实时数据的健康数据分析方法，包括以下步骤：S100，获取患者上传的一项或多项不同种类的实时数据，并对实时数据进行预处理以获取实时健康特征。
[0024] 患者上传的实时数据包括主动上传和被动上传，主动上传表征为用户手动通过移动终端、电子手表、电子检测仪等器件对自身的健康数据进行上传，被动上传表征为在各移动终端、电子手表、电子检测仪等设备佩戴在用户身上时未在用户的主观授意便将检测到的健康数据进行上传。
[0025] 实时数据表征为最新的、实时的健康数据。对实时数据进行一定的预处理以将健康数值或健康内容转化为可以在后续进行健康数据分析量化的相应指标或内容。
[0026] S200，对实时健康特征进行多模态处理以使若干数据进行数据融合、数据学习和数据对齐。
[0027] 因实时数据的类别不同，为了将不同类的实时健康特征转化为统一的分析数据，以及为了将不同类的实时健康特征之间通过一定的数据关联来相互辅助数据的分析精准度，需要对不同类的各实时健康特征进行多模态处理。
[0028] S300，对实时健康特征进行特征工程以去除实时健康特征中的噪音。
[0029] 噪音表征为短期波动的健康数据，这类数据是由于短期生活方式的改变而引起的数据波动，例如加班导致的工作压力临时增加、假期出行等，这类数据往往无法代表一个人长久以来的日常健康状态，而为了使得后续健康模型适用于较为广泛的日常时间中，需要对这些会对模型训练、模型生成造成参数偏差的数据进行去除。
[0030] 特征工程为包含一个或多个去噪作用的算法为框架获得的算法工程。
[0031] S400，获取当前存储的包含历史健康特征与历史建议的历史数据并作为模型基底，基于历史数据学习健康模式，结合健康模式和实时健康特征构建个性化健康模型。
[0032] 首先获取历史数据，历史数据为该用户过往曾经上传的实时数据，这些历史数据作为已经记录并进行健康建议的有效客观数据，可以作为模型的基底，使得模型可以从用户的历史数据中进行训练学习，得到数据与健康建议之间的关联关系，结合后续接收到的实时健康特征可以构建出一个针对于个人的个性化健康模型。个性化健康模型中包含与实时健康特征相对应的个性化健康建议，用户可以根据该个性化健康模型，通过实时数据来获取针对于实时数据的个性化健康建议。
[0033] S500，评估个性化健康模型，结合预设的预警算法判断个性化健康模型中是否存在需要预警的实时健康特征，并基于判断结果生成相应的健康预警信息。
[0034] 预警算法包括时间序列分析和异常检测算法，采用长短期记忆网络和自编码器开发预警系统，结合历史数据和实时数据来提前识别潜在的健康风险，当识别出健康指标的异常时，及时发出预警以提醒用户进行健康检查和治疗。
[0035] 通过上述技术方案，通过将历史数据作为模型训练基底结合相应的学习算法使个性化健康模型可以得到健康数据与健康建议之间的关联，通过获取实时数据并在预处理和多模态处理后放入个性化健康模型以获得个性化健康建议，使得系统可以结合历史数据和实时数据实现对健康问题的全方位诊断并快速提出健康建议，健康建议的提出更加智能化、精准化，同时对用户的健康数据实现实时监控，当出现健康问题风险时快速响应预警。
[0036] 在另一种实施例中，实时数据包括文本数据、语言数据、图像数据、传感器数据及行为数据，对实时数据进行预处理以获取实时健康特征，包括以下步骤：S110，若实时数据为语音数据，则对语音数据进行识别以转换为文本数据，并对语音数据进行分析以获取对象识别信息、情感信息和声学特征信息。
[0037] 语音数据包括用户语音录音、语音波形数据、语音频谱图等，通过语音识别算法将语音转换为文本。同时通过说话人识别来识别和验证说话者的身份是否为与系统绑定的用户。通过情感分析来从语音信息中提取情感特征，情感特征可以有效的反映用户的当前状态，如虚弱、精力充沛、疑问等。提取的声学特征信息包括音高、音量、语速等。
[0038] S120，若实时数据为文本数据，则基于自然语言处理算法获取文本理解信息，基于情感分析获取情感信息，基于识别算法获取文本数据对应的主题与名词信息。
[0039] 文本数据包括用户输入的文本、从语音转换的文本以及一些用户上传的体检报告、病历报告等文本。
[0040] 通过自然语言处理算法结合关键词库来理解并分析文本的内容。通过情感分析来获取文本中的情感信息，如急切、疑问、平静。通过主题建模来识别文本中的主要主题，例如询问的病情种类、是问诊还是问报告。通过命名实体识别来识别文本中的医疗术语、症状等。
[0041] S130，若实时数据为图像数据，则识别对应的对象识别信息，并分析出图像数据对应的面诊信息及情感信息。
[0042] 图像数据包括用户拍摄并上传的面部图像、皮肤图像。
[0043] 通过面部特征点识别来识别用户的身份，以判断该图像是否对应于该系统所绑定的用户。通过面部特征点结合情感库来对图像中的面部表情进行分析以获取情感信息。
[0044] S140，若实时数据为传感器数据，则获取相应的心率数据、血压数据、体温数据、血糖信息、睡眠信息，并分析出传感器数据所对应的生理指标信息。
[0045] 生理指标信息包括变化趋势、异常值、重复模式。
[0046] 结合若干类型的传感器数据，通过时间序列分析算法来分析各类数据的短时、长时的变化趋势，通过异常检测算法来识别各类数据中的异常值，通过模式识别算法来识别各类数据中的重复模式，重复模式可以有效的表征数据的可信度。
[0047] S150，若实时数据为行为数据，则分析出行为数据对应的日常行为模式以及挖掘出行为数据与健康状态的关联信息。
[0048] 行为数据包括用户一个行为活动的类型和时长、用户的饮食记录、用户使用药物的记录。
[0049] 通过行为模式分析算法来识别哪些为用户的日常行为，例如行为出现的频次、时段重复性等。通过关联规则挖掘来发现行为和健康状态之间的关联，如发现规律吃药与健康数据稳定存在关联、定时的跑步与健康数据稳定存在关联、熬夜与健康数据不稳定存在关联等。
[0050] 实时数据的处理还包括流数据处理技术，如Apache Kafka或Apache Flink，这些技术能够处理高吞吐量的数据流，并支持实时数据的分析和响应，使得系统可以即时接收和分析用户的健康数据。
[0051] 在另一些实施例中，对实时健康特征进行多模态处理以使若干数据进行数据融合、数据学习和数据对齐，包括以下步骤：S210，数据融合：将独立预处理的若干不同类型的实时数据的若干处理输出内容进行合并。
[0052] 多模态融合是将不同模态的健康数据进行整合，在这个阶段，每种模态（类型）的实时数据首先都独立进行预处理，然后将各类数据的输出（如分类结果、特征表示等）在决策阶段被合并。
[0053] 这种策略的优势在于允许独立优化每个模态的处理流程，并且可以更容易地处理不同模态数据的异质性。
[0054] 例如，在情感分析中，可以首先独立分析语音数据的情感信息和文本数据的情感信息，然后将两者的输出结果合并以作出最终的情感判断。
[0055] S220，数据学习：将不同类型的实时数据分别作为学习方和被学习方，被学习方通过学习方对应的处理输出内容对自身的处理输出内容进行衍生验证以实现理解增益。
[0056] 跨模态学习是利用一种模态的信息来增强对另一种模态的理解，以实现理解的增益效果。
[0057] 例如当用户通过语音数据来描述症状时，可能因状态虚弱或对医疗术语的不了解而导致描述较为宽泛或不好理解，这时可以通过用户的病历或检查结果等文本数据来提高对语音数据的理解。
[0058] S230，数据对齐：获取若干不同类型的实时数据的时间信息和/或空间信息，并将若干时间信息和/或空间信息进行同步。
[0059] 多模态对齐是确保来自不同模态的数据在时间或空间上得到同步，例如用户的语音数据记录与同一时间点上的面部表情视频对齐，以更准确的分析用户的情绪。
[0060] 在另一些实施例中，对实时健康特征进行特征工程以去除实时健康特征中的噪音，包括以下步骤：S310，创建若干不同时间长度的时间窗。
[0061] 时间窗包括短时时间窗和季节时间窗。时间窗为用于框定分析时长的标准，短时时间窗一般为12‑24小时的时间范围，而季节时间窗一般为一个月的时间范围。
[0062] S320，基于实时数据进行趋势分析以得到对应于不同长度的时间窗的预测标准趋势。
[0063] 采用趋势分析的时间序列分析技术，通过移动平均或指数平滑方法来预测揭示一个数据在短时时间窗中的短期趋势，以及通过季节性分解，如STL分解来识别和预测数据的季节性波动趋势。
[0064] S330，根据预测标准趋势判断时间窗内是否存在数据波动，若存在数据波动，则将该时间窗中的实时数据作为噪音并去除。
[0065] 通过计算出的预测标准趋势来判断该数据在未来预测时间长度中是否会出现数据波动，如短期的假期或工作压力导致的健康数据变化或因不同季节所导致的某些健康数据的波动，若存在，则将这类数据作为噪音以排除。
[0066] 此外，还可以通过异常检测方法来抑制数据噪音。通过Isolation Forest算法构建随机森林来隔离异常点，还可以通过One‑Class SVM来通过最大化数据点和决策边界之间的间隙来识别异常值，上述算法都能识别并排除那些不代表用户日常真实健康状态的异常数据点。
[0067] 最后，还可以通过集成学习技术，如Bagging和Boosting，通过整合多个模型的预测结果来提高噪音抑制的效能，这可以减少单一模型可能引入的偏差和噪音，同时，定期进行的模型评估和更新确保了模型能够适应新的数据和变化，维持其预测性能。
[0068] 在另一些实施例中，结合健康模式和实时健康特征构建个性化健康模型，包括以下步骤：S410，获取各项历史数据，将存在相同的历史健康特征的若干历史数据进行分组以生成第一训练集，将存在相同的历史建议的若干历史数据进行分组以生成第二训练集。
[0069] 历史数据由历史健康特征与对应的历史建议构成，而为了使数据特征和建议之间的关联性更加稳固和准确，在进行模型训练时采用双向训练的方式。首先对各项历史数据进行分组，一共分为两组，分组的方式分别采用相同的历史健康特征为一组以及相同的历史建议为一组的方式，以此可以得到两类不同数量的训练集。
[0070] S420，分别通过第一训练集和第二训练集双向训练模型以学习相应的健康模式。
[0071] 分别通过第一训练集和第二训练集对模型进行训练，最后将训练结果进行同步合并，以此使得模型实现通过特征验证建议以及通过建议验证特征的双重验证训练，提高特征与建议之间的关联性。
[0072] S430，将实时健康特征放入模型中以获取若干健康建议，并将若干健康建议进行整理以获取个性化健康建议。
[0073] 将获取到的实时健康特征放入模型中便可以输出相应的健康建议，将针对不同的实时健康特征的若干健康建议进行整理以得到个性化健康建议。
[0074] 在另一些实施例中，构建个性化健康模型后，还包括以下步骤：S440，收集数据波动，并基于数据波动对应的时间窗将数据波动定义为短期波动和季节波动。
[0075] 当存在数据波动时，对各数据波动进行收集，并根据该数据波动所对应的时间窗长度将各数据波动定义为短期波动和季节波动。短期波动对应于短时时间窗所对应的波动，而季节波动表征为季节时间窗所对应的波动。
[0076] S441，基于预设的筛选特征将短期波动进行分类以获取无关波动和特殊波动，并将无关波动筛除。
[0077] 当一个实时数据出现波动时，表征为该实时数据在当前的个性化健康模型下显示为存在波动的异常数据，那么在一些情况下，数据的波动可能是由于用户的生活状态出现了一定的变化且该变化在未来呈现为长期的变化，或者数据的波动会在未来的较长时间中得到保持。
[0078] 例如，若用户因工作或学业更换至不同的城市进行生活，因不同城市的气候、饮食、生活方式的不同，会导致健康数据出现波动，而该波动会随着用户的长时间居住而保持较长时间；或者例如当季节进入秋冬，随着气温的下降，用户出现感冒、发烧等身体健康数据波动的情况也会随着较长的季节时间而保持。
[0079] 那么这时健康数据在当前时间确实存在波动性，但该波动性会在未来较长时间中保持，故为了使得长时间的健康数据变化不会因健康模型的不更新而重复被定义为数据波动而被频繁筛除导致健康数据分析准确性下降，将短期波动进一步分类为无关波动和特殊波动。
[0080] 其中，无关波动表征为通过对数据波动进行分析而确定该波动为短期变化导致的异常波动，其与用户长期的真实健康状态无关；特殊波动表征为通过数据波动进行分析而认为该数据波动在未来存在变化为长期健康变化的倾向或可能，其对当前的个性化健康模型存在更新需求。
[0081] 通过特殊波动可以对当前的个性化健康模型进行更新，使得个性化健康模型顺应于用户当前出现的且在未来会趋于常态化的变化而进行更新，这样后续更新后的模型会基于最新的历史数据重新训练，避免后续更多的健康数据被误判为数据波动，而无关波动则继续被筛除。
[0082] S442，基于特殊波动和季节波动生成针对于个性化健康模型的实时调整建议，实时调整建议中包含与波动相关的特征参数与调整内容。
[0083] 通过特殊波动和季节波动这些会对用户未来长期的健康状态造成影响的波动数据来对个性化健康模型进行更新，通过生成的实时调整建议来获取与上述波动有关的特征参数与调整内容，带入个性化健康模型中以进行更新。
[0084] S443，基于实时调整建议选定个性化健康模型中的相应特征参数并根据调整内容对相应的特征参数进行更新。
[0085] 结合在线学习或增量学习算法，系统具备自适应学习能力，通过动态生成的实时调整建议使得模型在接收到新数据对应的特征参数和调整内容时，只对相应的原特征参数进行更新，无需重新训练整个模型。
[0086] 在另一些实施例中，基于预设的筛选特征对短期波动进行分类以获取无关波动和特殊波动，包括以下步骤：S4411，基于短期波动对应的各时间窗获取高密度时间段，将高密度时间段作为第一筛选特征。
[0087] S4412，基于时间窗所对应的时间类型分类出日常时间段和假期时间段，将日常时间段作为第二筛选特征。
[0088] S4413，基于短期波动对应的波动率获取高程度波动，并将高程度波动作为第三筛选特征。
[0089] S4414，基于第一筛选特征、第二筛选特征和第三筛选特征对短期波动进行分类。
[0090] 通过制定一系列筛选条件以对短时波动进行分类。
[0091] 首先，是基于时间窗的重合频率，当一个用户连续出现短期波动，且每天出现的短期波动都集中在一定的时间长度上，例如每天的8点‑9点出现波动，那么可能是因为用户在此时间段开始进行健身，当时间窗的重合频率较高时，其对应的时间段就相对密集，其为高密度时间段，这时将该时间段对应的短期波动定义为特殊波动。
[0092] 其次，判断时间窗所对应的时间是否为假期时间段，如果是假期时间段，则表示这段时间所出现的变化是因为假期中的状态变化，如出行、长时间交通所导致的健康数据变化，因假期不属于日常时间范畴，故假期时间中的波动不会对正常的个性化健康模型造成影响，这时认为是无关波动，而如果时间为日常时间，则这时出现的短期波动可能是用户未来会长期发生的状态变化时间。
[0093] 最后，需要判断短期波动对应的波动率，波动率高于预设值时该短期波动对应于高程度波动。当身体健康数据的波动程度较高时，认为该身体健康数据的瞬时变化量较大，若身体健康数据长期处于高变化量的状态，其会对个人正常的健康造成较大的负担影响，那么这类波动需要被记录在个性化健康模型中以预防健康隐患的发生，故高波动率的短期波动需要分类为特殊波动。
[0094] 结合上述各筛选特征对各个短期波动进行综合考量以确定短期波动的具体类型，通过不同的纬度获取到个性化健康模型更新所需要的参考数据。
[0095] 在另一些实施例中，生成个性化健康模型后，还包括以下步骤：S450，基于个性化健康模型中的历史数据生成前馈信息。
[0096] 前馈信息表征为基于历史数据自动向用户推送的健康内容。系统可以根据当前个性化健康模型中作为基底的历史数据向用户推送不过但不限于：健康文章、医疗政策、医师讲座、病患分享等健康内容。通过历史数据生成针对用户个人的偏好以及个性化推荐服务。
[0097] S451，基于个性化健康模型中的实时数据生成反馈信息。
[0098] 反馈信息表征为通过用户的主动行为而向用户推送的健康内容，如用户主动上传健康数据后或用户进行查询后，需要向用户反馈用户想得到的健康内容，包括但不限于：诊断内容、个性化健康建议、健康文章、医疗政策、健康预警等。通过用户先发出的实时数据来反馈出相应的服务。
[0099] 良好的反馈和前馈可以帮助系统更好地理解用户的需求，同时也可以鼓励用户积极参与健康管理，而为了提高用户多使用个性化健康模型来上传数据、获取健康建议、进行健康管理的积极性，还需要通过激励机制来正向提高用户的参与度。
[0100] S452，生成激励机制，在激励机制下，判断前馈信息和反馈信息的数量。
[0101] 首先判断前馈信息和反馈信息的数量，因理想情况下，需要存在适量的反馈信息和前馈信息以保证用户采用该系统的活跃度，良好的人机交互应该具备一定程度的同化性前馈和一定程度的顺应性反馈的良好混合。
[0102] S453，若前馈信息少于第一预设值，则基于激励机制生成反馈激励指令以获取最新的实时数据并生成最新反馈信息，基于最新反馈信息中的实时健康特征调取相应的前馈信息并生成。
[0103] 如果前馈信息较少，可以通过增加反馈信息来提供更针对性的前馈信息，具体的，生成反馈激励指令以使得系统自动获取或发出请求以使用户提供最新的实时数据，以此根据最新的实时健康特征来分析用户当前健康状态中最新存在的问题，并结合最新的个性化健康建议来获取更多的前馈信息，如推送相关的医疗文章、医师讲座等。这类信息的调取可以通过爬虫软件在热门的医疗类信息网站中爬取。
[0104] S454，若反馈信息少于第二预设值，则基于奖励机制生成前馈激励指令以获取若干个性化健康建议对应的历史健康特征和/或经过预警的历史健康特征并整合为预期范围，调取符合预期范围的前馈信息并生成。
[0105] 如果反馈信息较少，可以通过增加前馈信息来引导用户多进行针对于健康状态的行动，例如健康数据查询、个性化健康建议的获取等。具体的，生成前馈激励以获取最新的前馈信息，例如医疗文章、医师讲座、病患分享等，并将前馈信息发送至用户端，当用户端的前馈信息变多时，用户在看到大量的前馈信息后会想起将实时健康数据进行上传或被引导进行实时健康数据的上传以提高反馈信息的数量。通过此方法，将简单的发出提示信息的方式转化为通过提高反馈信息的数量来引导用户进行反馈动作的方式，因简单的提醒信息变多后，会导致用户逐渐失去对自身健康管理的兴趣，但如果将提醒信息转化为前馈信息，可以在用户在得知一定的医疗健康内容的同时主观上提高对自身健康管理的兴趣。
[0106] 同时，为了提高用户在看到增加的前馈信息后主动参与自身健康管理的可能性，增加的前馈信息需要符合该用户当前存在的健康问题或预警对应的健康隐患，故前馈信息的生成需要以该用户过往的个性化健康建议所对应的历史健康特征和/或经过预警的历史健康特征。如一个用户存在肺炎，若增加的前馈信息的健康内容都是关于骨折康复、尿毒症等，用户可能因不符合自身的需要而忽略该前馈信息，但如果推送的前馈信息都是围绕着肺炎，那么会提高用户对自身健康问题的警惕程度，以此增加反馈信息的生成。
[0107] 本申请还公开了一种融合历史‑实时数据的健康数据分析系统，包括：实时数据获取模块，用于获取患者上传的一项或多项不同种类的实时数据。
[0108] 预处理模块，用于对实时数据进行预处理以获取实时健康特征。
[0109] 多模态处理模块，用于对实时健康特征进行多模态处理以使若干数据进行数据融合、数据学习和数据对齐。
[0110] 去噪模块，用于对实时健康特征进行特征工程以去除实时健康特征中的噪音，其中，噪音表征为短期波动的健康数据。
[0111] 健康数据分析模块，用于获取当前存储的包含历史健康特征与历史建议的历史数据并作为模型基底，基于历史数据学习健康模式，结合健康模式和实时健康特征构建个性化健康模型，个性化健康模型中包含与实时健康特征相对应的个性化健康建议。
[0112] 预警模块，用于评估个性化健康模型，结合预设的预警算法判断个性化健康模型中是否存在需要预警的实时健康特征，并基于判断结果生成相应的健康预警信息。
[0113] 本申请还公开了一种处理器，处理器用于运行程序，程序运行时执行上述的方法。
[0114] 实施原理为：通过将历史数据作为模型训练基底结合相应的学习算法使个性化健康模型可以得到健康数据与健康建议之间的关联，通过获取实时数据并在预处理和多模态处理后放入个性化健康模型以获得个性化健康建议，使得系统可以结合历史数据和实时数据实现对健康问题的全方位诊断并快速提出健康建议，健康建议的提出更加智能化、精准化，同时对用户的健康数据实现实时监控，当出现健康问题风险时快速响应预警。
[0115] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。
[0116] 以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
