骗保嫌疑对象的筛查方法、装置、存储介质及电子装置与流程

1.本技术涉及骗保筛查领域，具体而言，涉及一种骗保嫌疑对象的筛查方法、装置、存储介质及电子装置。


背景技术：

2.社会上存在着一些不法分子在履行参保缴费义务上虚构事实，隐瞒真相，以骗取医保权益，或在医疗行为上虚构事实，隐瞒真相，以骗取医保基金或医保待遇。
3.发明人发现，需要人工在就医、病患信息中识别出骗保行为，效率极其低下，且识别准确性也不高。
4.针对相关技术中需要人工在就医、病患信息中识别出骗保行为造成的效率极其低下，且识别准确性也不高的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术的主要目的在于提供一种骗保嫌疑对象的筛查方法、装置、存储介质及电子装置，以解决需要人工在就医、病患信息中识别出骗保行为造成的效率极其低下，且识别准确性也不高的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种骗保嫌疑对象的筛查方法。
7.根据本技术的骗保嫌疑对象的筛查方法包括：获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；对所述多维度数据执行预设归一化处理操作；利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；将所述异常点数据对应的病人筛为骗保嫌疑对象。
8.进一步的，对所述多维度数据执行预设归一化处理操作包括：对所述多维度数据执行预设的正规化处理、标准化处理和符号类型数值域处理操作。
9.进一步的，所述snn算法筛检模型的训练包括：确定编码方式，将样本数据编码为脉冲序列；将脉冲序列输入脉冲神经网络，计算得到输出脉冲序列；比对预设的期望脉冲序列和输出脉冲序列，得到误差值，并根据误差值调整权值w。
10.进一步的，利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据包括：先利用训练后的snn算法筛检模型计算各多维度数据之间的相似度矩阵，然后根据相似度矩阵确定各数据点之间的连接关系，确定出聚类中心和异常点数据。
11.为了实现上述目的，根据本技术的另一方面，提供了一种骗保嫌疑对象的筛查装置。
12.根据本技术的骗保嫌疑对象的筛查装置包括：数据获取模块，用于获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；归一化模块，用于对所述多维度数据执行预设归一化处理操作；模型筛检模块，用于利用训练过的snn算法筛检模型
在归一化处理后的多维度数据中确定出聚类中心和异常点数据；对象确定模块，用于将所述异常点数据对应的病人筛为骗保嫌疑对象。
13.进一步的，所述归一化模块包括：对所述多维度数据执行预设的正规化处理、标准化处理和符号类型数值域处理操作。
14.进一步的，所述snn算法筛检模型的训练包括：确定编码方式，将样本数据编码为脉冲序列；将脉冲序列输入脉冲神经网络，计算得到输出脉冲序列；比对预设的期望脉冲序列和输出脉冲序列，得到误差值，并根据误差值调整权值w。
15.进一步的，所述模型筛查模块包括：先利用训练后的snn算法筛检模型计算各多维度数据之间的相似度矩阵，然后根据相似度矩阵确定各数据点之间的连接关系，确定出聚类中心和异常点数据。
16.为了实现上述目的，根据本技术的另一方面，提供了一种计算机可读存储介质。
17.根据本技术的计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述的骗保嫌疑对象的筛查方法。
18.为了实现上述目的，根据本技术的另一方面，提供了一种电子装置。
19.根据本技术的电子装置，包括：存储器和处理器，所述存储器中存储有计算机程序，其中，所述处理器被设置为运行所述计算机程序以执行所述的骗保嫌疑对象的筛查方法。
20.在本技术实施例中，采用机器筛查的方式，通过获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；对所述多维度数据执行预设归一化处理操作；利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；将所述异常点数据对应的病人筛为骗保嫌疑对象；达到了snn算法筛检模型替代人工在就医、病患信息中识别出骗保嫌疑对象的目的，从而实现了提高识别效率，且提高识别准确性的技术效果，进而解决了由于需要人工在就医、病患信息中识别出骗保行为造成的效率极其低下，且识别准确性也不高技术问题。
附图说明
21.构成本技术的一部分的附图用来提供对本技术的进一步理解，使得本技术的其它特征、目的和优点变得更明显。本技术的示意性实施例附图及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
22.图1是根据本技术实施例的骗保嫌疑对象的筛查方法的流程示意图；
23.图2是根据本技术实施例的骗保嫌疑对象的筛查装置的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第
二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本实用新型及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
27.并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本实用新型中的具体含义。
28.此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本实用新型中的具体含义。
29.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
30.根据本发明实施例，提供了一种骗保嫌疑对象的筛查方法，如图1所示，该方法包括如下的步骤s101至步骤s104：
31.步骤s101、获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；
32.在病人整段治疗过程中，分为多个不同疗程周期，且不同疗程周期内的开药种类和数量等数据是不同的。因此，本实施例中对接医疗系统获取病人不同疗程周期的开药种类和开药数量数据；通过挖掘可以从中获取得到病人各个不同疗程周期医嘱类别、药品名称和种类(医嘱子类)、单次使用数量、就诊人性别、疗程周期等不同类别的至少五个维度的数据。
33.步骤s102、对所述多维度数据执行预设归一化处理操作；
34.用于对上述不同类别的数据集合进行标准化、正规化、符号类型数值域映射处理，即归一化处理。这里，药品名称和种类(医嘱子类)、医嘱类别、单次使用数量、就诊人性别、疗程周期等分属五个不同的数据类型和指标，其中，药品名称和种类、医嘱类别属于符号型数据，后三者为数值型数据。由于它们采用是不同的度量单位，数值差别可能很大，会造成相似度计算时距离计算得较大偏差。也就是说，这五个维度的数据包含混合数据类型，因此不能直接进行聚类挖掘计算，所以需要首先对上述数据进行归一化处理。
35.根据本发明实施例，优选的，对所述多维度数据执行预设归一化处理操作包括：
36.对所述多维度数据执行预设的正规化处理、标准化处理和符号类型数值域处理操作。
37.具体的，符号类型特征向数值域映射主要是为了使得符号类型特征能像数值特征
一样能够进行处理，此步采用如下编码映射方法进行处理：为了保留符号类型特征的等同行本质，映射具体做法是：对于有m种不同取值的符号特性，用m 位二进制编码对其编码，当且仅当特征取值为第j种值时，其编码中的第j为1，其余为0。
38.事实上，还可以对映射后的像矢量进行pca主成分分析进行降维处理。
39.另外，数据正规化处理具体方法为：
40.即对每一就诊病例的上述五种特征类型数据构成矩阵u，每一病例的五种特征数据构成矩阵的一个列向量。正规化需要使得各特征类型的数据均值为0，方差为 1。即：
41.对序列x1，x2，
…
，xn进行变换：
42.这里
43.则新序列y1，y2，
…
，yn的均值为0，而方差为1，且无量纲。
44.(1)这种方法基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化。将a的原始值x使用z-score标准化到x’。
45.(2)z-score标准化方法适用于属性a的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
46.(3)spss默认的标准化方法就是z-score标准化。
47.(4)用excel进行z-score标准化的方法：在excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：求出各变量(指标)的算术平均值(数学期望)xi和标准差si；进行标准化处理：zij＝(xij－xi) /si。其中：zij为标准化后的变量值；xij为实际变量值；将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
48.采用上述的标准化、正规化、符号类型数值域映射处理后，数值差别可降低到最小，有效避免相似度计算时距离计算得较大偏差。也就是说，处理后可以基于这些数据进行聚类挖掘计算。
49.步骤s103、利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；
50.具体的，所述snn算法筛检模型的训练包括：
51.确定编码方式，将样本数据编码为脉冲序列；
52.将脉冲序列输入脉冲神经网络，计算得到输出脉冲序列；
53.比对预设的期望脉冲序列和输出脉冲序列，得到误差值，并根据误差值调整权值w。
54.同一类药品或治疗手段，它们的单次使用数量、适用人群、疗程周期等应具有一定相似性。而骗保行为往往会违背这些常规，因此这些都可以作为识别骗保行为的一个指标(或者信号脉冲)。
55.snn使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉冲就会出现，随后达到电位的神经元会被重置。
56.snn通常是稀疏连接，利用特殊的网络拓扑。脉冲神经网络在信息处理过程中，往往只关心神经元由于脉冲输入引起的神经脉冲(即发放脉冲)，而不关心神经元内部状态变
量的变化过程。各种脉冲神经网络的监督算法的目标基本一致：对输入脉冲序列si(t)和期望输出脉冲序列sd(t)，通过监督训练脉冲神经网络，调整权值w，实现神经网络实际输出脉冲序列so(t)与sd(t)之间的差距尽可能小。
57.snn的构建过程为：1)构建脉冲神经元模型(建模)——构建神经脉冲序列 (编码)——脉冲神经网络的训练方法；2)、简化过程：建模——编码——训练 (学习规则、转换等)。最常见的模型是integrate-and-fire(lif)模型。其公式为：
[0058][0059]
具体的，利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据包括：
[0060]
先利用训练后的snn算法筛检模型计算各多维度数据之间的相似度矩阵，然后根据相似度矩阵确定各数据点之间的连接关系，确定出聚类中心和异常点数据。
[0061]
首先，构造距离矩阵计算u。即根据矩阵中各5维列向量之间的欧式距离，构造距离矩阵d。欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。其距离计算公式如下：
[0062][0063]
这里，假设两个数据集合x＝(x1,x2,x3,...xn)和y＝(y1,y2,y3,...,yn)，其向量表示分别为：vec(x)＝(v1,v2,v3,...vp),vec(y)＝(l1,l2,l3,...lp)。
[0064]
然后，建立k近邻列表。对于每个样本点，在d中找出其最近的k个近邻，将其存入k近邻表snn算法中，其中(i)表示第i个样本点的k近邻列表。
[0065]
再计算相似度。在表中计算两两互为最近邻居的样本点的相似度。snn相似度的定义为：建立相近节点i和j之间的连接，则每个连接之间包含两个样本的s 个共同邻居，称s为这一连接的连接强度，两个最近节点之间的连接强度即为snn 相似度。计算得两两样本点之间的snn相似度，将其存入snn相似度矩阵s。
[0066]
最后检测异常点。基于snn相似度矩阵s，确定检索阈值t，如果是snn相似度大于t，则建立两个样本点之间的关联，将其聚为一类；最终没有和任何点聚为一类的样本点即被认为是异常点。
[0067]
应当注意的是，在上一步的snn相似度异常点挖掘中，找出了明显没有聚类的数据点，但是没有给出识别因子的确定性方法。这里确定方式为：首先对于聚类数据，其识别因子q2取0；对于离群点，其识别因子：
[0068][0069]
其中：——离群点距离最近聚类中心的距离；——离群点距离其k个近邻的平均距离；a——归一化因子。
[0070]
步骤s104、将所述异常点数据对应的病人筛为骗保嫌疑对象。
[0071]
可以基于异常点数据对应的病人初步锁定骗保嫌疑对象。再在这些对象中进行更
精细的人工调查，便可有效地识别骗保行为。机器替代人工在就医、病患信息中识别出骗保行为，提升了效率和识别准确性。
[0072]
从以上的描述中，可以看出，本发明实现了如下技术效果：
[0073]
在本技术实施例中，采用机器筛查的方式，通过获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；对所述多维度数据执行预设归一化处理操作；利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；将所述异常点数据对应的病人筛为骗保嫌疑对象；达到了snn算法筛检模型替代人工在就医、病患信息中识别出骗保嫌疑对象的目的，从而实现了提高识别效率，且提高识别准确性的技术效果，进而解决了由于需要人工在就医、病患信息中识别出骗保行为造成的效率极其低下，且识别准确性也不高技术问题。
[0074]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0075]
根据本发明实施例，还提供了一种用于实施上述骗保嫌疑对象的筛查方法的装置，如图2所示，该装置包括：
[0076]
数据获取模块10，用于获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；
[0077]
在病人整段治疗过程中，分为多个不同疗程周期，且不同疗程周期内的开药种类和数量等数据是不同的。因此，本实施例中对接医疗系统获取病人不同疗程周期的开药种类和开药数量数据；通过挖掘可以从中获取得到病人各个不同疗程周期医嘱类别、药品名称和种类(医嘱子类)、单次使用数量、就诊人性别、疗程周期等不同类别的至少五个维度的数据。
[0078]
归一化模块20，用于对所述多维度数据执行预设归一化处理操作；
[0079]
用于对上述不同类别的数据集合进行标准化、正规化、符号类型数值域映射处理，即归一化处理。这里，药品名称和种类(医嘱子类)、医嘱类别、单次使用数量、就诊人性别、疗程周期等分属五个不同的数据类型和指标，其中，药品名称和种类、医嘱类别属于符号型数据，后三者为数值型数据。由于它们采用是不同的度量单位，数值差别可能很大，会造成相似度计算时距离计算得较大偏差。也就是说，这五个维度的数据包含混合数据类型，因此不能直接进行聚类挖掘计算，所以需要首先对上述数据进行归一化处理。
[0080]
根据本发明实施例，优选的，所述归一化模块20包括：
[0081]
对所述多维度数据执行预设的正规化处理、标准化处理和符号类型数值域处理操作。
[0082]
具体的，符号类型特征向数值域映射主要是为了使得符号类型特征能像数值特征一样能够进行处理，此步采用如下编码映射方法进行处理：为了保留符号类型特征的等同行本质，映射具体做法是：对于有m种不同取值的符号特性，用m 位二进制编码对其编码，当且仅当特征取值为第j种值时，其编码中的第j为1，其余为0。
[0083]
事实上，还可以对映射后的像矢量进行pca主成分分析进行降维处理。
[0084]
另外，数据正规化处理具体方法为：
[0085]
即对每一就诊病例的上述五种特征类型数据构成矩阵u，每一病例的五种特征数
据构成矩阵的一个列向量。正规化需要使得各特征类型的数据均值为0，方差为 1。即：
[0086]
对序列x1，x
，
，
…
，xn进行变换：
[0087]
这里
[0088]
则新序列y1，y2，
…
，yn的均值为0，而方差为1，且无量纲。
[0089]
(1)这种方法基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化。将a的原始值x使用z-score标准化到x’。
[0090]
(2)z-score标准化方法适用于属性a的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
[0091]
(3)spss默认的标准化方法就是z-score标准化。
[0092]
(4)用excel进行z-score标准化的方法：在excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：求出各变量(指标)的算术平均值(数学期望)xi和标准差si；进行标准化处理：zij＝(xij－xi) /si。其中：zij为标准化后的变量值；xij为实际变量值；将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
[0093]
采用上述的标准化、正规化、符号类型数值域映射处理后，数值差别可降低到最小，有效避免相似度计算时距离计算得较大偏差。也就是说，处理后可以基于这些数据进行聚类挖掘计算。
[0094]
模型筛检模块30，用于利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；
[0095]
具体的，所述snn算法筛检模型的训练包括：
[0096]
确定编码方式，将样本数据编码为脉冲序列；
[0097]
将脉冲序列输入脉冲神经网络，计算得到输出脉冲序列；
[0098]
比对预设的期望脉冲序列和输出脉冲序列，得到误差值，并根据误差值调整权值w。
[0099]
同一类药品或治疗手段，它们的单次使用数量、适用人群、疗程周期等应具有一定相似性。而骗保行为往往会违背这些常规，因此这些都可以作为识别骗保行为的一个指标(或者信号脉冲)。
[0100]
snn使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。本质上，一旦神经元达到了某一电位，脉冲就会出现，随后达到电位的神经元会被重置。
[0101]
snn通常是稀疏连接，利用特殊的网络拓扑。脉冲神经网络在信息处理过程中，往往只关心神经元由于脉冲输入引起的神经脉冲(即发放脉冲)，而不关心神经元内部状态变量的变化过程。各种脉冲神经网络的监督算法的目标基本一致：对输入脉冲序列si(t)和期望输出脉冲序列sd(t)，通过监督训练脉冲神经网络，调整权值w，实现神经网络实际输出脉冲序列so(t)与sd(t)之间的差距尽可能小。
[0102]
snn的构建过程为：1)构建脉冲神经元模型(建模)——构建神经脉冲序列 (编码)——脉冲神经网络的训练方法；2)、简化过程：建模——编码——训练 (学习规则、转换等)。最常见的模型是integrate-and-fire(lif)模型。其公式为：
[0103][0104]
具体的，所述模型筛查模块30包括：
[0105]
先利用训练后的snn算法筛检模型计算各多维度数据之间的相似度矩阵，然后根据相似度矩阵确定各数据点之间的连接关系，确定出聚类中心和异常点数据。
[0106]
首先，构造距离矩阵计算u。即根据矩阵中各5维列向量之间的欧式距离，构造距离矩阵d。欧式距离也称欧几里得距离，是最常见的距离度量，衡量的是多维空间中两个点之间的绝对距离。其距离计算公式如下：
[0107][0108]
这里，假设两个数据集合x＝(x1,x2,x3,...xn)和y＝(y1,y2,y3,...,yn)，其向量表示分别为：vec(x)＝(v1,v2,v3,...vp),vec(y)＝(l1,l2,l3,...lp)。
[0109]
然后，建立k近邻列表。对于每个样本点，在d中找出其最近的k个近邻，将其存入k近邻表snn算法中，其中(i)表示第i个样本点的k近邻列表。
[0110]
再计算相似度。在表中计算两两互为最近邻居的样本点的相似度。snn相似度的定义为：建立相近节点i和j之间的连接，则每个连接之间包含两个样本的s 个共同邻居，称s为这一连接的连接强度，两个最近节点之间的连接强度即为snn 相似度。计算得两两样本点之间的snn相似度，将其存入snn相似度矩阵s。
[0111]
最后检测异常点。基于snn相似度矩阵s，确定检索阈值t，如果是snn相似度大于t，则建立两个样本点之间的关联，将其聚为一类；最终没有和任何点聚为一类的样本点即被认为是异常点。
[0112]
应当注意的是，在上一步的snn相似度异常点挖掘中，找出了明显没有聚类的数据点，但是没有给出识别因子的确定性方法。这里确定方式为：首先对于聚类数据，其识别因子q2取0；对于离群点，其识别因子：
[0113][0114]
其中：——离群点距离最近聚类中心的距离；——离群点距离其k个近邻的平均距离；a——归一化因子。
[0115]
对象确定模块40，用于将所述异常点数据对应的病人筛为骗保嫌疑对象。
[0116]
可以基于异常点数据对应的病人初步锁定骗保嫌疑对象。再在这些对象中进行更精细的人工调查，便可有效地识别骗保行为。机器替代人工在就医、病患信息中识别出骗保行为，提升了效率和识别准确性。
[0117]
从以上的描述中，可以看出，本发明实现了如下技术效果：
[0118]
在本技术实施例中，采用机器筛查的方式，通过获取病人不同疗程周期的开药种类和开药数量数据，并从中挖掘出多维度数据；对所述多维度数据执行预设归一化处理操作；利用训练过的snn算法筛检模型在归一化处理后的多维度数据中确定出聚类中心和异常点数据；将所述异常点数据对应的病人筛为骗保嫌疑对象；达到了snn算法筛检模型替代
人工在就医、病患信息中识别出骗保嫌疑对象的目的，从而实现了提高识别效率，且提高识别准确性的技术效果，进而解决了由于需要人工在就医、病患信息中识别出骗保行为造成的效率极其低下，且识别准确性也不高技术问题。
[0119]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0120]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。