动物决策行为回溯解析方法、装置、电子设备及存储介质

摘要

本申请涉及一种动物决策行为回溯解析方法、装置、电子设备及存储介质。方法包括：获取动物决策前的神经脉冲数据；将神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，得到每个神经元的注意力权重；基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元作为决策相关神经元。由此，通过利用激活函数和残差连接的方式获得神经元的注意力权重，解决了现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

说明书

技术领域

本申请涉及脑科学研究领域，特别涉及一种动物决策行为回溯解析方法、装置、电子设备及存储介质。

背景技术

脑科学研究是了解大脑机理的关键所在，其中，动物感知决策的量化预测与决策神经元解析是脑科学研究中的核心挑战。通过观测动物决策过程中的脑神经数据，利用定量模型来预测动物的宏观决策行为是理清大脑工作机理的关隘。

相关技术中，对决策相关神经元以及脑区的探测更多采用的是对比实验的方式，这些实验通过对脑区神经元的抑制或激活前后观察小鼠在决策过程中的行为表现，以确认与决策相关的脑区；或者采用传统的线性模型(如线性回归模型)来分析小鼠的决策问题。

然而，该方法复杂性和繁琐性较高，在抑制脑区后是否会对其他脑区的神经元产生影响尚不清楚，可能导致实验结果的不准确性；线性模型的建模能力相对较弱，不太适用于研究较为复杂的动物决策问题，亟待解决。

发明内容

本申请提供一种动物决策行为回溯解析方法、装置、电子设备及存储介质，以解决现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

为达到上述目的，本申请第一方面实施例提出一种动物决策行为回溯解析方法，包括以下步骤：

获取动物决策前的神经脉冲数据；

将所述神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将所述预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，得到每个神经元的注意力权重；以及

基于所述每个神经元的注意力权重，筛选出满足预设条件的目标神经元，并将所述目标神经元作为决策相关神经元。

根据本申请的一个实施例，在将所述神经脉冲数据输入至所述预设的神经网络模型之前，还包括：

获取多个目标动物决策前的神经脉冲数据；

对所述多个目标动物决策前的神经脉冲数据进行预处理，并将预处理后的神经脉冲数据划分为训练集和验证集；

利用所述训练集对预设的神经网络进行训练得到初始神经网络模型，并利用所述验证集验证所述初始神经网络模型，直到所述初始神经网络模型满足预设条件，结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型，否则调整所述预设的神经网络的训练集后继续迭代训练。

根据本申请的一个实施例，所述对所述多个目标动物决策前的神经脉冲数据进行预处理，包括：

对所述多个目标动物决策前的神经脉冲数据进行平均分割，得到维度统一的神经脉冲数据；

对所述维度统一的神经脉冲数据进行数据清洗，得到目标神经脉冲数据；

从所述目标神经脉冲数据中提取特征数据，并基于所述特征数据生成样本集，且按照预设划分比例对所述样本集进行划分得到所述训练集和所述验证集。

根据本申请的一个实施例，在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后，还包括：

基于预设的注意力机制，对所述预设的神经网络模型进行优化。

根据本申请的一个实施例，在将所述神经脉冲数据输入至所述预设的神经网络模型之后，还包括：

输出所述神经脉冲数据对应的决策行为。

根据本申请实施例提出的动物决策行为回溯解析方法，通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，可以得到每个神经元的注意力权重，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元作为决策相关神经元。由此，通过利用激活函数和残差连接的方式获得神经元的注意力权重，解决了现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

为达到上述目的，本申请第二方面实施例提出一种动物决策行为回溯解析装置，包括：

获取模块，用于获取动物决策前的神经脉冲数据；

处理模块，用于将所述神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将所述预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，得到每个神经元的注意力权重；以及

筛选模块，用于基于所述每个神经元的注意力权重，筛选出满足预设条件的目标神经元，并将所述目标神经元作为决策相关神经元。

根据本申请的一个实施例，在将所述神经脉冲数据输入至所述预设的神经网络模型之前，所述处理模块，还包括：

获取单元，用于获取多个目标动物决策前的神经脉冲数据；

预处理单元，用于对所述多个目标动物决策前的神经脉冲数据进行预处理，并将预处理后的神经脉冲数据划分为训练集和验证集；

训练单元，用于利用所述训练集对预设的神经网络进行训练得到初始神经网络模型，并利用所述验证集验证所述初始神经网络模型，直到所述初始神经网络模型满足预设条件，结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型，否则调整所述预设的神经网络的训练集后继续迭代训练。

根据本申请的一个实施例，所述预处理单元，具体用于：

对所述多个目标动物决策前的神经脉冲数据进行平均分割，得到维度统一的神经脉冲数据；

对所述维度统一的神经脉冲数据进行数据清洗，得到目标神经脉冲数据；

从所述目标神经脉冲数据中提取特征数据，并基于所述特征数据生成样本集，且按照预设划分比例对所述样本集进行划分得到所述训练集和所述验证集。

根据本申请的一个实施例，在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后，所述训练单元，还用于：

基于预设的注意力机制，对所述预设的神经网络模型进行优化。

根据本申请的一个实施例，在将所述神经脉冲数据输入至所述预设的神经网络模型之后，所述处理模块，还用于：

输出所述神经脉冲数据对应的决策行为。

根据本申请实施例提出的动物决策行为回溯解析装置，通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，可以得到每个神经元的注意力权重，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元作为决策相关神经元。由此，通过利用激活函数和残差连接的方式获得神经元的注意力权重，解决了现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

为达到上述目的，本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的动物决策行为回溯解析方法。

为达到上述目的，本申请第四方面实施例提出一种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，以用于实现如上述实施例所述的的动物决策行为回溯解析方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种的动物决策行为回溯解析方法的流程图；

图2为根据本申请的一个实施例的CA-BILSTM(CA-Bi-directional Long Short-Term Memory，双向长短期记忆网络)模型示意图；

图3为根据本申请的一个实施例的对神经脉冲数据分段式划分的示意图；

图4为根据本申请实施例的动物决策行为回溯解析装置的方框示意图；

图5为根据本申请实施例的电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参照附图描述根据本申请实施例提出的动物决策行为回溯解析方法、装置、电子设备及存储介质，首先将参照附图描述根据本申请实施例提出的动物决策行为回溯解析方法。

图1是本申请一个实施例的动物决策行为回溯解析方法的流程图。

示例性的，如图1所示，该动物决策行为回溯解析方法包括以下步骤：

在步骤S101中，获取动物决策前的神经脉冲数据。

可以理解的是，动物决策前的神经脉冲数据包括(1)动物(如小鼠)神经元的放电活动，如放电频率、放电模式等，可以反映神经元在决策过程中的激活状态；(2)脑区的激活情况，可以帮助了解动物决策过程中不同脑区的功能和相互作用；(3)神经元之间的信息传递，包括电位传导速度、突触传递等；(4)神经递质的释放和浓度变化等。

对于神经脉冲数据的获取可以利用相关技术手段如通过电生理技术，即在动物大脑中植入电极或脑电图(Electroencephalogram，简称EEG)，或者脑成像技术，如功能性磁共振成像(Functional Magnetic Resonance Imaging，简称FMRI)或扩散光学成像(Diffusive Optical Imaging，简称DOI)，采集动物多个脑区(如前额叶、杏仁核等)的神经脉冲数据，故而，对于神经脉冲数据的获取方式，此处不做具体限定。

在步骤S102中，将神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，得到每个神经元的注意力权重。

其中，神经元的特征权重指的是在神经网络模型中每个神经元接收到的来自其他神经元的输入信号的强度，即神经元之间的连接强度，特征权重越高，表明神经元之间的连接越强，该神经元接收到的来自其他神经元的输入信号的强度越大；预设的残差连接策略指的是在神经网络模型的某些层中，将前一层的输出直接与后一层的输入进行非线性变换的线性相加的一种跨层连接方式，以解决神经网络模型中的梯度消失或梯度爆炸问题，使得神经网络模型的训练更加容易；神经元的注意力权重指的是神经元在处理输入数据时对不同特征或元素的重视程度，可以用来衡量输入数据中不同特征或元素对于神经元输出的贡献程度。

进一步地，本申请实施例以CA-BiLSTM模型作为预设的神经网络模型，如图2所示，该神经网络模型由通道注意力网络模块、双向长短期记忆网络递归单元和全连接层组成，通道注意力网络模块可以自适应地校准每个通道的权重，通过通道注意力网络模块可以得到不同神经元对动物决策的预测结果的影响程度；双向长短期记忆网络递归单元能够从两个方向(前向和后向)捕捉输入的数据，即可以同时接收来自前一个时间步和后一个时间步的输入数据；全连接层可以将输入数据与神经网络模型的参数进行线性组合，并得到输出结果，起到特征映射和非线性变换的作用。

在神经网络中，激活函数用于将神经元的输入映射到输出，考虑到输入的数据为脉冲计数，恒为正数，本申请实施例中的预设的激活函数采用的是tanh函数，tanh函数可以将输入值映射到(-1,1)的范围，从而缩小输出值的范围，使得神经网络更易于训练；与其他激活函数相比，tanh函数在输入值非常大或非常小时具有非线性特向，为神经元引入非线性元素，能够避免输出值饱和的问题，从而使得神经网络模型能够更好地学习和处理复杂的数据。

具体而言，结合图2的c部分所示，将步骤S101获取得到的动物决策前的神经脉冲数据输入至预设的神经网络模型(即CA-BiLSTM模型)，同时在注意力网络模块，利用预设的激活函数(即tanh函数)将预设的神经网络模型中每个神经元的特征权重映射到目标区间，即(-1,1)的范围，也就是说，CA-BiLSTM模型的注意力网络模块将脉冲输入数据分别经过最大池化和平均池化，然后将其输入到权重共享的全连接层进行特征提取，并通过tanh激活函数引入非线性变换，从而得到新的特征表示(即映射到目标区间的映射结果，也就是每个神经元的注意力权重)，再利用预设的残差连接策略对映射结果进行处理，将输入的动物决策前的神经脉冲数据与新的特征表示和动物决策前的神经脉冲数据的乘积进行线性相加，即Z＝X+a×X，其中，X表示动物决策前的神经脉冲数据(统计量，恒为正数)，a表示新的特征表示，即神经元的注意力权重值，Z表示下一步的神经网络输入。

可以理解的是，由于a的值域是(-1,1)，注意力权重值a在(-1,0)之间时，表现为抑制下一步的神经网络输入Z，即神经网络输入Z中相应的神经元输入值就会减小，因此，注意力权重值为(-1,0)对应的神经元为非决策相关神经元；反之，注意力权重值在(0,1)之间时，表现为增强下一步的神经网络输入Z，即神经网络输入Z中相应的神经元输入值就会增大，因此，注意力权重值为(0,1)对应的神经元为决策相关神经元，a的维度与神经元的个数保持一致，通过这种方式来进行神经元的筛选，可以降低非决策相关神经元对预测结果的影响，增强决策相关神经元对预测结果的影响。

接下来介绍下如何得到预设的神经网络模型。

作为一种可能实现的方式，在一些实施例中，在将神经脉冲数据输入至预设的神经网络模型之前，还包括：获取多个目标动物决策前的神经脉冲数据；对多个目标动物决策前的神经脉冲数据进行预处理，并将预处理后的神经脉冲数据划分为训练集和验证集；利用训练集对预设的神经网络进行训练得到初始神经网络模型，并利用验证集验证初始神经网络模型，直到初始神经网络模型满足预设条件，结束对预设的神经网络的迭代训练得到预设的神经网络模型，否则调整预设的神经网络的训练集后继续迭代训练。

具体而言，获取多个目标动物决策前的神经脉冲数据，包括神经元的放电活动、脑区的激活情况等，对多个目标动物决策前的神经脉冲数据进行预处理，如滤波、去噪和特征提取等，得到预处理后的神经脉冲数据，将预处理后的神经脉冲数据划分为训练集和验证集，利用训练集对预设的神经网络进行训练，并通过交叉验证等技术对预设的神经网络模型进行评估和调整，得到初始神经网络模型，利用验证集对初始神经网络模型进行验证和测试，以确保初始神经网络模型的预测性能和稳定性，如果初始神经网络模型的预测结果与实际结果不相符，则需要重新预处理神经脉冲数据，调整训练集，继续进行迭代训练，直到初始神经网络模型满足预设条件，即模型的预测结果与实际情况一致，则结束对预设的神经网络的迭代训练，从而得到预设的神经网络模型。

为便于本领域技术人员的理解，下面对如何对多个目标动物决策前的神经脉冲数据进行预处理进行详细说明。

作为一种可能实现的方式，在一些实施例中，对多个目标动物决策前的神经脉冲数据进行预处理，包括：对多个目标动物决策前的神经脉冲数据进行平均分割，得到维度统一的神经脉冲数据；对维度统一的神经脉冲数据进行数据清洗，得到目标神经脉冲数据；从目标神经脉冲数据中提取特征数据，并基于特征数据生成样本集，且按照预设划分比例对样本集进行划分得到训练集和验证集。

可以理解的是，动物在不同的感知决策试验中，决策时间是不统一的，导致无法有效处理决策时间内的脑神经数据，相关技术中通常会采用补零或裁剪时间的方式进行数据维度的统一，但补零在一定程度上是引入不相干的输入信息，而裁剪时间可能导致信息丢失，对后续分析动物决策带来影响；另外，当前的感知决策实验设计中，会让动物在决策前停滞一段时间，然后再进行决策行为，通过分析决策前停滞时间内的脑神经活动从而研究动物的决策行为，但是，这种方法会强制引入一段决策时间，导致动物决策行为的间断性。

为了避免上述问题，本申请实施例采用分段式处理神经脉冲数据的方式解决动物决策时间异质问题，如图3所示，对多个目标动物决策前的神经脉冲数据进行平均分割，即将动物决策时间平均分成相同的段数，并统计每一段内的神经脉冲次数，通过分段式划分的方式得到维度统一的神经脉冲数据，一方面，在进行决策实验设计中，不需要设计额外的等待时间，方便后续的数据处理，使得决策实验设计更加自然；另一方面，避免了传统方式中时间窗口移动带来的数据维度不一致的问题，同时减少了通过补零带来的数据污染以及裁剪时间带来的信息丢失。因此，通过牺牲一定的数据的时序性，可以获得更加灵活的数据处理方式。

在得到维度统一的神经脉冲数据之后，对其进行数据清洗，如滤波、去噪和特征提取等，从而得到与决策相关的目标神经脉冲数据，并从目标神经脉冲数据中提取特征数据，包括神经活动的频率、幅度和相位等，并基于特征数据生成样本集，且按照预设划分比例(如7:3或8:2)对样本集进行划分得到训练集和验证集，其中，训练集用于对神经网络模型进行训练和优化，验证集用于对神经网络模型进行验证和测试。

进一步地，在一些实施例中，在结束对预设的神经网络的迭代训练得到预设的神经网络模型之后，还包括：基于预设的注意力机制，对预设的神经网络模型进行优化。

可以理解的是，预设的注意力机制指的是一种计算模型，可以衡量每个神经元对最终预测的贡献，即通过预设的注意力机制可以有效确定决策任务中与决策相关的稳定神经元，实现对预设的神经网络模型的进一步优化。

进一步地，在一些实施例中，在将神经脉冲数据输入至预设的神经网络模型之后，还包括：输出神经脉冲数据对应的决策行为。

也就是说，神经脉冲数据输入至预设的神经网络模型之后，输出为动物的决策行为。

在步骤S103中，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元，并将目标神经元作为决策相关神经元。

具体而言，在得到每个神经元的注意力权重之后，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元，即筛选出注意力权重大于零的目标神经元，并将目标神经元确定为决策相关神经元。

综上，本申请实施例采用如图2所示的深度学习模型——CA-BiLSTM模型对动物决策行为进行预测，模型输入为动物决策前的神经脉冲数据，模型输出为动物决策行为，通过对模型进行迭代训练可以得到预设的神经网络模型，将待测试的动物决策前的神经脉冲数据输入至预设的神经网络模型，同时利用激活函数和残差连接的方式获得神经元的注意力权重，基于每个神经元的注意力权重评估不同神经元对动物决策行为的影响，从而筛选出决策相关神经元。

根据本申请实施例提出的动物决策行为回溯解析方法，通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，可以得到每个神经元的注意力权重，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元作为决策相关神经元。由此，解决了现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

其次参照附图描述根据本申请实施例提出的动物决策行为回溯解析装置。

图4是本申请一个实施例的动物决策行为回溯解析装置的方框示意图。

如图4所示，该动物决策行为回溯解析装置10包括：获取模块100、处理模块200和筛选模块300。

其中，获取模块100，用于获取动物决策前的神经脉冲数据；

处理模块200，用于将神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，得到每个神经元的注意力权重；以及

筛选模块300，用于基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元，并将目标神经元作为决策相关神经元。

进一步地，在一些实施例中，在将神经脉冲数据输入至预设的神经网络模型之前，处理模块200，还包括：

获取单元，用于获取多个目标动物决策前的神经脉冲数据；

预处理单元，用于对多个目标动物决策前的神经脉冲数据进行预处理，并将预处理后的神经脉冲数据划分为训练集和验证集；

训练单元，用于利用训练集对预设的神经网络进行训练得到初始神经网络模型，并利用验证集验证初始神经网络模型，直到初始神经网络模型满足预设条件，结束对预设的神经网络的迭代训练得到预设的神经网络模型，否则调整预设的神经网络的训练集后继续迭代训练。

进一步地，在一些实施例中，预处理单元，具体用于：

对多个目标动物决策前的神经脉冲数据进行平均分割，得到维度统一的神经脉冲数据；

对维度统一的神经脉冲数据进行数据清洗，得到目标神经脉冲数据；

从目标神经脉冲数据中提取特征数据，并基于特征数据生成样本集，且按照预设划分比例对样本集进行划分得到训练集和验证集。

进一步地，在一些实施例中，在结束对预设的神经网络的迭代训练得到预设的神经网络模型之后，训练单元，还用于：

基于预设的注意力机制，对预设的神经网络模型进行优化。

进一步地，在一些实施例中，在将神经脉冲数据输入至预设的神经网络模型之后，处理模块200，还用于：

输出神经脉冲数据对应的决策行为。

需要说明的是，前述对动物决策行为回溯解析方法实施例的解释说明也适用于该实施例的动物决策行为回溯解析装置，此处不再赘述。

根据本申请实施例提出的动物决策行为回溯解析装置，通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时，利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间，并利用预设的残差连接策略对映射结果进行处理，可以得到每个神经元的注意力权重，基于每个神经元的注意力权重，筛选出满足预设条件的目标神经元作为决策相关神经元。由此，通过利用激活函数和残差连接的方式获得神经元的注意力权重，解决了现阶段研究方法复杂性和繁琐性较高，实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题，简化研究方法的同时，提高对动物决策行为预测的准确性。

图5为本发明实施例提供的电子设备的结构示意图。该电子设备可以包括：

存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。

处理器502执行程序时实现上述实施例中提供的动物决策行为回溯解析方法。

进一步地，电子设备还包括：

通信接口503，用于存储器501和处理器502之间的通信。

存储器501，用于存放可在处理器502上运行的计算机程序。

存储器501可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。

如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。

处理器502可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本发明实施例的一个或多个集成电路。

本发明实施例还提供一种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如上的动物决策行为回溯解析方法。

此外，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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，对上述术语的示意性表述不是必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。