自适应驾驶员工作负荷估计器

摘要

提供了一种用于驾驶员工作负荷估计的方法。驾驶员工作负荷的主观评估是从车辆驾驶员接收的。响应于接收主观评估从一个或多个传感器收集传感器输入数据流。基于传感器输入数据流和主观评估把机器学习算法应用到驾驶员工作负荷估计模型。该应用的结果是更新的驾驶员工作负荷估计模型。

权利要求

1.一种用于自适应驾驶员工作负荷估计的方法，该方法包括：从车辆驾驶员接收驾驶员工作负荷的主观评估；

响应于接收主观评估从一个或多个传感器收集传感器输入数据流，该主观评估是由车辆驾驶员通过输入机制输入的且表示车辆驾驶员感知的驾驶员工作负荷；以及基于传感器输入数据流和主观评估把机器学习算法应用到驾驶员工作负荷估计模型；

该应用的结果是更新的驾驶员工作负荷估计模型。

2.权利要求1的方法，还包括：

接收传感器输入数据；以及

响应于传感器输入数据和更新的驾驶员工作负荷估计模型来更新工作负荷指数。

3.权利要求2的方法，其中传感器输入数据是在基本实时的基础上周期性地接收的。

4.权利要求1的方法，其中主观评估的产生是由车辆驾驶员发起的。

5.权利要求1的方法，其中主观评估的产生是由位于车辆上用于驾驶员工作负荷估计的逻辑发起的。

6.权利要求1的方法，其中传感器输入数据包括车辆数据、驾驶员数据和环境数据的一个或多个。

7.权利要求1的方法，其中机器学习算法是由决策树实现的。

8.权利要求1的方法，其中机器学习算法包括判别分析、决策树、人工神经网络、隐性马尔可夫模型、贝叶斯网络、贝叶斯信念网络、基于案例的推理(CBR)、遗传算法和支持向量机的一个或多个。

9.一种用于自适应驾驶员工作负荷估计的系统，该系统包括：输入设备；以及

与输入设备通信的微处理器，该微处理器包括指令以便于：经由输入设备从车辆驾驶员接收驾驶员工作负荷的主观评估，该主观评估是由车辆驾驶员通过输入设备输入的且表示车辆驾驶员感知的驾驶员工作负荷；

响应于接收主观评估从一个或多个传感器收集传感器输入数据流；以及基于传感器输入数据流和主观评估将机器学习算法应用到驾驶员工作负荷估计模型，该应用的结果是更新的驾驶员工作负荷估计模型。

10.权利要求9的系统，还包括：

接收传感器输入数据；以及

响应于传感器输入数据和更新的驾驶员工作负荷估计模型来更新工作负荷指数。

11.权利要求10的系统，其中传感器输入数据是在基本实时的基础上周期性地接收的。

12.权利要求9的系统，其中主观评估的产生是由车辆驾驶员发起的。

13.权利要求9的系统，其中主观评估的产生是由位于车辆上用于驾驶员工作负荷估计的逻辑发起的。

14.权利要求9的系统，其中传感器输入数据包括车辆数据、驾驶员数据和环境数据的一个或多个。

15.权利要求9的系统，其中机器学习算法是由决策树实现的。

16.权利要求9的系统，其中机器学习算法包括判别分析、决策树、人工神经网络、隐性马尔可夫模型、贝叶斯网络、贝叶斯信念网络、基于案例的推理(CBR)、遗传算法和支持向量机的一个或多个。

17.一种用于自适应驾驶员工作负荷估计的设备，该设备包括：用于从车辆驾驶员接收驾驶员工作负荷的主观评估的装置，该主观评估是由车辆驾驶员通过输入机制输入的且表示车辆驾驶员感知的驾驶员工作负荷；

用于响应于接收主观评估从一个或多个传感器收集传感器输入数据流的装置；以及用于基于传感器输入数据流和主观评估将机器学习算法应用到驾驶员工作负荷估计模型的装置，该应用的结果是更新的驾驶员工作负荷估计模型。

18.权利要求17的设备，其中该设备还包括：用于接收传感器输入数据的装置；以及

用于响应于传感器输入数据和更新的驾驶员工作负荷估计模型更新工作负荷指数的装置。

19.权利要求17的设备，其中传感器输入数据是在基本实时的基础上周期性地接收的。

说明书

自适应驾驶员工作负荷估计器

技术领域

[0001] 本公开通常涉及驾驶员工作负荷估计并且特别地涉及自适应驾驶员工作负荷估计器。

背景技术

[0002] 驾驶员工作负荷估计器(Driver Workload Estimator DWE)是指通过监视驾驶员、车辆和驾驶环境对驾驶员的工作负荷指数(index)进行实时连续估计。DWE在自然驾驶条件下以对驾驶员非常不显眼的方式连续地实时进行工作负荷评估。在一些情况中，当驾驶员工作负荷信息可得到时，可以增强许多车内功能性，例如：给驾驶员呈现信息、主动安全驾驶员辅助以及车辆底盘控制。

[0003] 有三种主要类型的驾驶员工作负荷：视觉的、体力的和认知的。当驾驶员受到手动驾驶任务的压力时，或者当驾驶时驾驶员在脑力上参与次要任务时，诸如进行蜂窝电话通话，他或她的认知工作负荷变高。检测危险和处理所引发问题的能力就被削弱。在这三种主要类型的工作负荷中认知工作负荷是最难测量的；它主要是驾驶员内在的，并且只能够被部分观察到。

[0004] 人们认为一长串参数能够反映驾驶员工作负荷。该参数包括的项诸如：车道位置偏离、车道脱离持续时间、速度偏差、驾驶姿势(steeringhold)、制动压力、车间时距、驾驶员眼睛凝视注视(fixation)持续时间、眼睛凝视位置变化、心跳间隔变化等。虽然一些参数比其他参数更能反映驾驶员的认知内在状态，但是没有一个参数能单独作为可靠的指标。研究表明参数的融合比单个参数倾向于提供更好的整体表现。目前，没有执行这种融合以提供驾驶员工作负荷估计的驾驶员工作负荷系统。

[0005] 目前的DWE是使用人工工作负荷分析和建模过程建立的，其中只选择显示高驾驶员工作负荷相关的参数并人工对其建模。这些DWE可能遗漏了不遵循设计方法所假设的单峰高斯分布的有希望的候选参数。在单峰假设下与工作负荷水平显示低相关的参数不一定是不好的工作负荷指标。

[0006] 此外，当前的“手工(handcrafted)”DWE模型往往比较简单，诸如线性回归模型。它们的参数覆盖通常有限，诸如基于二进制启发式的工作负荷估计器。模型完善度的这一低水平可能是由于繁重的人工工作负荷分析和建模方法的缘故造成的。随着车内传感器数量和能力的增加，有希望的参数列表增长，这些DWE不一定能够在结构上适应。为了把这些变化考虑进去，当前的DWE中的估计算法可能需要被重新设计。此外，目前的DWE往往是静态的，因为它们的估计算法是基于一组可用模型数据被“粘结巩固的(cemented)”。它们并没被调整并适应于单独的驾驶员工作负荷特性。

发明内容

[0007] 根据本发明的一个方面，提供了一种用于自适应驾驶员工作负荷估计的方法。驾驶员工作负荷的主观评估是从车辆驾驶员接收的。响应于接收主观评估从一个或多个传感器收集传感器输入数据流。基于传感器输入数据流和主观评估把机器学习算法应用到驾驶员工作负荷估计模型。该应用的结果是更新的驾驶员工作负荷估计模型。

[0008] 在另一方面，提供一种用于自适应驾驶员工作负荷估计的系统。该系统包括输入设备和与输入设备通信的微处理器。微处理器包括指令以以便于经由输入设备从车辆驾驶员接收驾驶员工作负荷的主观评估。响应于接收主观评估从一个或多个传感器收集传感器输入数据流。基于传感器输入数据流和主观评估将机器学习算法应用到驾驶员工作负荷估计模型。该应用的结果是更新的驾驶员工作负荷估计模型。

[0009] 在又一方面，一种用于提供自适应驾驶员工作负荷估计的计算机程序产品包括可由处理电路读取的存储介质，该存储介质存储有通过处理电路执行的用于执行一种方法的指令。该方法包括从车辆驾驶员接收驾驶员工作负荷的主观评估。响应于接收主观评估从一个或多个传感器收集传感器输入数据流。基于传感器输入数据流和主观评估将机器学习算法应用到驾驶员工作负荷估计模型。该应用的结果是更新的驾驶员工作负荷估计模型。

附图说明

[0010] 参考示范性附图，其中相似的元件在几个附图中进行相似的编号：

[0011] 图1是在高和低的工作负荷下驾驶员眼睛注视持续时间的示范性概率分布函数；

[0012] 图2是示范性DWE系统的一般体系结构的框图；

[0013] 图3是示范性的基于学习的DWE系统的框图；

[0014] 图4是可由本发明的示范性实施例使用的学习算法的示例适应；

[0015] 图5是可由本发明的示范性实施例使用的用于执行自适应驾驶员工作负荷估计的过程流；

[0016] 图6是用于DWE的示范性决策树；

[0017] 图7是从本发明示范性实施例中的具有数据高速缓存的信号处理功能模块304输出的示范性参数或属性的列表；

[0018] 图8示出了用于信号处理和产生参数矢量的示范性时间窗；

[0019] 图9示出了划分驾驶员前视野(front view)的示范性区域；

[0020] 图10列出了本发明示范性实施例中的学习的DWE的正确预测率；以及[0021] 图11列出了在本发明示范性实施例中从学习的DWE决策树提取的规则。

具体实施方式

[0022] 这里公开的是一种自适应驾驶员工作负荷估计的方法。简言之，该方法利用关于驾驶员的观察、车辆数据和环境数据，以估计安排给驾驶员的工作负荷。通过评估驾驶员数据、车辆数据和环境数据对驾驶员的边际效应(marginal effect)来开发驾驶员工作负荷的条件的且可适应的模型。本发明的示范性实施例提供了使用机器学习技术捕获最优传感器输入相互关系的DWE，该DWE随时间适应于单个驾驶员的认知行为，并且在包含其他传感器数据用于增强的性能上提供了灵活性。

[0023] DWE目前主要用于通过基于驾驶员工作负荷水平的信息允许驾驶员信息呈现管理来增强车内信息系统(In-vehicle information systemIVIS)。此外，DWE可以提供输入到车辆处理和驾驶员辅助系统质量增强。如上所讨论的，目前的DWE可能忽略不遵循单峰高斯分布的有希望的候选参数。在单峰假设下显示与工作负荷水平低相关的参数不一定是不好的工作负荷指标。下面使用驾驶员眼睛注视持续时间参数来说明这个概念，其中已经为工作负荷估计对该参数进行了广泛研究。如本领域中所知的，在工作负荷水平和驾驶员眼睛注视持续时间之间的关系上研究显示了相互矛盾的结果。一些研究显示出正相关而其他研究则显示出负相关。作为逻辑结果，驾驶员眼睛注视持续时间并不是良好的工作负荷指标。

[0024] 然而，从高驾驶员工作负荷下相反的驾驶员眼睛注视持续时间变化趋势可以看出，在高工作负荷下注视持续时间(tfd)的概率分布函数(pdf)(p(tfd/hWL))可能是多峰的，如图1所示。进行一种简单的机器学习技术：标准贝叶斯分析，以导出给定高工作负荷的注视持续时间的概率，从而使用注视持续时间作为有效的工作负荷指标。贝叶斯分析使用条件pdf，p(tfd|hWL)和p(tfd|lWL)，以及先验概率(p(hWL)和p(tfd|lWL))，如下所示：

[0025]

[0026] 图2是示范性DWE系统的一般体系结构的框图。位于车辆204上的传感器206收集信息以估计驾驶员工作负荷。数据可以包括车辆数据、驾驶员数据和环境数据。任何可用数据都可以被使用，包括但不限于与下列相关的数据：反映驾驶员202的驾驶表现的车辆操纵(例如方向盘角度的标准偏差)、驾驶员202的公然行为(例如眼睛移动和心跳)、以及其他因素，诸如车辆速度、车辆加速度、方向盘角度、车道宽度、车道位置和外面的空气温度。信号处理功能模块208包括操控原始传感输入的硬件和/或软件并且产生诸如标准偏差的参数。DWE模块210取得操控的数据并且实时产生认知工作负荷指数212。

[0027] DWE模块210包括产生工作负荷指数212的应用代码(由应用代码执行的逻辑在这里也称为DWE模型)。在本发明的示范性实施例中，DWE模块210和信号处理功能模块208位于包含在车辆204中的微处理器上。微处理器可以专用于执行DWE功能，或者可选地，微处理器可以包括应用代码，用于随同DWE模块202和信号处理功能模块208执行功能一起执行其他车辆功能。此外，用于中间应用结果以及应用输入和输出的存储空间可以位于微处理器上或者位于微处理器可以访问的外部存储设备上。

[0028] 车辆数据指的是内部产生的从位于车辆204内的传感器206接收的数据。车辆数据可以包括诸如车辆速度、巡航控制状态、方向灯状态、牵引控制状态(traction control status TCS)、防抱死制动系统(antilock braking system ABS)、车辆稳定系统数据、动力系数据、方向盘角度、制动器踏板位置、油门踏板位置数据和车道位置之类的信息。动力系数据可以包括诸如每分钟旋转数(Revolution per minuteRPM)、火花数据和燃料数据。环境数据从传感器206接收并且指的是外部灯传感器/车头灯状态数据、雨刷状态、除霜器状态、外部空气温度(outside air temperature OAT)、全球定位系统(global positioningsystem GPS)数据、一天的时间、增强的数字地图和车道宽度。

[0029] 关于驾驶员的观察或驾驶员数据可以包括量度驾驶员特性(诸如但不限于凝视位置、心跳和瞳孔直径)的传感器数据。驾驶员数据还包括关于驾驶员202正执行的当前任务的数据。当前任务数据可以包括诸如无线电信息(例如操控正发生？)和电话信息(例如电话正被使用？)的数据。其他输入数据还可以包括来自物体检测和警告和/或车道感测应用或传感器的信息。示例包括前碰撞警告(forward collisionwarning FCW)数据、侧物体检测(side object detection SOD)数据、车道脱离警告(lane departure warning LDW)数据和后碰撞警告(rearcollision warning RCW)数据。其他输入可以包括信息娱乐和电信息业务系统状态；语音接口状态和诊断数据；以及自适应巡航控制(adaptive cruise control ACC)系统数据。

[0030] 到DWE模块210的具体输入可以在实施方式之间变化，依赖于在特定车辆中可得到的输入数据以及特定实施方式的要求。可以使用网络获得数据，并且该网络可以是车辆内部的，或者该网络可以提供对车辆外部的信息的访问。通过接口(例如无线网络)可以感测、测量或输入的任何信息可以用作输入。环境数据可以扩展到包括诸如车辆位置数据之类的信息；外部车辆位置数据；目前和预测的交通信息；以及目前和预测的天气信息。工作负荷指数212可以在周期的基础上更新并且可以被表示为反映相对工作负荷水平的数值(例如1-10，0％-100％，1-3等)。反映在工作负荷指数212中的工作负荷估计可以相对于起动状态，诸如在正常速度下的无障碍驾驶或者当车辆不动时的驾驶员工作负荷。在替代实施例中，除了数值之外的数据也可以被包括在工作负荷指数212中。

[0031] 图3是示范性的基于学习的DWE系统的框图。与图2示出的DWE系统相比，图3中示出的自适应DWE系统包括两个额外的功能模块。这两个模块是驾驶员工作负荷评估反馈模块302和机器学习算法模块306。此外，图3中示出的自适应DWE系统包括具有数据高速缓存的信号处理功能模块304。驾驶员工作负荷评估反馈模块302给驾驶员提供了输入他/她的工作负荷水平主观评估的机制，使得DWE模型可以被调整到适应特定的驾驶员。机器学习算法模块306基于主观驾驶员反馈和传感器输入有效地更新DWE模块210。

[0032] 图4是可以由本发明示范性实施例使用的示例适应算法。在块402，驾驶员202、环境和车辆204的特征由具有数据高速缓存的信号处理功能模块304从传感器206收集。在块404，经由驾驶员工作负荷评估反馈模块302收集驾驶员202的工作负荷水平(例如
1，2，…10，或低、中、高)的主观评估。这可以称为收集标记。在块406，使用在机器学习算法模块306中实现的机器学习技术(例如判别分析、决策树、人工神经网络、隐性马尔可夫模型、贝叶斯网络、贝叶斯信念网络、基于案例的推理(case based reasoning CBR)、遗传算法、支持向量机等)进行工作负荷估计适应，以更新DWE的从特征到标记的映射(通过更新DWE模型在DWE模块中执行)。块408包含决策树学习工作负荷估计器适应的示例。给定新实例(即特征和标记对)，更新每个节点处实例在属性上的分布统计。此外，更新每个节点处属性的选择和分支值。

[0033] 本发明的示范性实施例包括基于机器学习的DWE。机器学习算法306基于经由驾驶员工作负荷评估反馈模块302来自驾驶员202的主观反馈来更新由DWE模型210实施的DWE模型。机器学习算法模块306支持DWE的“自适应性”，因为从特征到标记或从输入参数到工作负荷指数212的映射高度适应于传感器输入的变化。可以建立能够适应于各种传感器组的基于机器学习的DWE，用以取代为了在各车辆平台上找出(roll out)一个工作负荷估计器而在传感器组中寻找最小公分母，这减小了参数覆盖、估计器精良度(sophistication)和预测有效性。可预见随着感测技术的快速发展，车辆上可用的传感器列表将快速扩展；并且基于机器学习的DWE由于其输入的适应性的缘故而可以容易地从这种前景获益。

[0034] 此外，本发明的示范性实施例提供了DWE模块到单个驾驶员的认知特性的适应性。在驾驶时，驾驶员202通过输入机制(例如按钮或话音用户接口)输入工作负荷水平(例如1，2，…，10或低、中、高)的主观评估。这个动作触发了(通过具有数据高速缓存的信号处理功能模块304)对输入传感器数据的加窗流的收集以及(通过驾驶员工作负荷评估反馈模块302)对主观工作负荷水平的收集。在本发明的示范性实施例中，数据窗从0.5秒变化到30秒。具有数据高速缓存的信号处理功能模块304保留加窗数据的运行(running)高速缓存。一旦收集了输入数据流，机器学习算法模块306更新DWE模块210。在决策树估计器中，算法的更新会包括实例在每个节点处的属性上的分布统计，以及每个节点处的属性的选择和分支值。

[0035] 驾驶员输入机制可以用本领域中任何已知的方式(包括但不限于按钮、触摸屏、话音用户接口以及其组合)来实现。驾驶员输入机制可以是驾驶员202直接发起的，或者可以被驾驶员工作负荷评估反馈模块302提示。对于新驾驶员202而言，驾驶员发起的机制可能被更频繁地执行，但是随着DWE模块210适应于驾驶员202，就可能被较少执行。

[0036] 在本发明的示范性实施例中，经由训练过程产生基线DWE(在适应之前)。首先，在主体(subject)或驾驶员202在预先设计的实验中驾驶车辆204的同时，从主体或驾驶员202收集数据。该数据不仅包括感测输入，还包括主体工作负荷等级(rating)和/或主体的次要任务表现。后者用作训练标记。其次，从数据学习模型。该模型可以是决策树、人工神经网络(Artificial belief Network ANN)、贝叶斯网络、隐性马尔可夫模型(Hidden Markov Model HMM)、贝叶斯信念网络、一组规则或判别函数，它们中的每一个基本上是从输入信息到输出(在本情况中是工作负荷指数)的映射。得到的DWE模型210然后被给予作为基线驾驶员工作负荷估计器额DWE模块210。然后，在使用模型基于输入数据预测工作负荷之前执行交叉验证测试。为了进行交叉验证，将训练数据集划分为子集或份(fold)。所有的份(除了一份之外)都被用于训练，而没有被考虑的那份被用于评估学习的模型的性能。这个过程循环通过每一份，并且在没有被考虑的那份上的平均性能被用作该算法的性能量度。
交叉验证过程涉及十份(十个子集)，称为十倍交叉验证(ten-fold cross validation)。

[0037] 图5是本发明的示范性实施例可以使用来执行自适应驾驶员工作负荷估计的过程流。在块502，确定是否已经从车辆204的驾驶员202接收主观评估。如果还没有经由驾驶员工作负荷评估反馈模块302从驾驶员202接收到主观评估，则执行块510并且接收来自一个或多个传感器206的输入数据。接着，在块512，DWE模块210基于传感器输入数据更新工作负荷指数212。处理然后循环返回到块502。

[0038] 可选地，如果在块502确定已经经由驾驶员工作负荷评估反馈模块302从车辆204的驾驶员202接收到主观评估，则处理继续到块504。在块504，收集传感器输入数据流。处理继续到块506和508，在那里，使用机器学习算法模块306中的机器学习算法来更新DWE模块210中的DWE模型，机器学习算法模块306使用诸如参考图4所描述那样一个过程。处理然后继续到块510，其中接收来自一个或多个传感器206的输入数据。接着，在块512，DWE模块210基于传感器输入数据更新工作负荷指数212。处理然后循环返回到块502。可以在接近实时的基础上执行开始于块502的循环，以不断地评估和更新工作负荷指数212。

[0039] 图6是本发明的示范性实施例可以使用的示范性DWE决策树的图示。决策树是分层结构，其中每个节点对应于属性。如果属性是分类的，则从节点分支的每个弧代表该属性的一个可能值。如果属性是数值的，则每个弧代表该属性的区间。树的叶子指定了由从根到那个叶子的路径所描述的记录的分类信息的期望值。通过从根行进到叶子，可以容易地将决策树转换成一组如果-那么规则。这个转换是吸引人的，因为规则更直观且很简洁而便于存储。决策树学习的目标是决定哪个属性和什么值应该是在决策树的每个节点中分支的划分点(splitting point)。决策树学习是研究最广泛的归纳推理的方法之一，并且是一种成熟的技术。

[0040] 例如，此处描述的基于学习的DWE设计方法可以通过设计使用决策树学习的DWE来应用，不过也可以使用许多其他的机器学习技术。感测信息可以包括车辆速度、车道位置、转向角、车辆速度、主体的瞳孔直径以及主体的眼睛凝视位置。具有数据高速缓存的信号处理功能模块304可以被用于操控原始的感测信息并且产生参数或属性的矢量。参数的一个示范性列表在图7中列出，在固定大小的时间窗上，诸如图8中示出的那些。在图7中，区域指的是如图9所示的驾驶员前视野的八个区域。

[0041] 在以上示例中，学习的DWE能够检测驾驶员是否正关注主要任务：驾驶，或者参与次要任务(诸如空间成像或言语任务)。在驾驶员相关的测试中，一个驾驶员的部分数据用于训练，而其他部分用于测试。对于研究过的十二个主体的其中之一，正确检测率高达93.4％。平均正确预测率超过85％，如图10所示。图10示出了在具有半秒时间窗的驾驶员无关情况中利用十倍交叉验证获得的学习的DWE的正确预测率。在驾驶员无关测试中(DWE被在一些驾驶员上训练而被在其他驾驶员上测试)，正确预测率超过81％。从这样学习到的决策树中转换来的规则在图11中给出。图11包含在用于本发明的示范性实施例的驾驶员无关情况中从学习的DWE决策树中提取的规则。“F”之后的编号指的是表7中列出的参数(属性)的索引。考虑到对于低档车辆可能不能获得凝视数据，DWE决策树就被在减去凝视数据的数据上训练。在驾驶员相关的情况中，正确预测率稍微降低而到了81％。

[0042] 在所实施的实验中，使用了一般的机器学习包。通常，定制的算法比通用算法具有更好的性能。在本发明的替代示范性实施例中，通过对DWE展开定制的机器学习算法可以改进性能。

[0043] 通过兼顾驾驶员适应性以及模型灵活性，本发明的示范性实施例解决了现有DWE技术的局限性。可适应的DWE集中于能适应单独驾驶员的机器学习技术并且会导致高度的可重用性、参数覆盖和估计性能。

[0044] 本发明的示范性实施例可以用于实现具有高度有效性的工作负荷估计/预测。此外，本发明的示范性实施例能够适应于具有不同传感器可用性的车辆并且容易适应未来的传感器。

[0045] 如上所述，本发明的实施例可以体现为计算机实施的过程的形式以及用于实践这些过程的装置的形式。本发明的实施例还可以体现为包含指令的计算机程序代码的形式，所述指令包含在实体介质中，诸如软盘、CD-ROM、硬盘或任何其他计算机可读存储介质，其中当计算机程序代码被装入计算机并由计算机执行时，计算机变为用于实践本发明的装置。本发明的实施例还可以体现为计算机程序代码的形式，该计算机程序代码例如或者存储在存储介质中、装入计算机和/或被计算机执行，或者通过光纤或经由电磁辐射在某种传输介质上传输，诸如在电线或电缆上，其中当计算机程序代码被装入计算机并由计算机执行时，计算机变为用于实践本发明的装置。当在通用微处理器上实现时，计算机程序代码段配置微处理器以产生特定的逻辑电路。

[0046] 虽然已经参考示范性实施例描述了本发明，本领域技术人员应理解在不脱离本发明的范围的前提下可以做出各种变化并对其元件进行等同物替换。此外，在不脱离本发明的实质范围的前提下，可以做出许多修改以将特定的情况或材料适应于本发明的教导。因此，意图是本发明并不限于公开为用于实施本发明的最佳模式的特定实施例，而是本发明将包括所有落入随附权利要求书的范围内的实施例。此外，术语第一、第二等的使用并不表示任何顺序或重要性，而是使用术语第一、第二等来区分一个元件与另一个元件。