基于网络爬取的毒物-靶标文献知识挖掘方法及系统

摘要

本发明提供了一种基于网络爬取的毒物-靶标文献知识挖掘方法及系统，其中，所述基于网络爬取的毒物-靶标文献知识挖掘方法包括：获取毒物及靶标数据信息并处理以建立综合数据集；开发网络爬虫工具；基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库；基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库；利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘。本发明基于网络爬取的毒物-靶标文献知识挖掘方法及系统效率高、准确好、智能化程度高。

权利要求

1.一种基于网络爬取的毒物-靶标文献知识挖掘方法，其特征在于，包括：获取毒物及靶标数据信息并处理以建立综合数据集；

开发网络爬虫工具；

基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库；

基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库；

利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘。

2.根据权利要求1所述的方法，其特征在于，获取毒物及靶标数据信息并处理以建立综合数据集，包括：获取已知毒物及靶标数据信息；

对已知毒物及靶标数据信息进行信息去重、数据过滤及规范处理，建立毒物及靶标综合数据集。

3.根据权利要求1所述的方法，其特征在于，所述综合数据集中包括毒物的信息和靶标的信息；其中，所述毒物的信息包括毒物名称、CAS编号、化学结构、分子式基本信息，所述靶标的信息包括靶标名称、Uniprot序列编号信息。

4.根据权利要求1所述的方法，其特征在于，开发网络爬虫工具，包括：基于Python语言和Scapy架构开发网络爬虫工具。

5.根据权利要求1所述的方法，其特征在于，基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库，包括：基于所述综合数据集中的毒物名称和靶标名称，利用所述网络爬虫工具自动从文献网站Pubmed上爬取毒物及靶标文献文本信息；

对所述毒物及靶标文献文本信息进行数据清洗，利用清洗后的文献文本信息建立毒物及靶标的文献文本数据库。

6.根据权利要求1所述的方法，其特征在于，基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库，包括：基于相似性分析、聚类分析、主题挖掘、实体关系抽取和深度学习算法确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库。

7.根据权利要求6所述的方法，其特征在于，基于相似性分析、聚类分析、主题挖掘、实体关系抽取和深度学习算法确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库，包括：基于相似性分析、聚类分析、主题挖掘对爬取的文献和建立的文献文本数据库中数据进行处理，得到多维的文献定量数据；

基于实体关系抽取采用数据挖掘技术确定毒物和靶标关系的统计分析模型；

基于深度学习算法采用词向量、多层神经网络技术优化所述模型参数；

基于多维的文献定量数据，利用优化后的统计分析模型确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库。

8.根据权利要求1所述的方法，其特征在于，利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘，包括：利用所述文献文本数据库及毒物-靶标关系知识库进行检索及定向文献查询，从而对毒物-靶标文献知识进行挖掘。

9.根据权利要求8所述的方法，其特征在于，利用所述文献文本数据库及毒物-靶标关系知识库进行检索及定向文献查询，从而对毒物-靶标文献知识进行挖掘，包括：通过在所述文献文本数据库中检索毒物，获取毒物的名称、CAS编号、化学结构、分子式基本信息；

通过在所述文献文本数据库中检索靶标，获取靶标的名称、DNA名称、受体名称、Uniprot序列编号、分子重量、别名、基因序列、蛋白ID信息；

通过在毒物-靶标关系知识库中进行毒物、靶标检索，获取毒物、靶标对靶蛋白、受体或人体靶器官的潜在作用关系。

10.一种基于网络爬取的毒物-靶标文献知识挖掘系统，其特征在于，包括处理器，用于执行权利要求1至9中任一项所述的方法。

说明书

基于网络爬取的毒物-靶标文献知识挖掘方法及系统

技术领域

[0001] 本发明涉及互联网技术领域，具体涉及一种基于网络爬取的毒物-靶标文献知识挖掘方法及系统。

背景技术

[0002] 随着毒理学及分子生物学等学科的快速发展，互联网上涌现出了大量与毒物和靶标相关的数据集，但目前这些数据集的资源存储分散，格式异构，不同毒物与靶标数据集存在着大量重复冗余信息，毒物名称与别名信息混乱，缺乏统一的命名规范。这些数据集的出现虽然为广大毒物科研人员提供了参考，但是因为数据标准不统一，缺乏必要的数据过滤与质量控制机制，造成了手动检索、查询存在效率低下，冗余信息太多和知识发现困难等问题。因此，如何有序高效的整合现有的毒物与靶标数据集，建立一个包括目前已知数据集的综合毒物靶标数据集就显示的尤其重要。

[0003] 毒物与靶标现有文献检索系统是基于用户输入的关键字如毒物名称、靶标名称或二者组合在后台文献数据库中进行信息检索与模糊匹配，找到相似度高的文献返回给用户，此种文献检索方式还停留在静态内容查找匹配层面，很难获得文献中隐藏的知识，更难以从海量生物医学文献中进行知识挖掘，严重影响毒物研发与科研工作者的工作效率。

[0004] 因此，亟需提出一种效率高、准确、智能化的毒物-靶标文献知识挖掘方法及系统。

发明内容

[0005] (一)要解决的技术问题

[0006] 鉴于上述问题，本发明的主要目的在于提供一种基于网络爬取的毒物-靶标文献知识挖掘方法及系统，以期至少部分地解决上述提及的技术问题中的至少之一。

[0007] (二)技术方案

[0008] 根据本发明的一个方面，提供了一种基于网络爬取的毒物-靶标文献知识挖掘方法，包括：

[0009] 获取毒物及靶标数据信息并处理以建立综合数据集；

[0010] 开发网络爬虫工具；

[0011] 基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库；

[0012] 基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库；

[0013] 利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘。

[0014] 进一步的，获取毒物及靶标数据信息并处理以建立综合数据集，包括：

[0015] 获取已知毒物及靶标数据信息；

[0016] 对已知毒物及靶标数据信息进行信息去重、数据过滤及规范处理，建立毒物及靶标综合数据集。

[0017] 进一步的，所述综合数据集中包括毒物的信息和靶标的信息；其中，所述毒物的信息包括毒物名称、CAS编号、化学结构、分子式基本信息，所述靶标的信息包括靶标名称、Uniprot序列编号信息。

[0018] 进一步的，开发网络爬虫工具，包括：基于Python语言和Scapy架构开发网络爬虫工具。

[0019] 进一步的，基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库，包括：

[0020] 基于所述综合数据集中的毒物名称和靶标名称，利用所述网络爬虫工具自动从文献网站Pubmed上爬取毒物及靶标文献文本信息；

[0021] 对所述毒物及靶标文献文本信息进行数据清洗，利用清洗后的文献文本信息建立毒物及靶标的文献文本数据库。

[0022] 进一步的，基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库，包括：基于相似性分析、聚类分析、主题挖掘、实体关系抽取和深度学习算法确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库。

[0023] 进一步的，基于相似性分析、聚类分析、主题挖掘、实体关系抽取和深度学习算法确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库，包括：

[0024] 基于相似性分析、聚类分析、主题挖掘对爬取的文献和建立的文献文本数据库中数据进行处理，得到多维的文献定量数据；

[0025] 基于实体关系抽取采用数据挖掘技术确定毒物和靶标关系的统计分析模型；

[0026] 基于深度学习算法采用词向量、多层神经网络技术优化所述模型参数；

[0027] 基于多维的文献定量数据，利用优化后的统计分析模型确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库。

[0028] 进一步的，利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘，包括：

[0029] 利用所述文献文本数据库及毒物-靶标关系知识库进行检索及定向文献查询，从而对毒物-靶标文献知识进行挖掘。

[0030] 进一步的，利用所述文献文本数据库及毒物-靶标关系知识库进行检索及定向文献查询，从而对毒物-靶标文献知识进行挖掘，包括：

[0031] 通过在所述文献文本数据库中检索毒物，获取毒物的名称、CAS编号、化学结构、分子式基本信息；

[0032] 通过在所述文献文本数据库中检索靶标，获取靶标的名称、DNA名称、受体名称、Uniprot序列编号、分子重量、别名、基因序列、蛋白ID信息；

[0033] 通过在毒物-靶标关系知识库中进行毒物、靶标检索，获取毒物、靶标对靶蛋白、受体或人体靶器官的潜在作用关系。

[0034] 根据本发明的另一个方面，提供了一种基于网络爬取的毒物-靶标文献知识挖掘系统，包括处理器，用于执行所述的方法。

[0035] (三)有益效果

[0036] 从上述技术方案可以看出，本发明一种基于网络爬取的毒物-靶标文献知识挖掘方法及系统至少具有以下有益效果其中之一：

[0037] (1)本发明基于已知的毒物、靶标数据，对已知的毒物、靶标数据进行处理，建立综合数据集，解决了现有数据集存在的数据重复冗余，信息混乱，命名不规范的问题，有利于提高挖掘效率和准确性。

[0038] (2)本发明基于综合数据集中的毒物靶标信息进行网络海量生物医学文献的自动爬取，建立起文献文本数据库，能够获得文献中隐藏的知识，便于从海量生物医学文献中进行知识挖掘。

[0039] (3)本发明基于机器学习和深度学习算法从海量文献中挖掘出毒物靶标潜在作用关系，有利于提高挖掘的智能化程度和有效性。

附图说明

[0040] 构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

[0041] 图1为本发明毒物-靶标文献知识挖掘系统结构示意图。

具体实施方式

[0042] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

[0043] 本发明提出一种基于网络爬取的毒物-靶标文献知识挖掘方法，包括：

[0044] 获取毒物及靶标数据信息并处理以建立综合数据集；

[0045] 开发网络爬虫工具；

[0046] 基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库；

[0047] 基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库；

[0048] 利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘。

[0049] 其中，获取的所述毒物及靶标数据信息即未经处理的原始已知毒物及靶标数据(现有的各数据库中的毒物及靶标数据，这些数据存在重复、冗余，混乱，命名不规范等问题)；所述综合数据集即所述原始已知毒物及靶标数据信息经处理后构成的数据集合；对获取的所述毒物及靶标数据信息进行处理即进行去重、过滤、规范、统一处理等。本发明基于已知的毒物、靶标数据，对已知的毒物、靶标数据进行处理，建立综合数据集，解决了现有数据集存在的数据重复冗余，信息混乱，命名不规范的问题，有利于提高挖掘效率和准确性[0050] 具体的，获取毒物及靶标数据信息并处理以建立综合数据集，包括：获取已知毒物及靶标数据信息；以及对已知毒物及靶标数据信息进行信息去重、数据过滤及规范处理，建立毒物及靶标综合数据集。

[0051] 开发网络爬虫工具，包括：基于Python语言和Scapy架构开发网络爬虫工具。

[0052] 基于所述综合数据集，利用所述网络爬虫工具爬取毒物及靶标文献文本信息并处理以建立文献文本数据库，包括：基于所述综合数据集中的毒物名称和靶标名称，利用所述网络爬虫工具自动从文献网站Pubmed上爬取毒物及靶标文献文本信息；以及对所述毒物及靶标文献文本信息进行数据清洗，利用清洗后的文献文本信息建立毒物及靶标的文献文本数据库。

[0053] 基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库，包括：基于相似性分析、聚类分析、主题挖掘、实体关系抽取和深度学习算法确定文献毒物-靶标的关系，并形成毒物-靶标关系知识库。本发明基于机器学习和深度学习算法从海量文献中挖掘出毒物靶标潜在作用关系，有利于提高挖掘的智能化程度和有效性。

[0054] 利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘，包括：通过在所述文献文本数据库中检索毒物，获取毒物的名称、CAS编号、化学结构、分子式基本信息；通过在所述文献文本数据库中检索靶标，获取靶标的名称、DNA名称、受体名称、Uniprot序列编号、分子重量、别名、基因序列、蛋白ID信息；以及通过在毒物-靶标关系知识库中进行毒物、靶标检索，获取毒物、靶标对靶蛋白、受体或人体靶器官的潜在作用关系。

[0055] 相较于直接通过现有的网络上分散的数据资源获取毒物-靶标文献知识，本发明对已知毒物及靶标数据信息进行处理，形成综合数据集，构建文献文本数据库及毒物-靶标关系知识库，在文献文本数据库及毒物-靶标关系知识库中进行毒物和/或靶标检索，效率更高、准确性更好。

[0056] 下面结合附图详细介绍本发明实施例。本实施例所述基于网络爬取的毒物-靶标文献知识挖掘方法包括以下步骤：

[0057] 步骤1：毒物及靶标数据信息的获取及综合数据集建立；

[0058] 具体的，收集、整理、挖掘目前已知的毒物及靶标的相关数据信息，建立包含毒物及靶标基本信息的综合数据集。更具体而言，通过检索查询各种现有的数据库，包括但不限于美国国立医学图书馆授权的TOXNET数据库、Drugbank数据库、TDD数据库、NRDB药物蛋白质数据库和药物-靶点相互作用信息数据库Supertarget等，对目前已知的所有毒物及靶标的相关数据信息，进行数据信息收集、整理和挖掘，并进行信息去重、数据过滤等处理过程，建立一个毒物及靶标基本信息的综合数据集。综合数据集中包括毒物的信息和靶标的信息，其中，毒物的信息包括名称、CAS编号、化学结构、分子式等基本信息，靶标的信息包括靶标名称、Uniprot序列编号等基本信息。构建的毒物和靶标基本信息的综合数据集，为下一步的文献文本信息的爬取和挖掘提供准确、有效的信息依据。

[0059] 步骤2：网络爬虫工具开发，毒物-靶标文献爬取和文本信息预处理，建立文献文本数据库；

[0060] 具体的，开发网络爬虫工具，自动从文献网站Pubmed上获取与毒物和靶标相关的文献文本信息，也即利用所述综合数据集中的毒物和靶标的名称，自动从文献网站Pubmed上爬取毒物和靶标相关的文献文本信息，将爬取的所有文献文本进行初步整理、收集，建立一个文献文本数据库。更具体而言，可通过分别开发文献采集站点管理模块、文献采集模板管理模块、文献采集模块和采集监控模块，实现在Pubmed网站上的针对所有毒物和靶标的文献文本自动爬取，由此获取毒物和靶标的文献文本数据集，针对毒物和靶标的文献文本数据集进行数据抽取、交换以及加载等数据清洗过程，实现文献文本数据的结构化存储预处理过程，并建立毒物和靶标的文献文本数据库。

[0061] 优选的，基于python语言和Scapy架构开发网络爬虫工具，针对特定网站进行特定功能开发，基于Scapy架构的网络爬虫工具的各模块功能如下：

[0062] 引擎(Scrapy Engine)：负责Spider、ItemPipeline、Downloader、Scheduler中间的通讯，信号、数据传递等；

[0063] 调度器(Scheduler)：负责接受引擎发送过来的Request请求，并按照一定的方式进行整理排列，入队，当引擎需要时，交还给引擎；

[0064] 下载器(Downloader)：负责下载Scrapy Engine发送的所有Requests请求，并将其获取到的Responses交还给Scrapy Engine，由引擎交给Spider来处理；

[0065] 爬虫(Spider)：负责处理所有Responses，从中分析提取数据，获取Item字段需要的数据，并将需要跟进的URL提交给引擎，再次进入Scheduler；

[0066] Item Pipeline(管道)：负责处理Spider中获取到的Item，并进行后期处理(详细分析、过滤、存储等)的地方；

[0067] Downloader Middlewares(下载中间件)：可以是一个可自定义扩展下载功能的组件；

[0068] Spider Middlewares(Spider中间件)：可以是一个可自定扩展和操作引擎和Spider中间通信的功能组件(比如进入Spider的Responses；和从Spider出去的Requests)。

[0069] 步骤3：文献文本数据挖掘处理及知识库建立，具体的，基于所述文献文本数据库，利用自然语言处理技术确定毒物-靶标潜在作用关系，形成毒物-靶标关系知识库；

[0070] 更具体而言，基于相似性分析、聚类分析、主题挖掘、实体关系抽取等数据挖掘和深度学习算法，确定文献毒物-靶标的关系，形成毒物-靶标关系知识库，过程如下：

[0071] 首先对爬取的文献和建立的文献库数据进行处理，得到一种多维的文献数据定量数据；

[0072] 采用数据挖掘技术建立毒物和靶标关系的统计分析模型，采用词向量、多层神经网络(深度学习)技术优化模型参数，并采用现有的文献关系数据库对结果进行验证性测试；优选的，本发明采用基于双向GRU和双层Attention机制的深度学习，提高了精度，具有更好的效果；

[0073] 基于所述优化和测试后的模型，利用所述文献数据定量数据构建毒物-靶标关系，形成毒物-靶标关系知识库。

[0074] 步骤4：毒物-靶标文献知识挖掘；

[0075] 利用所述文献文本数据库及毒物-靶标关系知识库进行毒物-靶标文献知识挖掘；具体的，基于所述文献文本数据库及毒物-靶标关系知识库对毒物-靶标关系和文献文本信息进行检索及定向文献查询，从而对毒物-靶标文献知识进行挖掘。

[0076] 本发明还提出一种基于网络爬取的毒物-靶标文献知识挖掘系统，包括处理器，用于执行所述基于网络爬取的毒物-靶标文献知识挖掘方法。通过将建立的毒物和靶标信息综合数据集、文献文本数据库、毒物-靶标关系知识库及基于网络的文献爬虫工具、文献数据挖掘算法等进行无缝整合，建立集毒物、靶标信息检索和文献文本信息检索及定向文献查询为一体的在线毒物-靶标文献知识挖掘系统，其具有可扩展、跨平台、多用户等特点。

[0077] 图1中示出了本发明毒物-靶标文献知识挖掘系统结构。

[0078] 所述系统的人机交互包括两部分：爬虫和文献知识挖掘监控界面、以及毒物-靶标知识库检索界面。请参照图1，所述知识挖掘系统为基于浏览器-服务-智能化引擎-数据层的四层系统架构，包括：界面层，采用web浏览器，采用标准的MVC框架(如Vus.js)；服务层，采用支持CRUD标准操作的RESTFul服务接口(如SprintBoot等)智能化引擎：用Python开发，采用Python开发语言，Numpy，Scipy，NLTK，SpaCy，Gensim开发包，Tensorflow和Keras开发平台。实现网络爬虫和数据挖掘(深度学习)；数据层，采用MongoDB和Neo4j分别实现文献文档库和知识库；平台层，基础的网络、OS平台，系统在Windows平台开发和运行，易于部署、维护和操作。

[0079] 请继续参照图1，对不同来源的现有的毒物靶标数据进行数据整合、数据清洗、去重然后建立毒物及靶标综合数据集，此综合数据集作为图1中的爬虫引擎的数据输入，爬虫引擎根据这些数据输入自动从Pubmed生物医学网站(当然并不仅限于此)获取相关文献信息，经文献数据预处理后存入本地结构化文献库(毒物和靶标的文献文本数据库)。对本地结构化文献库首先进行词频分析得到高频文献数据集，然后运用句子分割器和分词器对文献摘要进行分割，得到词的元组列表，对词元组列表进行词性标注，进而得到所有词列表的词性信息，经由分块器处理后，进行命名实体识别和实体之间关系的抽取，最终生成毒物-靶标文献知识库(也称毒物-靶标关系知识库)。

[0080] 基于上述本地结构化文献库和毒物-靶标关系知识库，可对毒物和靶标进行快速全文检索。本发明提供毒物、靶标、通路、毒物靶标作用关系等不同类型的本地文献数据库检索和毒物-靶标关系知识库检索，不同类型数据检索展示样式不同。

[0081] 在本地结构化文献库中检索毒物时，本发明可以全文检索出所有包含此毒物或者毒物别名的文献信息，展示出的文献信息列表按照关键字在文献中出现的权重比例大小进行排序。点击毒物可以查看毒物的名称、CAS编号、化学结构、分子式等基本信息，以及常用的外部毒物参考链接。

[0082] 在本地结构化文献库中检索靶标时，本发明可以全文检索所有包含此靶标名称、DNA名称、受体名称的所有文献信息，展示出的文献信息同样以靶标出现的权重进行排序，点击靶标可以得到相关的靶标名称、Uniprot序列编号、基因名称、分子重量、别名、基因序列、蛋白ID及常用外部靶标链接信息。

[0083] 在毒物-靶标关系知识库中进行毒物或靶标检索时，本发明能给出基于海量网络生物医学文献数据，通过数据挖掘得到该毒物或靶标对其它靶蛋白、受体或人体靶器官的潜在作用关系，并给出相关的文献链接便于查看详细文献信息。

[0084] 至此，已经结合附图对本发明进行了详细描述。依据以上描述，本领域技术人员应当对本发明有了清楚的认识。

[0085] 需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

[0086] 当然，根据实际需要，本发明还可以包含其他的部分，由于同本发明的创新之处无关，此处不再赘述。

[0087] 类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面发明的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

[0088] 此外，在附图或说明书描述中，相似或相同的部分都使用相同的图号。说明书中示例的各个实施例中的技术特征在无冲突的前提下可以进行自由组合形成新的方案，另外每个权利要求可以单独作为一个实施例或者各个权利要求中的技术特征可以进行组合作为新的实施例，且在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中未绘示或描述的元件或实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。

[0089] 除非存在技术障碍或矛盾，本发明的上述各种实施方式可以自由组合以形成另外的实施例，这些另外的实施例均在本发明的保护范围中。

[0090] 虽然结合附图对本发明进行了说明，但是附图中公开的实施例旨在对本发明优选实施方式进行示例性说明，而不能理解为对本发明的一种限制。附图中的尺寸比例仅仅是示意性的，并不能理解为对本发明的限制。

[0091] 虽然本发明总体构思的一些实施例已被显示和说明，本领域普通技术人员将理解，在不背离本总体发明构思的原则和精神的情况下，可对这些实施例做出改变，本发明的范围以权利要求和它们的等同物限定。

[0092] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。