生命体征信号提取模型的训练方法及其装置与流程

计算;推算;计数设备的制造及其应用技术1.本公开涉及生命信号探测技术领域，尤其涉及一种生命体征信号提取模型的训练方法、装置、电子设备及存储介质。背景技术：2.非接触生命探测技术是近些年来随着医学工程、军事、社会发展需要而新兴发展的一项新技术,它突破现行的检测方法和技术,在不接触目标体的情况下,利用人体生命参数如呼吸、心跳和人体体动信号,对生命体进行探寻。3.当前技术中，微弱生命体回波信号中心跳和呼吸的信号空间与噪声空间是正交的，因此可以采用多重信号分类(multiple signal classification，music)算法的来进行谱估计。但是上述方法对数据的处理，需要花费大量时间，会大大增加救援难度，甚至会拖延最佳救援时间。4.公开内容5.本公开旨在至少在一定程度上解决相关技术中的技术问题之一。6.为此，本公开的一个目的在于提出一种生命体征信号提取模型的训练方法。7.本公开的第二个目的在于提出一种生命体征信号提取模型的训练装置。8.本公开的第三个目的在于提出一种电子设备。9.本公开的第四个目的在于提出一种非瞬时计算机可读存储介质。10.本公开的第五个目的在于提出一种计算机程序产品。11.为达上述目的，本公开第一方面实施方式提出了一种生命体征信号提取模型的训练方法，包括：获取待训练的生命体征信号提取模型；获取训练样本集，训练样本集中包括多组生命体征数据和环境数据；基于生命体征数据和环境数据获取样本训练数据，同时确定生命体征数据的样本标签值；基于样本标签值和样本训练数据对生命体征信号提取模型进行训练，直至训练结束得到目标生命体征信号提取模型。12.根据本公开的一个实施方式，基于样本签值和样本训练数据对生命体征信号提取模型进行训练，包括：将样本训练数据输入生命体征信号提取模型中，以输出预测标签值；基于预测标签值与样本标签值，确定生命体征信号提取模型的损失值；根据损失值对生命体征信号提取模型的模型参数进行调整，并返回采用下一样本训练数据对调整后的生命体征信号提取模型进行训练。13.根据本公开的一个实施方式，生命体征数据和环境数据分别为多个元素数据组成的数据矩阵，生命体征数据的元素数据与环境数据的元素数据一一对应，基于生命体征数据和环境数据获取样本训练数据，包括：针对生命体征数据和环境数据中的任一数据矩阵，对任一数据矩阵进行数据处理，以提取奇异熵、小波包尺度熵和样本熵，作为样本训练数据。14.根据本公开的一个实施方式，奇异熵的提取过程，包括：基于数据矩阵确定奇异值矩阵；基于奇异值矩阵确定数据矩阵的奇异熵；其中，采用如下公式确定奇异熵：其中，σi表示奇异值矩阵中第i个奇异值，σ1+σ2+…σk表示奇异值矩阵中所有奇异值求和。15.根据本公开的一个实施方式，提取小波包尺度熵，包括：对数据矩阵中的一阶右奇异向量进行分解，以获小波包分解系数向量；基于小波包分解系数向量确定小波包尺度熵；其中，采用如下公式确定小波包尺度熵：其中，wi表示小波包分解系数向量的小波系数，j为小波包节点，k为小波包分解层数。16.根据本公开的一个实施方式，提取数据矩阵的样本熵，包括：将数据矩阵展开为一维的向量序列；基于向量序列确定第一样本数量和第二样本数量；基于第一样本数量和第二样本数量确定样本熵；其中，采用如下公式确定样本熵：其中，am(r)表示样本熵重构维数为m的第一样本数量，bm(r)表示样本熵重构维数为m+1的第二样本数量。17.根据本公开的一个实施方式，提取数据矩阵的样本熵，包括：判断生命体征数据中的元素数据是否满足生命体征条件；响应于生命体征数据中的元素数据满足生命体征条件，确定元素数据的标签值为1；响应于生命体征数据中位点数据不满足预设条件，确定元素数据的标签值为0；基于所有的元素数据的标签值生成生命体征数据的样本签值。18.为达上述目的，本公开第二方面实施例提出了一种生命体征信号提取模型的训练装置，包括：第一获取模块，用于获取待训练的生命体征信号提取模型；第二获取模块，用于获取训练样本集，训练样本集中包括多组生命体征数据和环境数据；确定模块，用于基于生命体征数据和环境数据获取样本训练数据，并确定生命体征数据的样本标签值；训练模块，用于基于样本标签值和样本训练数据对生命体征信号提取模型进行训练，直至训练结束得到目标生命体征信号提取模型。19.为达上述目的，本公开第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本公开第一方面实施例所述的生命体征信号提取模型的训练方法。20.为达上述目的，本公开第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本公开第一方面实施例所述的生命体征信号提取模型的训练方法。21.为达上述目的，本公开第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时用于实现如本公开第一方面实施例所述的生命体征信号提取模型的训练方法。22.通过训练生成目标生命体征信号提取模型，并基于模型对采集数据进行处理，以判断是采集对象是否存在生命体征，由此，可以大大提升救援数据处理的时间，提升数据处理效率，降低处理成本，同时可以为救援争取更多的时间。附图说明23.图1是本公开一个实施方式的一种生命体征信号提取模型的训练方法的示意图；24.图2是本公开一个实施方式的另一种生命体征信号提取模型的训练方法的示意图；25.图3是本公开一个实施方式的另一种生命体征信号提取模型的训练方法的示意图；26.图4是本公开一个实施方式的一种生命体征信号提取模型的训练装置的示意图；27.图5是本公开一个实施方式的一种电子设备的示意图。具体实施方式28.下面详细描述本公开的实施例，所述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，旨在用于解释本公开，而不能理解为对本公开的限制。29.微弱信号检测一直是信号处理领域一个热点和难点问题，大量的杂波和噪声等都会造成很强的干扰，甚至掩盖有用的微弱生命信号。同时，在利用超宽带雷达生命探测仪进行生命信号探测的过程中，需要处理大量的雷达回波数据，如何在保证对生命信号准确提取的同时，快速进行探测工作，保证算法时效性，为应急救援工作争取足够的时间，也是本领域所需要攻克的重大难题。30.本发明提出了一种生命体征信号提取模型的训练方法，解决了对数据进行分析处理时间较长，准确率较低的情况，能够准确地对生命体进行定位并提取心跳和呼吸信号，具有较高的准确性、时效性、鲁棒性和信噪比。31.图1为本公开提出的一种生命体征信号提取模型的训练方法的一种示例性实施方式的示意图，如图1所示，该生命体征信号提取模型的训练方法包括以下步骤：32.s101，获取待训练的生命体征信号提取模型。33.在本公开实施例中，待训练的生命体征信号提取模型为提前设置好的，该待训练的生命体征信号提取模型可为多种，举例来说，可为神经网络模型，也可为支持向量机模型(support vector machine，svm)等，此处不作任何限定。34.其中svm模型是最好的现成的分类器，现成是指不加修改可直接使用。并且能够得到较低的错误率，svm可以对训练集之外的数据点做很好的分类决策。35.神经网络模型具有很强的鲁棒性和容错性，自学习、自组织、自适应性,使得网络可以处理不确定或不知道的系统，可以充分逼近任意复杂的非线性关系，同时具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。36.不同的模型，侧重方向可为不同，因此，在选择生命体征信号提取模型时，可根据实际需要的侧重点去选择对应的参考模型，以达到最优的数据处理效果。37.s102，获取训练样本集，训练样本集中包括多组生命体征数据和环境数据。38.在本公开实施例中，生命体征数据可包含多种数据，举例来说，可包括体温数据、心跳数据和呼吸数据等，此处不作任何限定，具体可根据实际需要进行设定。39.环境数据可包含多种数据，举例来说，可包括位置数据、湿度数据和波形数据等，此处不作任何限定，具体可根据实际需要进行设定。40.生命体征数据和环境数据可表征测试点的属性信息。在本公开实施例中，生命体征数据和环境数据分别为多个元素数据组成的数据矩阵，生命体征数据的元素数据与环境数据的元素数据一一对应。举例来说，如下列两个数据矩阵所示：41.提取到的生命体征数据形式如下：42.(15≥m≥5，20≥n≥10)43.提取到的环境数据形式如下：44.(15≥m≥5，20≥n≥10)。45.在本公开实施例中，训练样本集可为通过生命探测仪设备实际采集的实时数据，该生命探测仪设备可为超宽带雷达生命探测仪、红外生命探测仪或者音频生命探测仪等，此处不作任何限定。46.通过生命探测仪设备在不同的采集场景下进行数据采集，举例来说，采集场景可为静止状态、穿过木板、混凝土、水等障碍物的生命体、多个相互重叠的生命体、距离在10m以上的生命体和非静止状态的生命体等。可以理解的是，不同场景下采集的数据可为不同，当在存在大量杂波和噪声、穿过墙体和障碍物、同时对多个生命体探测等情况下，采集的生命体征信号进一步被掩盖，难以被识别，当在比较开阔或者杂波和噪声较小的环境中，采集的数据比较清晰，更容易分析出当前数据中的生命体征信号。47.可选地，训练样本集还可为提前设定好的数据，举例来说，可通过连接训练样本库，以获取训练样本集，该训练样本库为提前设定好的数据库，该训练样本库可存储在云端，也可存储在电子设备的存储空间中48.s103，基于生命体征数据和环境数据获取样本训练数据，同时确定生命体征数据的样本标签值。49.在本公开实施例中，在获取到生命体征数据和环境数据获后，需要对生命体征数据和环境数据进行处理，以获取样本训练数据。需要说明的是，训练数据可为多种，在本公开实施例中，训练数据可为奇异熵、一阶右奇异向量的小波包尺度熵和样本熵等，此处不作任何限定。50.在本公开实施例中，当采集对象有生命体征时，样本标签值可为有体征信号，当采集对象没有生命体征时，样本标签值可为无体征信号。具体数据可根据实际设定而定，此处不作任何限定。51.确定生命体征的方法可为多种，举例来说，当生命体征数据中的体温数据大于预设体温值时，可认为该生命体征数据为有生命体征；当生命体征数据中的心跳数据为有心跳值时，可认为该生命体征数据为有生命体征；当生命体征数据中的呼吸数据为有呼吸时，可认为该生命体征数据为有生命体征等，此处不作任何限定，具体可根据实际情况进行设定。52.可选地，生命体征数据的样本标签值也可为在获取生命体征数据时，同时获取到的。53.s104，基于样本标签值和样本训练数据对生命体征信号提取模型进行训练，直至训练结束得到目标生命体征信号提取模型。54.生命体征信号提取模型的训练是个重复迭代的过程，通过不断地调整模型的网络参数进行训练，直到模型整体的损失函数值小于预设值，或者模型整体的损失函数值不再变化或变化幅度缓慢，模型收敛，得到训练好的目标生命体征信号提取模型。55.在本公开实施例中，首先获取待训练的生命体征信号提取模型，然后获取训练样本集，训练样本集中包括多组生命体征数据和环境数据，而后基于生命体征数据和环境数据获取样本训练数据，并确定生命体征数据的样本标签值，最后基于样本标签值和样本训练数据对生命体征信号提取模型进行训练，直至训练结束得到目标生命体征信号提取模型。通过训练生成目标生命体征信号提取模型，在实际的操作中，可以通过模型对采集数据进行处理，以判断是采集对象是否存在生命体征，由此，可以大大提升救援数据处理的时间，提升数据处理效率，降低处理成本，同时可以为救援争取更多的时间。56.在本公开实施例中，确定生命体征数据的样本签值，判断生命体征数据中的元素数据是否满足生命体征条件；响应于生命体征数据中的元素数据满足生命体征条件，确定元素数据的标签值为1；响应于生命体征数据中位点数据不满足预设条件，确定元素数据的标签值为0；基于所有的元素数据的标签值生成生命体征数据的样本签值。举例来说，生命体征数据形式如下时，[0057][0058]标签值可为：[0059][0060]上述实施例中，基于样本签值和样本训练数据对生命体征信号提取模型进行训练，还可通过图2进一步解释，该方法包括：[0061]s201，将样本训练数据输入生命体征信号提取模型中，以输出预测标签值。[0062]s202，基于预测标签值与样本标签值，确定生命体征信号提取模型的损失值。[0063]本实施例中的损失函数为提前设定好的，并可根据实际需要进行设定。例如，该损失函数可为铰链损失函数、交叉熵损失函数和指数损失函数等，具体可根据实际需要进行选定，此处不做任何限制。[0064]需要说明的是，不同种类的生命体征信号提取模型对应的损失函数可为不同，举例来说，神经网络模型对应的损失函数可为交叉熵损失函数或者指数损失函，svm模型对应的损失函数可为铰链损失函数等。[0065]在获取到预测标签值与样本标签值后，可将预测标签值与样本标签值输入至损失函数中，以确定生命体征信号提取模型的损失值。[0066]s203，根据损失值对生命体征信号提取模型的模型参数进行调整，并返回采用下一样本训练数据对调整后的生命体征信号提取模型进行训练。[0067]在本公开实施例中，在获取到损失值后，进而将计算得到的损失值与预设值进行比较，若损失值大于预设值，则更新待训练网络的网络参数，基于更新网络参数后的待训练的生命体征信号提取模型，并根据训练样本集再次计算待训练模型的损失值，如此迭代，直至损失值小于预设值，得到训练好的目标生命体征信号提取模型。[0068]在本公开实施例中，首先将样本训练数据输入生命体征信号提取模型中，以输出预测标签值，然后基于预测标签值与样本标签值，确定生命体征信号提取模型的损失值，最后根据损失值对生命体征信号提取模型的模型参数进行调整，并返回采用下一样本训练数据对调整后的生命体征信号提取模型进行训练。由此，通过损失值对模型进行不断的调整，可以获取更加准确的目标生命体征信号提取模型，提升数据数据处理的准确性。[0069]上述实施例中，基于生命体征数据和环境数据获取样本训练数据，还可通过图3进一步解释，该方法包括：[0070]s301，针对生命体征数据和环境数据中的任一数据矩阵，对任一数据矩阵进行数据处理，以提取奇异熵、小波包尺度熵和样本熵，作为样本训练数据。[0071]在本公开实施例中，奇异熵的提取过程，包括：基于数据矩阵确定奇异值矩阵，基于奇异值矩阵确定数据矩阵的奇异熵。[0072]其中，对生命体征数据s进行奇异值分解的过程如下：[0073][0074][0075][0076][0077]奇异值矩阵σkxk仅在主对角线上有奇异值，其它元素均为0，主对角元σ1，σ2，σ3，…，σk为k个奇异值，且满足σ1≥σ2≥σ3≥…≥σk。ui表示矩阵umxk的第i个列向量，称为第i阶左奇异向量。vi表示矩阵vnxk的第i个列向量，称为第i阶右奇异向量。σi表示奇异值谱的第i个元素。对于本发明，可保留前k(min(m,n)≥k≥3)阶奇异值σ1，σ2，σ3，…，σk、左奇异向量u1，u2，u3，…，uk和右奇异向量v1，v2，v3，…，vk，作为分解结果。[0078]生命体征数据s计算奇异熵公式如下：[0079][0080]在本公开实施例中，提取小波包尺度熵，包括：[0081]对生命体征数据样本以及环境数据样本中的所有数据的一阶右奇异向量计算小波包尺度熵；[0082]其中，对生命体征数据s的一阶右奇异向量v1进行小波包分解的过程如下：[0083]选取‘db6’小波，设置小波包分解层数为2进行小波包分解，小波包分解方法如下：[0084][0085]其中，w00为原始信号v1，w为各层小波包分解系数向量，n、j为小波包节点，k为小波包分解层数，h为高通滤波器滤波系数，g为低通滤波器滤波系数。[0086]各节点的小波包尺度熵计算公式为：[0087][0088]其中，k为小波包分解层数，j为小波包节点(j＝0,1,…,2k-1)，(在本发明中，可取k＝2。)为小波包分解系数向量，wi(i＝1,2,…,x)为wkj中各小波系数。[0089]在本公开实施例中，提取数据矩阵的样本熵，包括：[0090]对生命体征数据样本以及环境数据样本中的所有数据计算样本熵；[0091]其中，对生命体征数据s的计算样本熵的过程如下：[0092]将生命体征数据s展成一维序列{x1,x2,…,xn}，取样本熵重构维数m＝2，阈值为r，计算序列的标准差为δ，将上述一维序列按照序号组成一组维数为m的向量序列{xm(1),xm(2),…xm(n-m+1)}。[0093]其中，xm(i)＝[x(i),x(i+1),…x(i+m-1)],1≤i≤n-m+1代表了从第i点开始的m个连续的x的值。[0094]定义向量xm(i)与xm(j)之间的距离为两者对应元素中最大差值的绝对值，即：[0095]d[xm(i),xm(j)]＝maxk＝0,…,m-1(|x(i+k)-x(j+k)|)[0096]对于给定的xm(i)，统计xm(i)与xm(j)之间的距离小于r·δ的j(1≤j≤n-m,j≠i)的数目，并记作bi。对于1≤i≤n-m，定义：[0097][0098][0099]增加维数到m+1，计算xm+1(i)与xm+1(j)之间的距离小于r·δ的j(1≤j≤n-m-1,j≠i)的数目，并记作ai。则定义：[0100][0101][0102]这样，bm(r)是两个序列在相似容限r下匹配m个点的概率，而am(r)是两个序列在相似容限r下匹配m+1个点的概率。样本熵计算公式为：[0103][0104]与上述几种实施例提供的生命体征信号提取模型的训练方法相对应，本公开的一个实施例还提供了一种生命体征信号提取模型的训练装置，由于本公开实施例提供的生命体征信号提取模型的训练装置与上述几种实施例提供的生命体征信号提取模型的训练方法相对应，因此上述生命体征信号提取模型的训练方法的实施方式也适用于本公开实施例提供的生命体征信号提取模型的训练装置，在下述实施例中不再详细描述。[0105]图4为本公开提出的一种生命体征信号提取模型的训练装置的示意图，如图4所示，该生命体征信号提取模型的训练装置400，包括：第一获取模块410、第二获取模块420、确定模块430和训练模块440。[0106]其中，第一获取模块410，用于获取待训练的生命体征信号提取模型。[0107]第二获取模块420，用于获取训练样本集，所述训练样本集中包括多组生命体征数据和环境数据。[0108]确定模块430，用于基于所述生命体征数据和所述环境数据获取样本训练数据，并确定所述生命体征数据的样本标签值。[0109]训练模块440，用于基于所述样本标签值和所述样本训练数据对所述生命体征信号提取模型进行训练，直至训练结束得到目标生命体征信号提取模型。[0110]在本公开的一个实施例中，训练模块440，还用于：将所述样本训练数据输入所述生命体征信号提取模型中，以输出预测标签值；基于所述预测标签值与所述样本标签值，确定所述生命体征信号提取模型的损失值；根据所述损失值对所述生命体征信号提取模型的模型参数进行调整，并返回采用下一样本训练数据对调整后的生命体征信号提取模型进行训练。[0111]在本公开的一个实施例中，确定模块430，还用于：针对生命体征数据和所述环境数据中的任一数据矩阵，对所述任一数据矩阵进行数据处理，以提取奇异熵、小波包尺度熵和样本熵，作为所述样本训练数据。[0112]在本公开的一个实施例中，确定模块430，还用于：基于数据矩阵确定奇异值矩阵；基于奇异值矩阵确定数据矩阵的奇异熵；其中，采用如下公式确定奇异熵：其中，σi表示奇异值矩阵中第i个奇异值，σ1+σ2+…σk表示奇异值矩阵中所有奇异值求和。[0113]在本公开的一个实施例中，确定模块430，还用于：对数据矩阵中的一阶右奇异向量进行分解，以获小波包分解系数向量；基于小波包分解系数向量确定小波包尺度熵；其中，采用如下公式确定小波包尺度熵：其中，wi表示小波包分解系数向量的小波系数，j为小波包节点，k为小波包分解层数。[0114]在本公开的一个实施例中，确定模块430，还用于：将数据矩阵展开为一维的向量序列；基于向量序列确定第一样本数量和第二样本数量；基于第一样本数量和第二样本数量确定样本熵；其中，采用如下公式确定样本熵：其中，am(r)表示样本熵重构维数为m的第一样本数量，bm(r)表示样本熵重构维数为m+1的第二样本数量。[0115]在本公开的一个实施例中，确定模块430，还用于：判断所述生命体征数据中的元素数据是否满足生命体征条件；响应于所述生命体征数据中的元素数据满足所述生命体征条件，确定所述元素数据的标签值为1；响应于所述生命体征数据中位点数据不满足预设条件，确定所述元素数据的标签值为0；基于所有所述的元素数据的标签值生成所述生命体征数据的样本签值。[0116]为了实现上述实施例，本公开实施例还提出一种电子设备500，如图5所示，该电子设备500包括：处理器501和处理器通信连接的存储器502，存储器502存储有可被至少一个处理器执行的指令，指令被至少一个处理器501执行，以实现如本公开第一方面实施例的生命体征信号提取模型的训练方法。[0117]为了实现上述实施例，本公开实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如本公开第一方面实施例的生命体征信号提取模型的训练方法。[0118]为了实现上述实施例，本公开实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开第一方面实施例的生命体征信号提取模型的训练方法。[0119]在本公开的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。[0120]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一个或者更多个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。[0121]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公开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。[0122]尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!