一种去除非规律性运动伪迹的视频心率检测方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明属于基于视频的非接触式生理参数检测领域，具体地说是一种结合了非负矩阵分解和独立向量分析的去除非规律运动伪迹视频心率检测方法。背景技术：2.心率是心血管疾病诊断中的重要生理指标，常用的无创检测方法脉搏血氧仪，脉搏血氧仪利用光电容积脉搏波描记法(photoplethysmograph，ppg)技术使用光学传感器从皮肤下方毛细血管组织床的血流中进行心率提取，但是其光学传感器必须穿戴在人体皮肤上，在实际测量中往往造成不便。而血流变化会导致面部肤色出现相应变化，虽然这种变化肉眼不可见，但是采用消费级摄像头可以捕捉到，为心率检测提供了一种低成本、可广泛应用的非接触检测方法，这种基于视频的心率检测技术可以称为远程光电容积脉搏波描记法(remote ppg，rppg)。3.虽然rppg方法可以进行非接触式的心率检测，但通过消费级相机所捕捉到的信号幅值十分微弱，同时还会受到光照、运动伪迹等噪声的干扰，造成所捕捉到的血容量脉冲信号(blood volume pulse，bvp)信号失真，所以提高噪声鲁棒性，尤其是运动噪声鲁棒性是保障rppg技术准确性的关键。为了保证检测到的生理参数的准确性，传统的去除噪声的方法大致可分为，基于光学模型的方法：因为人脸和相机之间距离或角度的变化，因此可以将运动去噪建模为光学模型，并由此提出了色差模型和平面正交皮肤反射模型解决运动去噪问题。基于盲信号分离的方法，例如独立成分分析，独立向量分析以及主成分分析，通过假设源信号之间的独立性，来对混合的源信号进行分离。4.但在实际应用中，受试者在检测过程中往往伴随着不规则的头部运动，心率信号检测的准确性会伴随着运动而降低，同时，运动和光照变化还会对面部的感兴趣区域的信号质量造成影响。基于光学模型的方法会因为运动导致面部感兴趣区域与相机之间的位置和角度发生相对位移，从而影响结果的准确性。而基于主成分分析和独立成分分析的方法在一些运动幅值过高剧烈运动场景下，无法满足源信号独立性和线性组合的前提条件，同样会使得心率的检测结果出现偏差。独立向量分析(independent vectoranalysis，iva)虽然解决了独立成分分析进行源分解时的排列问题，并且相较于独立成分分析和主成分分析是一种更好更稳定的盲源分离方法，但是针对于例如心率信号等有规律的信号时，往往无法将目标信号准确的提取出来。技术实现要素：5.本发明为克服现有技术的不足之处，提出一种去除非规律性运动伪迹的视频心率检测方法，以期能提高不规律运动场景下心率检测的准确性，从而为非接触式心率检测提供新的方法。6.本发明为达到上述发明目的，采用如下技术方案：7.本发明一种去除非规律性运动伪迹的视频心率检测方法的特点在于，是按照如下步骤进行：8.步骤一、从受试者的面部视频图像的人脸区域中筛选出高质量的感兴趣子区域，用于提取绿色通道的像素均值时间序列信息；9.步骤1.1、利用人脸特征点检测方法从受试者的第j帧面部视频图像中识别第j帧人脸区域，并将第j帧人脸区域划分为n×n个感兴趣子区域，使用特征点追踪算法对各帧面部视频图像中的人脸区域进行识别和定位，从而得到各帧面部视频图像的n×n个感兴趣子区域；j＝1,2,...,j；j表示面部视频图像的总帧数；10.步骤1.2、计算第j帧面部视频图像中每个感兴趣子区域的像素均值，从而得到j帧面部视频图像中每个感兴趣子区域的像素均值，并组成每个感兴趣子区域的像素均值时间序列；令任意单个感兴趣子区域的像素均值时间序列包括：j帧视频图像中红色通道时间序列r＝[r1,r2,...,rj,...,rj]、j帧视频图像中绿色通道时间序列g＝[g1,g2,...,gj,...,gj]以及j帧视频图像中蓝色通道时间序列b＝[b1,b2,...,bj,...,bj]；其中，rj表示单个感兴趣子区域中第j帧红色通道的像素均值，gj表示单个感兴子趣区域中第j帧绿色通道的像素均值，bj表示单个感兴趣子区域中第j帧蓝色通道的像素均值；[0011]步骤1.3、计算单个感兴趣子区域的光照强度指标、光照变化指标和绿色信号信噪比指标；并对n×n个感兴趣子区域的光照强度指标进行降序排序，对n×n个感兴趣子区域的光照变化指标进行升序排序，对n×n个感兴趣子区域的绿色信号信噪比进行降序排序，从排序后的三个指标序列中均选取排满前q个感兴趣子区域，并从排序后的三个指标序列的前q个感兴趣子区域中筛选出均存在的m个感兴趣子区域作为最终筛选出高质量的感兴趣子区域；m＜q＜n×n；[0012]步骤二、非规律运动场景下心率信号的提取；[0013]步骤2.1、将m个高质量的感兴趣区子域的绿色通道信号作为多通道信号c＝[g[1],g[2],...,g[m],...,g[m]]t；其中，g[m]表示第m个感兴趣区子域的绿色通道信号，即第m个通道信号，且其中，表示第m个高质量感兴趣区子域的第j帧绿色通道的像素均值，m＝1,2,...,m；[0014]步骤2.2、设定去趋势参数为λ，并对所述多通道信号c进行去趋势处理，得到去趋势后的多通道信号记为其中，表示去趋势后的第m个通道信号；[0015]步骤2.3、对去趋势后的多通道信号中的每个通道信号进行归一化带通滤波处理，得到滤波后的多通道信号记为其中，表示滤波后的第m个通道信号；[0016]步骤2.4、将滤波后的多通道信号中的每个通道信号进行升采样处理，得到升采样转置后的多通道信号矩阵其中，表示升采样转置后的第m个通道信号，且为1×j的矩阵；[0017]步骤2.5、利用非负矩阵分解法对多通道信号矩阵x中第m个通道的信号进行分解，得到第m个特征矩阵t[m]∈r1×l和第m个增益矩阵v[m]∈rl×j，且第m个特征矩阵t[m]中第l个非负向量记为tl[m]，第m个增益矩阵v[m]中第l行第j列的非负向量记为vl,j[m]，l为特征向量的数目，l＝0,1,2,…,l；[0018]步骤2.6、利用式(1)建立改进独立向量分析法的损失函数q：[0019][0020]式(1)中，yj[m]表示第m个通道的第j个源分量估计向量，w表示解混矩阵，且w＝[w[1],w[2],...,w[m],...,w[m]]h，其中，w[m]表示第m个通道的解混矩阵的分量向量；h表示共轭转置；[0021]步骤2.7、对所述损失函数q进行优化求解，得到第m个通道的源分量估计信号y[m]；[0022]步骤三、心率的计算；[0023]利用快速傅里叶变换分别计算第m个通道的源分量估计信号y[m]的功率谱密度分布，并将所述功率谱密度分布中频率处于所设定范围内最多的源分量估计信号确定为血容量脉冲信号，从而计算血容量脉冲信号的主频率fmax，用于估计心率值。[0024]本发明所述的去除非规律性运动伪迹的视频心率检测方法的特点也在于，所述步骤2.7包括：[0025]步骤2.7.1、定义当前迭代次数为inter，并初始化inter＝1；[0026]令第inter次迭代下的winter为全1向量；初始化第inter次迭代下第m个特征矩阵t[m]中的非负向量记为tl[m],inter＝tl[m]；初始化第inter次迭代下第m个增益矩阵v[m]中第l行第j列的非负向量记为vl,j[m],inter＝vl,j[m]；[0027]步骤2.7.2、利用式(2)计算第inter次迭代下的第j个估计方差rj[m],inter：[0028][0029]步骤2.7.3、利用式(3)计算第inter次迭代下的中间变量z[m],inter：[0030][0031]步骤2.7.4、利用式(4)计算第inter次迭代下更新后第m个通道的解混矩阵的分量向量w'[m],inter：[0032]w'[m],inter＝(wz[m],inter)-1e[m]ꢀꢀ(4)[0033]式(4)中，e[m]表示第m个单位向量；[0034]步骤2.7.5、利用式(5)计算第inter次迭代下再次更新后第m个通道的解混矩阵的分量向量w”[m],inter：[0035][0036]步骤2.7.6、利用式(6)计算第inter次迭代下第m个通道的第j个源分量的估计向量yj[m],inter：[0037]yj[m],inter＝(w”[m],inter)hxꢀꢀ(6)[0038]步骤2.7.7、利用式(7)计算第inter+1次迭代下第l个特征矩阵的非负向量tl[m],inter+1：[0039][0040]步骤2.7.8、利用式(8)计算第inter+1次迭代下的第l个增益矩阵的非负向量vlj[m],inter+1：[0041][0042]步骤2.7.9、将inter+1赋值给inter后，返回步骤2.8顺序执行，直到inter》inter_max为止，从而得到第inter_max次迭代下的第j个源分量估计向量yj[m,inter_max并作为第m个通道的最终源分量的第j个估计向量yj[m]；从而得到第m个通道的源分量估计信号y[m]＝[y1[m],y2[m],…,yj[m],…,yj[m]]。[0043]本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述视频心率检测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。[0044]本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述视频心率检测方法的步骤。[0045]与已有技术相比，本发明的有益效果体现在：[0046]1.传统盲源分离方法如独立成分分析、主成分分析，在存在较大幅值运动伪迹的情况下，通常无法满足源信号独立性和线性组合的前提条件，会使心率测量结果造成较大误差，而本发明提出的方法对规律性的心率信号具有很好的盲源分离能力，甚至在具有较大幅值的不规则运动伪迹环境下仍能实现准周期性的血容量脉冲信号分离，具有更好的运动鲁棒性。[0047]2.独立向量分析虽然在联合盲源分离领域有着广泛的应用，但是当多个数据集包含相同的刚性运动伪迹时，该运动伪迹也会被作为共同的源成分向量(source componentvector，scv)提取，影响心率检测结果。同时，经过联合盲源分离方法之后，如何确定目标血容量脉冲信号也较为复杂，通常需要谱聚类或者设定某种准则来实现。非负矩阵分解(nonnegative matrix factorization，nmf)算法虽然能够将心率信号的特征分解出来，但由于缺乏将特征聚类的手段，使其难以实现盲源分离的效果。而本发明创造性地将非负矩阵分解与独立向量分析方法相结合(以下称nmf-iva算法)，在确定解混矩阵的损失函数时同时考虑非负矩阵分解成本函数和独立向量分析成本函数，充分利用非负矩阵分解得到的源信号特征矩阵，使其对规律性的心率信号敏感，同时利用独立向量分析的源分离能力，最终实现不规则运动伪迹情况下准规律性的血容量脉冲信号分离，提高了视频心率检测的运动鲁棒性，从而为该项技术的实用化进程提供思路。附图说明[0048]图1为本发明的流程图；[0049]图2为本发明的感兴趣区域划分和筛选示意图；[0050]图3为本发明得到的心率信号波形与通过iva得到的波形与参考信号波形的对比；[0051]图4为本发明心率信号频谱图与通过iva得到的频谱图的对比图。具体实施方式[0052]本实施例中，去除非规律性运动伪迹的视频心率检测方法主要是利用非负矩阵分解和独立向量分析来对运动场景下的视频中的受试者进行心率检测，是对j帧视频图像进行感兴趣区域的定位，追踪和筛选，将筛选得到的感兴趣区域中颜色通道时间序列中的绿色通道时间序列挑选出来进行预处理，通过去趋势，归一化带通滤波处理进行初步的噪声去除。之后将预处理后的多通道信号使用非负矩阵分解算法分解出其特征，再使用独立向量分析进行心率信号提取，之后筛选得到心率脉冲信号，进而完成心率的计算。如图1所示，该视频心率检测方法，具体步骤如下：[0053]步骤一、从受试者的面部视频图像的人脸区域中筛选出高质量的感兴趣子区域，用于提取绿色通道的像素均值时间序列信息；[0054]步骤1.1、利用人脸特征点检测方法从受试者的第j帧面部视频图像中识别第j帧人脸区域，并将第j帧人脸区域划分为n×n个感兴趣子区域，使用特征点追踪算法对各帧面部视频图像中的人脸区域进行识别和定位，从而得到各帧面部视频图像的n×n个感兴趣子区域；j＝1,2,...,j；j表示面部视频图像的总帧数；为保证感兴趣区域的稳定性，本实施例中，选择60％检测到的去除毛发干扰的面部区域为被划分的面部区域，将检测到的区域划分为n×n个区域作为感兴趣子区域，n＝4，共16个感兴趣子区域，使用klt追踪算法对检测到的感兴趣子区域进行追踪，定位出每一帧图片的感兴趣子区域。[0055]步骤1.2、计算第j帧面部视频图像中每个感兴趣子区域的像素均值，从而得到j帧面部视频图像中每个感兴趣子区域的像素均值，并组成每个感兴趣子区域的像素均值时间序列；令任意单个感兴趣子区域的像素均值时间序列包括：j帧视频图像中红色通道时间序列r＝[r1,r2,...,rj,...,rj]、j帧视频图像中绿色通道时间序列g＝[g1,g2,...,gj,...,gj]以及j帧视频图像中蓝色通道时间序列b＝[b1,b2,...,bj,...,bj]；其中，rj表示单个感兴趣子区域中第j帧红色通道的像素均值，gj表示单个感兴子趣区域中第j帧绿色通道的像素均值，bj表示单个感兴趣子区域中第j帧蓝色通道的像素均值；[0056]步骤1.3、计算单个感兴趣子区域的光照强度指标、光照变化指标和绿色信号信噪比指标；并对n×n个感兴趣子区域的光照强度指标进行降序排序，对n×n个感兴趣子区域的光照变化指标进行升序排序，研究表明，绿色通道信号包含的血容量脉冲信号(bloodvolume pulse，bvp)质量最好，所以同时对n×n个感兴趣子区域的绿色信号信噪比进行降序排序，从排序后的三个指标序列中均选取排满前q个感兴趣子区域，并从排序后的三个指标序列的前q个感兴趣子区域中筛选出均存在的m个感兴趣子区域作为最终筛选出高质量的感兴趣子区域；m＜q＜n×n；[0057]在本实例中，感兴趣区域的划分示意图如图2所示，感兴趣区域的个数m＝3。[0058]步骤二、非规律运动场景下心率信号的提取；[0059]步骤2.1、将m个高质量的感兴趣区子域的绿色通道信号作为多通道信号c＝[g[1],g[2],...,g[m],...,g[m]]t；其中，g[m]表示第m个感兴趣区子域的绿色通道信号，即第m个通道信号，且其中，表示第m个高质量感兴趣区子域的第j帧绿色通道的像素均值，m＝1,2,...,m；本实例中m＝3。[0060]步骤2.2、由于采集到的信号存在不同程度的波动，波形不平坦的信号会对最终的计算结果造成影响，所以对信号c进行去趋势处理。设定去趋势参数为λ，并对多通道信号c进行去趋势处理，得到去趋势后的多通道信号记为其中，表示去趋势后的第m个通道信号；[0061]步骤2.3、由于心率正常范围在0.75-3hz(对应心率为45-180bpm)，对去趋势后的多通道信号中的每个通道信号进行归一化带通滤波处理，得到滤波后的多通道信号记为中的每个通道信号进行归一化带通滤波处理，得到滤波后的多通道信号记为其中，表示滤波后的第m个通道信号；[0062]步骤2.4、将滤波后的多通道信号中的每个通道信号进行升采样处理，得到升采样转置后的多通道信号矩阵其中，表示升采样转置后的第m个通道信号，且为1×j的矩阵；[0063]步骤2.5、利用非负矩阵分解法对多通道信号矩阵x中第m个通道的信号进行分解，得到第m个特征矩阵t[m]∈r1×l和第m个增益矩阵v[m]∈rl×j，且第m个特征矩阵t[m]中第l个非负向量记为tl[m]，第m个增益矩阵v[m]中第l行第j列的非负向量记为vl,j[m]，l为特征向量的数目，l＝0,1,2,…,l；在具体实例中，特征向量的数目为l＝10。[0064]步骤2.6、利用式(1)建立改进独立向量分析法的损失函数q：[0065][0066]式(1)中，yj[m]表示第m个通道的第j个源分量估计向量，w表示解混矩阵，且w＝[w[1],w[2],...,w[m],...,w[m]]h，其中，w[m]表示第m个通道的解混矩阵的分量向量；h表示共轭转置；[0067]步骤2.7、定义当前迭代次数为inter，并初始化inter＝1；[0068]令第inter次迭代下的winter为全1向量；初始化第inter次迭代下第m个特征矩阵t[m]中的非负向量记为tl[m,inter＝tl[m]；初始化第inter次迭代下第m个增益矩阵v[m]中第l行第j列的非负向量记为vl,j[m,inter＝vl,j[m]；[0069]步骤2.8、利用式(2)计算第inter次迭代下的第j个估计方差rj[m],inter：[0070][0071]步骤2.9、利用式(3)计算第inter次迭代下的中间变量z[m],inter：[0072][0073]步骤2.10、利用式(4)计算第inter次迭代下更新后第m个通道的解混矩阵的分量向量w'[m],inter：[0074]w'[m],inter＝(wz[m],inter)-1e[m]ꢀꢀ(4)[0075]式(4)中，e[m]表示第m个单位向量；[0076]步骤2.11、利用式(5)计算第inter次迭代下再次更新后第m个通道的解混矩阵的分量向量w”[m],inter：[0077][0078]步骤2.11、利用式(6)计算第inter次迭代下第m个通道的第j个源分量的估计向量yj[m],inter：[0079]yj[m],inter＝(w”[m],inter)hxꢀꢀ(6)[0080]步骤2.12、利用式(7)计算第inter+1次迭代下第l个特征矩阵的非负向量tl[m],inter+1：[0081][0082]步骤2.13、利用式(8)计算第inter+1次迭代下的第l个增益矩阵的非负向量vlj[m],inter+1：[0083][0084]步骤2.14、将inter+1赋值给inter后，返回步骤2.8顺序执行，直到inter》inter_max为止，从而得到第inter_max次迭代下的第j个源分量估计向量yj[m,inter_max并作为第m个通道的最终源分量的第j个估计向量yj[m]；从而得到第m个通道的源分量估计信号y[m]＝[y1[m],y2[m],…,yj[m],…,yj[m]]。[0085]步骤三、心率的计算；[0086]利用快速傅里叶变换分别计算第m个通道的源分量估计信号y[m]的功率谱密度分布，并将功率谱密度分布中频率处于所设定范围内最多的源分量估计信号确定为血容量脉冲信号，从而计算血容量脉冲信号的主频率fmax，用于计算心率值time×fmax，其中，time为单位时间。[0087]本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。[0088]本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。[0089]为验证本发明方法的有效性，在公开数据库ubfc-rppg和ubfc-phys上对本发明所提方法进行性能验证，ubfc-rppg数据库包含少量轻微运动，ubfc-phys数据库分为三个子数据集，其中ubfc-phys1为静止情况，ubfc-phys2为面试情况，ubfc-phys3为数字游戏情况，phys2，3受试者头部都包含着大量运动。本发明使用常规评价指标来评估心率检测性能，具体包括平均绝对误差hrmae(mean absolute error，mae)，均方根误差hrrmse(root mean square error，rmse)，皮尔逊相关系数(pearson’s correlation coefficient，r)和标准差hrsd(standard deviation)。[0090]表1 ubfc-rppg数据库对比试验结果[0091]方法hrmae(bpm)hrrmse(bpm)hrsd(bpm)rchrom8.6310.796.390.86pos6.608.204.870.88ica6.4711.749.790.83scf4.065.523.370.95iva4.065.583.820.95nmf-iva2.814.193.100.97[0092]表2 ubfc-phys1数据库对比试验结果[0093]方法hrmae(bpm)hrrmse(bpm)hrsd(bpm)rchrom7.6210.357.000.78pos7.9810.506.830.74ica2.835.414.600.91scf5.2710.459.020.69iva5.2310.308.880.70nmf-iva1.162.081.760.98[0094]表3 ubfc-phys2数据库对比试验结果[0095][0096][0097]表4 ubfc-phys3数据库对比试验结果[0098]方法hrmae(bpm)hrrmse(bpm)hrsd(bpm)rchrom12.1517.2712.280.53pos18.5925.1516.94-0.02ica11.3015.2910.300.59scf12.7021.4617.300.27iva11.6616.8712.220.57nmf-iva5.326.754.160.91[0099]表1给出了ubfc-rppg数据库上本发明所提方法与其他多种方法的结果。从表1可以看出本发明所提出的方法在四项指标上都取得了最好的效果，具体地，hrmae为2.81bpm、hrrmse降低到4.19bpm、hrsd为3.10bpm，r提升到0.97。在静止或包含少量运动的情况下，因为nmf和iva结合的算法对于规律的周期性心率信号具有较强的分离效果，使得该方法相较于基于模型的方法和传统盲源分离的方法能够更加准确的提取出心率信号。总体来说，本发明所提方法在ubfc-rppg数据库几乎取得了最好的结果，说明了本发明所提方法在相对静止的ubfc-rppg数据库上性能表现优异。[0100]表2到表4给出了ubfc-rppg数据库上本发明所提方法与其他多种方法的结果。其中表2为phys1数据库结果，代表静止情况，表3为phys2数据库结果，代表存在大量头部运动情况，表4为phys3数据库结果，代表存在少量头部运动的情况。综合三个图表的内容可以看出，单绿色通道滤波(single channel filtering，scf)的方法在静止情况下能够取得较好效果，但在存在运动干扰时，结果相较于盲源分离方法和基于模型的方法会有很大程度的下降。而基于模型的方法(chrom，pos)在存在大量运动时结果要好于传统盲源分离的ica算法，说明了运动幅度较大时，运动噪声与脉冲信号的组合不符合线性模型。独立向量分析算法作为联合盲源分离方法，因为其能够提取不同感兴趣区域脉冲信息，所以在各种情况下都有着比较好的效果。相比于iva算法，本发明所提方法不仅能够提取不同感兴趣区域的脉冲信息，针对于非规律运动噪声有着很好的抑制效果，同时能够对于有着规律性的心率信号进行提取，大大增加了心率计算的准确性，实验结果证明了本发明提出方法在去除运动幅值较大的非规则运动伪迹方法具有优越性。[0101]图3展示了在头部存在明显运动时，本发明所提方法作为iva的改进方法和iva算法得到的波形参考bvp信号的波形进行对比，图4为两种算法得到信号的功率谱图对比。从图中可以看出，本发明所提出的框架所得到的结果与参考值的拟合程度与iva方法相比，拟合程度更高。在运动幅度较大的情况下，iva算法恢复出的波形与参考信号相比误差较大，但本发明所提方法却可以恢复出与参考波形近似程度很高的波形。对比功率谱图可以发现，相较于iva，本发明所提方法所得到的信号拥有着更清晰的主频，且通过主频计算得到的心率也更加的接近真实值。[0102]综上所述，两个数据库上的实验证明了本发明提出的方法更适用于存在非规律运动伪迹下的心率检测。本发明提出的一种运动鲁棒非接触式心率检测方法，提高了无规则运动场景下视频心率检测的准确性，具有良好的运动鲁棒性。









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!