基于肌电和惯性信息的手部训练及评估方法与流程

1.本发明涉及虚拟肌电反馈领域，特别涉及一种基于肌电和惯性信息的手部训练及评估方法。


背景技术：

2.脑卒中，俗称中风，是最常见的最多发的脑血管疾病，据2016年全球疾病负担研究，由于生活工作压力，生活不规律等原因，使得脑卒中不仅老年人容易发生，第一批90后也成为了中风的高发人群。国际权威杂志《circulation》上有文章指出，我国目前是个脑卒中大国，发病率很高。研究表明，75％以上的脑卒中患者存在不同程度的肢体功能障碍，给个人健康、家庭幸福带来影响。中风后若不能及时治疗或处理不当，可能会导致偏瘫甚至危及生命，其中，手部运动功能障碍已成为脑卒中引发的主要病症之一，具体表现为手指关节弯曲伸展困难，不能进行正常的抓握与伸展动作。研究证明，目前最有效的治疗方案是，在药物治疗后立刻转为康复治疗，通过康复训练重建肢体与中枢神经的反射弧，逐步促进脑部受损神经系统恢复，积极主动的康复训练有助于患者肢体运动功能的恢复并促进痊愈。
3.目前，主要的手部康复训练的方法，是采用康复医师借助简单医疗器械一对一进行康复训练，这种方法主要依靠治疗医师的经验，缺乏对患者个体本身机能的分析诊断，训练过程枯燥乏味，患者参与主动性差，并且容易因疲劳造成二次伤害，使得康复周期延长。随着科学技术的高速发展，市面上也出现了多种手部康复训练的新兴技术，如脉冲电流刺激疗法，机器人辅助疗法，运动想象疗法等，其中，机器人辅助疗法结合生理电信号反馈和虚拟场景刺激，可以提高康复训练的效率，调动患者的积极性，对于脑卒中患者手部功能的改善后很好的疗效。但是目前康复训练存在模式单一、缺乏疲劳反馈调节等缺陷。


技术实现要素：

4.针对现有技术存在的问题，本发明提供一种基于肌电和惯性信息的手部训练及评估系统方法，主要通过采集第一侧手臂肌电信号，协同控制第二侧的可穿戴机械手进行伸展和抓握动作，结合不同的虚拟场景和leap motion实现虚拟手的抓握的虚实交互，进而完成手部的康复训练，并通过采集第一侧第二侧食指的惯性信息和手臂的肌电信号进行第一侧第二侧之间的相关性分析，进而评估患者康复状况，方便后续的训练调整。
5.本发明提供了一种基于肌电和惯性信息的手部训练及评估方法，具体实施步骤如下：
6.s1、从肌电数据库中提取第一侧动作肌电惯性信号和第二侧动作肌电惯性信号并传输给上位机；
7.s2、根据不同的训练强度，设计两种虚拟训练场景，通过体感控制器完成相应的动作；
8.s3、在进入虚拟训练场景之前，根据步骤s2中虚拟训练场景的动作训练提示进行分类器的训练：
9.s31、将步骤s1提取的第一侧动作肌电惯性信号传输给上位机，利用10～200hz的带通滤波器和50hz的陷波器去除肌电信号的高频噪声和工频干扰；
10.s32、确定肌电惯性信号的k
‑
邻近距离，用r
x
和r
y
分别表示第一侧动作肌电惯性信号和第二侧动作肌电惯性信号，得到数据点p到数据点o的可达距离reach
‑
dist(p，o)，具体表达式如下：
11.reach_dist
k
(p，o)＝max{k
‑
distance(o)，d(p，o)}
12.式中，p、o
‑
信号中的任意两个数据点，k
‑
distance(o)
‑
第k个最近的点跟点p之间的距离，d(p，o)
‑
数据点数据点p到数据点o的距离；
13.s33、根据步骤s32获得的可达距离，计算数据点p的局部可达密度，具体表达式如下：
[0014][0015]
式中，n
k
(p)
‑
与数据点p的距离小于等于k
‑
邻近距离的数据点；
[0016]
s34、根据步骤s33获得的可达距离，计算数据点p的局部相对密度(局部异常因子)，具体表达式如下：
[0017][0018]
式中，lrd
k
(p)
‑
数据点p的局部可达密度；
[0019]
s35、根据r
x
和r
y
两个肌电惯性信号各点所求的局部异常因子的大小，定义一个阈值u，通过阈值u得到优化后的第一侧动作肌电惯性信号和第二侧动作肌电惯性信号r
′
x
和r
′
y
；
[0020]
s36、通过lof算法结合传统csp算法，得到改进的csp算法的目标函数，具体表达式如下：
[0021][0022]
式中，w
‑
空间滤波器，r
′
x
、r
′
y
‑
优化后的肌电信号；
[0023]
s37、结合步骤s35和步骤s36，根据广义特征方程，求出空间滤波器w，具体表达式如下：
[0024]
r
x
w＝λr
y
w
[0025]
式中，λ
‑
(r
′
y
)
‑1r
′
x
的特征值；
[0026]
s38、利用步骤s37得到的空间滤波器对步骤s31处理的样本进行特征提取，具体表达式如下：
[0027][0028]
式中，δ一般取值为0.05；
[0029]
s39、将步骤s34提取的两类动作的特征，送入支持向量机(svm)中，进行模型的训练，得到训练好的区分动作的分类器；
[0030]
s4、根据步骤s2建立的虚拟训练场景，将步骤s1提取的第一侧动作肌电惯性信号通过步骤s31至步骤s38进行预处理和特征提取，并送入步骤s3训练好的区分动作的分类器中，生成相应的动作指令；
[0031]
s5、将步骤s4生成的动作指令传输到康复机械手中，完成对应的动作；
[0032]
s6、对步骤s5通过训练好的动作完成训练后的结果进行评估：
[0033]
s61、采集第一侧和第二侧在虚拟场景训练中相关动作造成的静态姿势震颤引起的加速度信号；
[0034]
s62、对步骤s61采集的加速度信号进行0.5～195hz的带通滤波；
[0035]
s63、计算步骤s62得到的加速度信号的欧几里得范数，具体表达式如下：
[0036][0037]
式中，x1、x2、x3分别是x、y、z三个轴上的加速度值；
[0038]
s64、对步骤s63得到的第一侧动作肌电惯性信号、第二侧动作肌电惯性信号和加速度信号进行一致性分析，具体表达式为：
[0039][0040]
式中，s
xy
(f)是信号x和y之间的互功率密度谱；s
xy
(f)、s
xy
(f)分别为信号x、y的自功率谱密度函数。
[0041]
可优选的是，在步骤s3中，第一侧进行数据训练的次数为20次。
[0042]
可优选的是，在步骤s32中，所述可达距离reach
‑
dist(p，o)，为数据点o的k
‑
邻近距离和数据点p与数据点o之间的直接距离的最大值。
[0043]
可优选的是，在步骤s33中，所述数据点p的局部可达密度为数据点p与邻近的数据点的平均可达距离的倒数。
[0044]
可优选的是，在步骤s34中，所述数据点p的局部相对密度(局部异常因子)为数据点p的邻居们的平均局部可达密度跟数据点p的局部可达密度的比值。
[0045]
可优选的是，在步骤s35中，阈值u的取值大于1。
[0046]
可优选的是，所述训练及评估方法的训练装置，其包括delsys肌电惯性采集模块、上位机软件、无线传输模块、电极驱动模块、leap motion人机交互设备和康复机械手。
[0047]
本发明与现有技术相比，具有如下优点：
[0048]
1.本发明针对受试者肢体运动能力差异性，采用多种虚拟场景对受试者进行场景刺激，确保受试者参与的主动性和康复训练的高效性，加速受试者的健康恢复，缩短康复周
期；
[0049]
2.本发明针对受试者的手部功能障碍问题，利用第一侧第二侧协同运动，结合可穿戴康复机械手辅助受试者第二侧进行抓握训练，通过对手部功能障碍患者的物理治疗，加速患者的手部康复速度和康复效果；
[0050]
3.本发明采用lof
‑
csp算法进行数据的特征提取，消除了传统csp算法对异常数据敏感的特点，使的特征值提取的更加准确，也提高了后续分类准确性。
[0051]
4.本发明针对受试者个体差异性，采用分析同一受试者的第一侧和第二侧的加速度信号和肌电信号的多种指标的相关性，来评估受试者的康复状况，采用受试者自身的第一侧第二侧的多个信号指标进行对比，使得评估结果更加准确合理。
附图说明
[0052]
图1为本发明基于肌电和惯性信息的手部训练及评估方法的方法原理图；
[0053]
图2为本发明基于肌电和惯性信息的手部训练及评估方法中训练阶段实验范式示意图；
[0054]
图3为本发明基于肌电和惯性信息的手部训练及评估方法的虚拟场景图；
[0055]
图4为本发明基于肌电和惯性信息的手部训练及评估方法的评估结果界面图；
[0056]
图5为本发明基于肌电和惯性信息的手部训练及评估方法中的康复训练方法实施流程图；
[0057]
图6为本发明基于肌电和惯性信息的手部训练及评估方法中的康复评估方法实施流程图。
具体实施方式
[0058]
为详尽本发明之技术内容、所达成目的及功效，以下将结合说明书附图进行详细说明。
[0059]
如图1所示，基于肌电和惯性信息的手部训练及评估方法，主要是通过采集第一侧的肌电信号，经过无线传输到上位机，通过上位机软件matlab进行处理，通过基于局部异常因子算法(lof)的共空间模式(csp)改进算法进行数据特征的提取，经支持向量机(svm)进行分类处理，对第一侧动作进行区分，并将动作指令经无线传输到第二侧佩戴的可穿戴康复机械手，使第二侧完成同样动作，结合不同的虚拟场景和leap motion实现左右两个虚拟手与现实手动作的虚实交互，实现第一侧第二侧手与虚拟手的“四手联动”，进而完成手部的康复训练，并通过同步采集受试者第一侧和第二侧手臂上的肌电和惯性信号对受试者的康复状态进行评估，对患者目前的康复情况进行评估，方便后续的康复训练的进行。
[0060]
本发明通过虚拟场景的人机交互充分调动了患者参与康复训练的积极性，增加康复训练的有效性，缩短康复周期；通过康复机械手的辅助训练，增强患者手部肌力、手指协调性、灵活性等功能的恢复，并通过对患者第一侧第二侧肌电和惯性信息的分析，实时对患者康复状态进行评估，方便后续训练的调整，使康复训练更加智能化、人性化，构建“以人为中心”的康复训练策略，具体流程如图4所示。
[0061]
本发明是这样实现的，具体实施步骤如下，如图5所示：
[0062]
s1、将delsys(表面肌电仪)的肌电惯性采集模块分别与第一侧和第二侧进行连
接，通过delsys自带的通讯基站实现与上位机软件的无线通讯，并在第二侧佩戴康复机械手，通过无线传输模块实现康复机械手与上位机软件的通讯。
[0063]
s2、根据不同的训练强度，设计两种虚拟训练场景，通过leap motion(体感控制器)完成相应的动作。
[0064]
每种虚拟训练场景构造了左右两个虚拟手，通过leap motion体感控制器实现现实手和虚拟手的交互，leap motion体感控制器是通过识别受试者放在识别区域的手部的关节活动信息，可以在虚拟场景中操纵虚拟手实现相同动作，在进行动作之前，两个虚拟手同时进行抓握和伸展的重复动作，从视觉上对受试者产生刺激，引导受试者完成抓握动作。
[0065]
s3、在进入虚拟训练场景之前，需对受试者进行动作数据训练，动作主要包含手部的抓握和伸展，在开始之前，受试者手处于放松状态，根据场景中的提示，完成抓握或者伸展动作，在进行完动作后立马回复成放松状态，等待下一次场景的提示，手部的抓握和伸展各进行20次，出现顺序是随机的。
[0066]
s4、根据步骤s2建立的虚拟训练场景，接将步骤s1采集的第一侧的肌电信号通过步骤s31至步骤s38进行预处理和特征提取，并送入步骤s3训练好的区分动作的分类器中，进行动作识别，生成相应的动作指令。
[0067]
s5、将步骤s4生成的动作指令通过无线传输模块传输到第二侧佩戴的康复机械手中，完成对应的动作；协助第二侧完成同样的动作，共同完成虚拟场景的任务，实现康复训练。
[0068]
s6、同步采集第一侧手臂上的动作肌电惯性信号、第二侧手臂上的动作肌电惯性信号和加速度信号，对步骤s5通过训练好的动作完成训练后的结果进行评估。
[0069]
具体而言，所述步骤s3的具体实施步骤如下：
[0070]
s31、将步骤s2采集的第一侧动作的肌电惯性信号传输给上位机，利用10～200hz的带通滤波器和50hz的陷波器去除肌电信号的高频噪声和工频干扰。
[0071]
基于局部异常因子算法(lof)的改进共空间模式(csp)算法，对于传统的csp算法对于异常值敏感的特点，采用lof算法对异常数据进行筛选和剔除。lof算法之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别，其中基于统计的异常检测算法通常需要假设数据服从特定的概率分布，这个假设往往是不成立的；而聚类的方法通常只能给出0/1的判断(即：是不是异常点)，不能量化每个数据点的异常程度。相比较而言，lof算法要更简单、直观，它不需要对数据的分布做太多要求，还能量化每个数据点的异常程度。
[0072]
s32、确定肌电惯性信号的k
‑
邻近距离，用r
x
和r
y
分别表示第一侧和第二侧两种肌电惯性信号，得到数据点p到数据点o的可达距离reach
‑
dist(p，o)，可达距离reach
‑
dist(p，o)为数据点o的k
‑
邻近距离和数据点p与数据点o之间的直接距离的最大值，具体表达式如下：
[0073]
reach_dist
k
(p，o)＝max{k
‑
distance(o)，d(p，o)}
[0074]
式中，p、o
‑
信号中的任意两个数据点，k
‑
distance(o)
‑
第k个最近的点跟点p之间的距离，d(p，o)
‑
数据点数据点p到数据点o的距离。
[0075]
s33、根据步骤s32获得的可达距离，计算数据点p的局部可达密度，对于数据点p，那些跟点p的距离小于等于k
‑
distance(p)的数据点称为它的k
‑
nearest
‑
neighbor，记为nk
(p)，数据点p的局部可达密度为数据点p与邻近的数据点的平均可达距离的倒数，具体表达式如下：
[0076][0077]
式中，n
k
(p)
‑
与数据点p的距离小于等于k
‑
邻近距离的数据点。
[0078]
s34、根据局部可达密度的定义，如果一个数据点跟其他点比较疏远的话，那么显然它的局部可达密度就小，但lof算法衡量一个数据点的异常程度，并不是看它的绝对局部密度，而是看它跟周围邻近的数据点的相对密度。这样做的好处是可以允许数据分布不均匀、密度不同的情况。局部异常因子即是用局部相对密度来定义的。数据点p的局部相对密度(局部异常因子)为点p的邻居们的平均局部可达密度跟数据点p的局部可达密度的比值，根据步骤s33获得的可达距离，具体表达式如下：
[0079][0080]
式中，lrd
k
(p)
‑
数据点p的局部可达密度。
[0081]
s35、根据r
x
和r
y
两个肌电信号各点所求的局部异常因子的大小，定义一个阈值u，阈值u根据实际情况选定，一般所选阈值u＞1，根据所选阈值u，剔除大于阈值u的值，通过阈值u得到优化后的第一侧动作肌电惯性信号和第二侧动作肌电惯性信号r
′
x
和r
′
y
。
[0082]
s36、通过lof算法结合传统csp算法，得到改进的csp算法的目标函数，具体表达式如下：
[0083][0084]
式中，w
‑
空间滤波器，r
′
x
、r
′
y
‑
优化后的肌电信号。
[0085]
s37、结合步骤s35和步骤s36，根据广义特征方程，求出空间滤波器w，具体表达式如下：
[0086]
r
′
x
w＝λr
′
y
w
[0087]
式中，λ
‑
(r
′
y
)
‑1r
′
x
的特征值。
[0088]
s38、利用步骤s37得到的空间滤波器对步骤s31处理的样本进行特征提取，求取包含t个离散采样点的肌电信号的特征的具体表达式如下：
[0089][0090]
式中，δ一般取值为0.05；
[0091]
s39、将步骤s31～s38提取的两类动作的特征，送入支持向量机(svm)中，进行模型的训练，训练好区分抓握和伸展的二分类器，对虚拟训练场景中的动作进行分类得到训练
好的区分动作的分类器。
[0092]
具体而言，所述步骤s6的具体实施步骤如下：
[0093]
s61、采集第一侧第二侧在虚拟场景训练中抓握或伸张动作造成的手臂静态姿势震颤引起的加速度信号。
[0094]
s62、对步骤s61采集的加速度信号进行0.5～195hz的带通滤波。
[0095]
s63、计算步骤s62得到的加速度信号的欧几里得范数，避免方向对加速度的影响，具体表达式如下：
[0096][0097]
式中，x1、x2、x3分别是x、y、z三个轴上的加速度值；
[0098]
s64、进行康复评估，对步骤s63得到的第一侧动作肌电惯性信号、第二侧动作肌电惯性信号和加速度信号进行一致性分析：
[0099][0100]
式中，s
xy
(f)是信号x和y之间的互功率密度谱；s
xy
(f)、s
xy
(f)分别为信号x、y的自功率谱密度函数。
[0101]
根据查阅相关资料，设置一致性的阈值为0.8，对肌电和加速度信号的一致性大于阈值的部分计算所占整体的百分比，然后将算得的肌电和加速度信号所占百分比的平均值作为受试者的评估结果。本发明的评估方法采用对比第一侧和第二侧的相关性进行评估，避免了受试者之间的个体差异性，使得评估结果更加准确。
[0102]
在本发明的一个优选实施例中，训练及评估方法的训练装置，其包括delsys肌电惯性采集模块、上位机软件、无线传输模块、电极驱动模块、leap motion人机交互设备和康复机械手。
[0103]
以下结合实施例对本发明一种基于肌电和惯性信息的手部训练及评估方法做进一步描述：
[0104]
s1、在进行康复训练之前，将delsys(表面肌电仪)的肌电惯性采集模块分别贴于第一侧和第二侧的肱桡肌和指伸屈肌处，通过delsys(表面肌电仪)的肌电惯性采集模块的无线基站与上位机连通，并将采集的肌电惯性信号传输给上位机。
[0105]
s2、根据所需的训练强度不同，设计两种虚拟的训练场景，如图3(b)和(c)所示，通过leap motion(体感控制器)实现虚拟现实的交互，通过识别现实手的关节动作实现虚拟手的相同动作的完成；
[0106]
所述的虚拟场景包括“摘水果”和“搭积木”两种虚拟场景，如图3(b)和(c)所示。对于图片视频场景，如图3(b)所示，通过诸如“摘水果”游戏画面，通过leap motion实现虚拟现实交互，第一侧第二侧“四手联动”进行虚拟场景中的三种水果根据提示词进行选择摘取，受试者通过康复机械手辅助手部康复训练动作的完成。其中b1
‑
葡萄，b2
‑
苹果，b3
‑
桔子。对于虚拟游戏场景，如图3(c)所示，受试者能够通过leap motion完成场景中虚拟手抓取和伸展动作，完成手部的康复训练。
[0107]
s3、在进入虚拟训练场景之前，需要进行动作训练。
[0108]
s31、训练场景如图3(a)所示，根据动作提示在读条时间内完成相应动作，训练阶段实验范式，如图2所示，进入训练环节后，提示受试者集中精神即将开始进行动作，此过程持续2s时间，第2s时，屏幕中央出现抓取动作提示，受试者跟随抓取动作提示进行抓取，持续时间为4s，第6s时运动提示消失，受试者运动结束，之后有2s时间供受试者休息，重复进行第二次运动训练，直到完成10次运动训练。
[0109]
s32、肌电信号数据预处理：将采集到的训练数据分成10段，分别截取2个通道中每个通道第2s到6s之间(共4s)的数据进行分析处理。首先对截取的运动信号进行带通滤波用于减弱频率低于5hz和高于200hz的信号，之后进行0.5～2hz高通滤波去除基线漂移和自适应陷波去除50hz工频干扰。
[0110]
s33、确定肌电信号的k
‑
邻近距离，用r
x
和r
y
分别表示第一侧和第二侧两种肌电信号，得到数据点p到数据点o的可达距离reach
‑
dist(p，o)，具体表达式如下：
[0111]
reach_dist
k
(p，o)＝max{k
‑
distance(o)，d(p，o)}
[0112]
式中，p、o
‑
信号中的任意两个数据点，k
‑
distance(o)
‑
第k个最近的点跟点p之间的距离，d(p，o)
‑
数据点数据点p到数据点o的距离。
[0113]
s34、根据步骤s33获得的可达距离，计算数据点p的局部可达密度，具体表达式如下：
[0114][0115]
式中，n
k
(p)
‑
与数据点p的距离小于等于k
‑
邻近距离的数据点。
[0116]
s35、密度跟数据点p的局部可达密度的比值，根据步骤s33获得的可达距离，具体表达式如下：
[0117][0118]
式中，lrd
k
(p)
‑
数据点p的局部可达密度。
[0119]
s36、根据r
x
和r
y
两个肌电惯性信号各点所求的局部异常因子的大小，定义一个阈值u，阈值u根据实际情况选定，一般所选阈值u＞1，根据所选阈值u，剔除大于阈值u的值，通过阈值u得到优化后的第一侧和第二侧两类动作信号r
′
x
和r
′
y
。
[0120]
s37、通过lof算法结合传统csp算法，得到改进的csp算法的目标函数，具体表达式如下：
[0121][0122]
式中，w
‑
空间滤波器，r
′
x
、r
′
y
‑
优化后的肌电信号。
[0123]
s38、结合步骤s36和步骤s37，根据广义特征方程，求出空间滤波器w，具体表达式如下：
[0124]
r
′
x
w＝λr
′
y
w
[0125]
式中，λ
‑
(r
′
y
)
‑1r
′
x
的特征值。
[0126]
s39、利用步骤s38得到的空间滤波器对步骤s32处理的样本进行特征提取，求取包含t个离散采样点的肌电信号的特征的具体表达式如下：
[0127][0128]
式中，δ一般取值为0.05；
[0129]
s310、将步骤s39提取的两类动作的特征，送入支持向量机(svm)中，进行模型的训练，svm能够实现在特征空间构建最优分割超平面，进而使不同类别的样本线性分开。选用径向基函数作为svm的核函数，惩罚系数c和决定数据映射到新特征空间分布的参数g采用交叉验证方式自动确定，训练好区分抓握和伸展的二分类器，对虚拟训练场景中的动作进行分类得到训练好的区分动作的分类器。
[0130]
s4、根据步骤s2建立的虚拟训练场景，接将步骤s31采集的第一侧的肌电惯性信号通过步骤s32至步骤s310进行预处理和特征提取，并送入步骤s3训练好的区分动作的分类器中，生成相应的动作指令。
[0131]
s5、进入虚拟康复训练界面，利用unity3d游戏开发引擎搭建了虚拟场景，全方位诱导受试者进行肢体运动。通过训练采集数据，根据上述步骤s3
‑
s4，将经过预处理和特征提取后的信号特征，送入到构建好的svm分类模型中，对信号进行动作的识别，并生成相应的动作指令。将生成的动作指令通过无线传输模块传输到第二侧佩戴的康复机械手中，完成对应的动作，协助第二侧完成同样的动作，共同完成虚拟场景的任务，实现康复训练；
[0132]
s6、同步采集第一侧和第二侧手臂上的肌电惯性信号和加速度信号，对步骤s5通过训练好的动作完成训练后的结果进行评估，具体流程如图6所示：
[0133]
s61、采集第一侧第二侧在虚拟场景训练中抓握或伸张动作造成的静态姿势震颤引起的加速度信号。
[0134]
s62、对步骤s61采集的加速度信号进行0.5～195hz的带通滤波。
[0135]
s63、计算步骤s62得到的加速度信号的欧几里得范数，避免方向对加速度的影响，具体表达式如下：
[0136][0137]
式中，x1、x2、x3分别是x、y、z三个轴上的加速度值；
[0138]
s64、进行康复评估，对步骤s63得到的第一侧第二侧的肌电和加速度信号进行一致性分析，具体表达式为进行康复评估，对步骤s63得到的第一侧动作肌电惯性信号、第二侧动作肌电惯性信号和加速度信号进行一致性分析：
[0139][0140]
式中，s
xy
(f)是信号x和y之间的互功率密度谱；s
xy
(f)、s
xy
(f)分别为信号x、y的自功率谱密度函数。
[0141]
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。