基于HHT运动想象脑电模式识别研究

发布时间：2022-03-29所属分类：计算机职称论文浏览：1508次

摘 要： 摘 要 脑机接口是一种变革性的人机交互, 其中基于运动想象 (Motor imagery, MI) 脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特 黄变换 (Hilbert-Huang transform, HHT), 进

　　摘 要 脑机接口是一种变革性的人机交互, 其中基于运动想象 (Motor imagery, MI) 脑电的脑机接口是一类非常重要的脑机交互. 本文旨在探索有效的运动想象脑电特征模式提取方法. 采用在时域、频域同时具有很高分辨率的希尔伯特 – 黄变换 (Hilbert-Huang transform, HHT), 进而提取自回归 (Auto regressive, AR) 模型参数并计算运动想象脑电平均瞬时能量, 从而构造特征向量, 最后利用能较好地适应运动想象脑电单次试验分类的支持向量机 (Support vector machine, SVM) 进行分类. 结果表明在 Trial 的 5.5 ∼ 7.5 s 期间, HHT 特征提取方法平均分类正确率为 81.08 %, 具有良好的适应性; 最高分类正确率为 87.86 %, 优于传统的小波变换特征提取方法和未经 HHT 的特征提取方法; 在 Trial 的 8 ∼ 9 s 期间, HHT 特征提取方法显著优于后两种特征提取方法. 本研究证实了 HHT 对运动想象脑电这一非平稳非线性信号具有很好的特征提取能力, 也再次验证了运动想象事件相关去同步 (Event-related desynchronization, ERD) 现象, 同时也表明运动想象脑电的脑 – 机交互系统性能与被试想象心理活动的质量密切相关. 本文可望为基于运动想象脑电的在线实时脑机交互控制系统的研究打下坚实的基础.

　　关键词 脑机交互控制, 脑机接口, 运动想象, 脑电, 希尔伯特 – 黄变换

　　直接用思维来控制机器人或假肢装置而没有大脑外周神经和肌肉的参与, 这一思想萌芽于 1929 年 Berger 发现脑电 (Electroencephalogram, EEG) 信号之后. 然而, 这方面的真正研究始于 20 世纪 70 年代[1] . 在过去的 40 多年里, 这一新方向已经吸引了许多研究者, 一些实验已经表明这样做是可能的, 这就是脑 – 机接口 (Brain-computer interface, BCI)/脑 – 控机器人接口 (Brain-controlled robot interface, BCRI), 该方向已成为国际前沿研究热点和突破点[2−5] .

　　脑控是近十多年兴起的一种新的控制思想和概念, 在众多脑机交互控制范式中, 基于运动想象 (Motor imagery, MI) 的脑机接口是一类非常重要的脑 – 机交互策略, 其特点是用户通过思维 “想” 或 “感觉” (运动知觉回忆和模拟) 相关的脑信号来控制机器人或外部机器, 有别于用户通过 “看” 或 “听” (视觉/听觉注意和选择) 相关的脑信号与外部设备交互的模式[6] . 然而, 运动想象脑电空间分辨率低 (厘米级)、信噪比低、易受强伪迹的干扰 (如工频干扰、眼球运动引起的眼电、肌肉运动引起的肌电等) [7−8] . 已有研究也表明, 运动想象脑电具有高度的非平稳性和非线性[9] , 这给提取运动想象脑电的特征模式提出了巨大的挑战[10] . 这也是基于运动想象脑电的 BCI 尚没有走出实验室, 没有真正意义上的商业产品的主要原因.

　　迄今为止, 研究者已提出了若干运动想象脑电特征模式提取方法, 如自回归 (Auto regressive, AR) 模型、自适应自回归 (Adaptive auto regressive, AAR) 模型[11−12]、小波变换 (Wavelet transform, WT)、小波包变换 (Wavelet package transform, WPT)[13−14] 以及共同空间模式 (Common spatial pattern, CSP)[15] 等特征提取方法. 小波等方法的本质是傅里叶变换, 不能同时在时域和频域有高的分辨率. CSP 方法被广泛应用, 该方法在多通道条件下能够取得良好的效果, 近几年也有研究基于 CSP 的改进算法应用到少通道情况下, 并取得了较好的分类效果[16] . 上述这些特征提取方法虽然已取得了一定的成果, 但仍然没有最终解决好运动想象脑电的模式分类问题.

　　本文针对运动想象脑电信号非平稳非线性的特点, 拟采用在时域、频域同时具有很高分辨率的希尔伯特 – 黄变换 (Hilbert-Huang transform, HHT)[17−21] , 可望有效地提取运动想象脑电的特征模式, 并利用在 Mu 节律 (8 ∼ 13 Hz) 和 Beta 节律 (13 ∼ 30 Hz) 有显著表现的事件相关去同步 (Event-related desynchronization, ERD) 现象[22−24] , 由平均瞬时能量和 AR 模型参数构造特征向量, 最后利用支持向量机 (Support vector machine, SVM) 进行模式分类. 本研究可望为进一步深入研究基于运动想象脑电的在线实时脑机交互控制系统打下坚实的基础.

　　1 材料和方法

　　1.1 被试、实验范式和数据采集

　　实验被试: 性别: 女; 年龄: 25 岁; 健康状况: 良好. 所有的试验 (Trials) 都在同一天进行, 实验包括 7 组, 每组有 40 个 Trials, 总共 280 个. 每个 Trial 持续时间为 9 s, 被试在前 2 s 保持放松状态; t = 2 s 时, 显示器屏幕呈现 “+” 字型图案, 同时有提示音提示被试试验开始, 准备运动想象; t = 3 s 时, 显示器屏幕中央出现向左或向右的箭头, 提示被试按提示的箭头方向想象左、右手的运动. 运动想象脑电采集范式如图 1 所示. 所有实验数据采集于 C3、Cz、C4 三个电极, 脑电信号由双导联方式记录, 采样频率为 128 Hz. 最终的实验数据由 140 个训练样本和 140 个测试样本组成, 训练样本类别已知. 样本数据集都是 1 152 × 3 × 140[25] (实验数据详见文献 [25]).

　　第 2 组数据来自于第 4 次脑 – 机接口竞赛 Data sets 2b, 包括 3 个训练数据集: B0X01T、B0X02T、B0X03T; 2 个测试数据集: B0X04E、B0X05E. 数据采自于左右手二分类实验[26] .

　　1.2 数据预处理

　　已有研究表明, 运动想象诱发的脑电主要在 Mu (8 ∼ 13 Hz) 和 Beta (14 ∼ 30 Hz) 节律段表现显著[22−24] . 本文首先对原始脑电信号数据进行 8 ∼ 30 Hz 的数字带通滤波, 采用椭圆滤波器, 通带截止频率为 8 ∼ 30 Hz, 阻带截止频率为 7 Hz 和 32 Hz, 通带衰减为 0.5 dB, 阻带衰减为 50 dB. 然后对带通滤波后的信号进行线性校正, 目的是消除线性漂移带来的伪迹.

　　1.3 希尔伯特− 黄变换

　　脑机交互控制系统中一个关键部分是特征提取, 通过特征提取把能够表征被试想象任务状态或活动的特征量提取出来. 脑活动状态之间差异显著的特征量可以减小模式识别分类器的错误分类率, 从而有效地提高分类的准确率.

　　希尔伯特 – 黄变换 (HHT) 由美国工程院院士黄锷所提出[27], HHT 能够很好地适用于分析非线性非平稳信号. HHT 主要包括两部分: 1) 经验模态分解 (Empirical mode decomposition, EMD); 2) Hilbert 谱分析 (Hilbert spectrum analysis, HSA).

　　经验模态分解是为了获得本征模函数 (Intrinsic mode function, IMF), 它具有自适应性、正交性、完备性、IMF 分量的调制特性[28]. EMD 满足如下两个条件[29]:

　　1) 信号极值点的数量与零点数相等或相差 1;

　　2) 信号的由极大值定义的上包络和由极小值定义的下包络的局部均值为 0. EMD 过程[29−30] 如下: 1) 对输入信号求取所有的极大值点和极小值点. 2) 对极大值点和极小值点采用三次样条进行拟合, 求上、下包络的曲线, 计算均值函数, 进而求出待分析信号和均值的差值 h.

　　3) 考察 h 是否满足 IMF 条件, 如果满足, 则把 h 作为第 1 个 IMF; 否则, 对其进行前两步操作, 直到第 k 步满足 IMF 条件, 然后求得第 1 个 IMF, 求出原信号与 IMF 的差值 r.

　　4) 把差值 r 作为待分解的信号, 直到剩余的 r 为单调信号或者只存在一个极点为止, 得到的表达式如下:

　　1.4 AR 模型参数特征

　　利用第 1.3 节的 HHT 方法首先对运动想象脑电信号进行经验模态分解 (EMD), 分解后各阶 IMF 如图 2 所示. 前期实验分析表明, 前三阶 IMF 对分类贡献最大, 包含 Mu 和 Beta 节律信息, 将其结合起来, 可望能提高分类正确率. 所以对前三阶 IMF 采用 Hilbert 变换求取平均瞬时幅值. 本研究使用 3、4、6、8、10、12、16 阶 AR 模型分别求取分类正确率, 阶次为 6 时正好对应了最高的分类结果. 所以, 最后基于 Burg 算法提取 6 阶的 AR 模型系数 AR1, · · · , AR6, 由 C3 和 C4 通道的 AR 模型系数组成 12 维特征向量: {C3AR1, · · · , C3AR6, C4AR1, · · · , C4AR6}.

　　1.6 支持向量机分类运动想象脑电模式

　　基于运动想象脑电的脑 – 机接口/脑 – 机交互中: 1) 脑电信号为非线性非平稳信号, 使其线性不可分; 2) 提取的脑电特征和电极组合后, 用于分类的特征向量往往是高维的; 3) 运动想象脑电的单次试验分类往往是小样本, 在线脑 – 机交互系统可供学习的样本往往更少[31] .

　　支持向量机 (SVM) 是基于统计学习理论的机器学习方法, 在处理分类问题上具有很好的表现. 它利用结构风险最小化理论, 在特征空间中构建最优分割超平面, 尽可能多地将两类数据点分开, 并使分开的两类数据点距离分类面最远; 它可以利用少量支持向量构建判别函数, 适宜小样本分类问题, 泛化能力强; 此外, 它采用非线性映射方法将低维输入线性不可分样本映射到高维特征空间, 使其线性可分, 不需要过多考虑维数对机器学习性能的影响. 因此, SVM 可望能较好地适应运动想象脑电信号特征的单次试验分类.

　　相关知识推荐：论文查重都查什么 有什么用

　　在本研究中, 运动想象脑电数据由 140 个训练样本和 140 个测试样本组成, 训练样本和测试样本的类别标签已知. 首先用 140 个训练样本和样本标签训练模型, 再利用得到的模型对测试样本进行标签预测, 最后通过预测标签和真实标签对比, 计算分类的正确率.

　　2 结果

　　为验证本文所述方法的有效性, 对第 1 节所述左、右手运动想象脑电数据进行了特征提取和模式分类. 图 5 (a) 呈现了对未经 HHT 变换提取得到的特征进行分类的结果, 在该种情况下, 由 AR 模型系数和平均能量构造特征向量, 然后利用 SVM 对测试集进行分类. 测试集在 5.5 ∼ 7.5 s 区间的平均分类正确率是 67.89 %, 最高分类正确率是 77.86 %; 在 8 ∼ 9 s 区间的平均分类正确率是 61.25 %, 最高分类正确率是 63.57 %.

　　图 5 (b) 呈现了利用小波变换提取特征的分类曲线. 实验采样频率为 128 Hz, 根据香农采样定理, 小波变换初始频率为 64 Hz, 选用 db4 小波对数据进行 3 层分解, 分解后频率范围分别为 0 ∼ 8 Hz、8 ∼ 16 Hz、16 ∼ 32 Hz、32 ∼ 64 Hz 四个频带. 选取 Mu 节律的信号 8 ∼ 16 Hz 进行能量计算, 然后, 构造基于 AR 模型系数和平均能量的特征向量, 最后采用 SVM 对测试集进行分类. 测试集在 5.5 ∼ 7.5 s 区间的平均分类正确率是 78.12 %, 最高分类正确率是 83.57 %; 在 8 ∼ 9 s 区间的平均分类正确率是 56.96 %, 最高分类正确率是 65 %.

　　图 5 (c) 呈现了利用 HHT 变换后提取 AR 模型系数并计算平均能量, 再构造特征向量, 然后基于 SVM 对测试集进行分类的结果. 在该种情况下, 测试集在 5.5 ∼ 7.5 s 区间的平均分类正确率是 81.08 %, 最高分类正确率是 87.86 %; 在 8 ∼ 9 s 区间的平均分类正确率是 71.33 %, 最高分类正确率是 84.29 %.

　　表 1 呈现了在无 HHT、小波变换 (WT)、希尔伯特 – 黄变换 (HHT) 三种特征提取方法下, 基于 SVM 在 3 ∼ 4 s、5.5 ∼ 7.5 s 和 8 ∼ 9 s 分类时间段的平均分类正确率和最高分类正确率.

　　表 2 呈现了第 4 次脑 – 机接口竞赛数据 Data sets 2b 的分类正确率. 表 2 中, 1T、2T、3T 是训练集, 4E 和 5E 是测试集. 其中训练集 2T 可能存在数据错误, 导致分类正确率均为 50 %, 其他两组有较高的分类正确率, 说明 HHT 方法应用在左、右手运动想象分类中效果良好.

　　此外, 本文针对运动想象全部时间过程的平均能量特征, 采用无 HHT、小波变换 (WT)、希尔伯特 – 黄变换 (HHT) 特征提取方法的分类正确率分别是 57.44 %、60.7 %、62.86 %.

　　3 讨论

　　基于运动想象脑电的脑 – 机交互控制接口是一类非常重要的脑 – 机接口, 然而由于运动想象脑电具有高度的非平稳性和非线性, 这使得表征运动想象的脑电特征模式难于提取, 分类难度大. 迄今为止, 研究者已提出了若干运动想象脑电特征模式提取方法[11−15] , 但仍然没有最终解决好这个模式分类问题. 在运动想象脑电的模式中, 事件相关去同步 (ERD) 已被作为一个脑 – 机交互控制信号[22−23] , 然而运动想象脑电模式也与被试的想象心理活动质量紧密相关.

　　本文脑电采用双导联方式记录. 该方法不使用无关参考电极, 两个活动电极互为参考, 两个电极的差值即记录的数据, 相对于单极导联法没有外加电极的干扰, 但两电极之间距离需要在 3 ∼ 6 cm 以上. 而脑电采集的单极导联法中放大器的一个输入端接活动电极 (即记录电极), 另一端一般置于耳垂或乳突 (即参考电极), 能够记录活动电极下脑电位变化的绝对值, 其波幅较高且较稳定. 本文所用到的数据注重电极之间的差值而不是单个电极幅值, 故采用双极导联法.

　　在本文的研究中, 在 Trial 的 5.5 ∼ 7.5 s 分类期间, 希尔伯特 – 黄变换 (HHT) 特征提取与小波变换 (WT) 特征提取相比, 最高分类正确率提高了 4.29 个百分点, 平均分类正确率也提高了 2.96 个百分点; HHT 特征提取与无 HHT 特征提取相比, 最高分类正确率提高了 13.19 个百分点, 平均分类正确率提高了 10 个百分点. 在该期间, 小波变换 (WT) 特征提取也比无 HHT 特征提取的分类性能好. 这些结果与已有研究相比[25, 32−33] , 具有特色和可比性.

　　此外, 在 Trial 的 8 ∼ 9 s 分类期间, 希尔伯特 – 黄变换 (HHT) 特征提取与小波变换 (WT) 特征提取相比, 最高分类正确率提高了 19.29 个百分点, 平均分类正确率也提高了 14.37 个百分点; HHT 特征提取与无 HHT 特征提取相比, 最高分类正确率提高了 20.72 个百分点, 平均分类正确率提高了 10.08 个百分点.

　　上述这些结果表明, HHT 在基于运动想象脑电特征模式提取中优于小波变换 (WT) 特征提取方法, 更优于无 HHT 特征提取方法. 尽管与傅里叶变换 (Fourier transformation, FT) 相比, 小波变换 (WT) 能通过伸缩和平移运算对脑电信号进行多尺度细化分析, 可以从运动想象脑电信号中提取对分类有用的信息, 但小波方法本质上是傅里叶变换, 不能同时在时域和频域有高的分辨率. 然而希尔伯特 – 黄变换 (HHT) 在时域和频域同时具有很高的分辨率, 这可能是该方法优于 WT 方法和无 HHT 的主要原因. 在三种特征提取方法中, 分类性能较差的是无 HHT 方法, 这也表明了在基于运动想象脑电的脑 – 机交互系统中, 表征运动想象的脑电模式特征提取极为重要且关键, 必须采取有效的特征提取方法, 否则分类正确率将受到很大的限制.

　　除上述之外, 在 Trial 的 3 ∼ 4 s 分类期间, 三种特征提取方法的分类效果均不好, 可能因为在 3 ∼ 4 s 期间为运动想象执行的初始阶段, 被试心理活动有一个滞后和适应过程, 尚没有形成较好的运动想象心理活动. 但在随后的 5.5 ∼ 7.5 s 期间, 被试运动想象活动趋于稳定, 质量较好, 三种特征提取方法的分类正确率均提高非常大, 其中最好的是 HHT 方法, 其次是 WT 方法. 在 8 ∼ 9 s 运动想象执行的最后期间, 被试运动想象心理活动质量有所降低, 分类正确率有下降趋势. 这可能在一定程度上表明了在 Trial 期间, 分类正确率随时间而波动的原因. 此外, 在 0 ∼ 2 s 期间, 要求被试心理处于放松空闲的基线状态, 在 2 ∼ 3 s 期间, 为被试运动想象准备期间, 在这两个期间, 三种方法的分类正确率在机会概率水平. 综合以上, 说明基于运动想象脑电的脑 – 机交互系统的性能还与被试想象心理活动的质量紧密相关.

　　已有研究把 HHT 应用到运动想象任务实验, 实验中以 C3 和 C4 通道瞬时能量值为特征分类左右手和脚运动想象, 并取得了良好的效果[34] . 本文在此基础上, 求取一定时间段的 AR 系数特征向量和平均瞬时能量值特征, 然后把两个特征相结合进行分类. 实验结果表明分类正确率有了一定的提高.

　　HHT 算法侧重于提取非平稳非线性的脑电信号中具有可分类特征信息的瞬时幅值, 而近年来广泛应用的 CSP 算法能够构造出适用于分类的空间滤波器, 从而提高分类效果, 为此, 可以考虑将 HHT 和 CSP 进行互补以提高分类正确率.

　　最后, 已有研究表明运动想象和实际运动共享某些类似的神经机制[34−37] , 这也是基于运动想象脑 – 机交互的神经科学基石. 其中, 被试在执行运动想象心理活动期间, 发生了事件相关去同步 (ERD) 现象, 并利用这一现象实现运动想象脑 – 机交互控制[22−23, 38] . 本研究通过希尔伯特 – 黄变换 (HHT), 计算了左、右手运动想象脑电的能量变化, 由图 3 (a) 可知, 从 4 s 开始左手 C3 通道的能量值开始显著大于 C4 通道, 而图 3 (b) 中右手的 C3 能量值小于 C4 通道, 这也再次证实了被试在运动想象期间发生了事件相关去同步 (ERD) 这一现象.

　　4 结论

　　运动想象脑电的特征提取和模式分类面临巨大的挑战, 其中最根本的原因之一是难于提取到能够表征运动想象心理活动的脑电特征. 本文基于在时域和频域同时具有良好局部化性质的 HHT 提取表征运动想象脑电的 AR 模型参数特征和平均瞬时能量特征, 采用能够较好地适应运动想象脑电信号单次试验分类方法的 SVM. 结果表明, 在 Trial 的 5.5 ∼ 7.5 s 分类期间, HHT 特征提取方法平均分类正确率为 81.08 %, 具有良好的适应性; 最高分类正确率为 87.86 %, 远远高于未经 HHT 处理得到的分类正确率, 提高了近十个百分点, 也优于小波变换特征提取方法; 尤其在 Trial 的 8 ∼ 9 s 分类期间, HHT 特征提取方法显著优于后两种特征提取方法. 本研究证实了希尔伯特 – 黄变换 (HHT) 能够有效地提取表征运动想象脑电的特征模式, 也再次证实了运动想象 ERD 现象, 同时也表明基于运动想象脑电的脑 – 机接口正确分类率与被试想象心理活动的质量紧密相关.

　　在本研究的基础上, 我们进一步的研究工作是: 1) 继续完善本研究所采用的方法, 并把这些方法集成到在线实时的基于运动想象脑电的脑 – 机交互控制系统中; 2) 在未来的在线实时系统中, 引入优化的先进神经反馈技术 — 所想即所得, 以实时调节被试/用户的脑电活动, 进一步提高正确识别率和系统的响应速度, 从而提高系统的性能; 3) 采用三边协同自适应机器学习算法适应脑电的变异性, 减轻被试的训练负担.——论文作者：孙会文 1 伏云发 1 熊 馨 1 杨 俊 1 刘传伟 1 余正涛

濠电姷鏁告慨鐑藉极閸涘﹥鍙忓ù鍏兼綑閸ㄥ倿鏌ｉ悢宄扮盎闁兼澘娼″鍫曞醇濞戞ê顬夊┑鐐叉噽婵灚绌辨繝鍥ч柛灞剧煯婢规洟姊洪崨濠庢疁濞存粌鐖煎濠氬Ω閳哄倸浜為梺绋挎湰缁嬫垿顢旈敓锟�:闂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘ｅ亾鐎规洦鍨堕獮鎰償閵忥紕褰块梺鐟板悑閻ｎ亪宕瑰ú顏勭煑闊洦绋掗悡鐔兼煏韫囧﹥鍤夌憸鐗堝笒缁€鍕煟濡偐甯涢柣鎾存礋閺岀喐瀵肩€涙ɑ閿梺鍝勵儑閸犳牠寮诲☉姘ｅ亾閿濆骸浜炲褜鍓熼弻鏇㈠炊瑜嶉顓犫偓娈垮櫘閸ｏ絽鐣烽崼鏇椻偓鏍敊閼恒儱纾冲┑顔硷工椤嘲鐣烽悢纰辨晝闁靛洦濡搁崶銊у幐闁诲繒鍋犻褔鍩€椤掍胶澧辩紓鍌涙崌閹崇偤濡烽妷褏鐛┑鐘灱濞夋盯寮甸鍕柧濠靛倸鎲￠埛鎺懨归敐鍫燁仩閻㈩垱鐩弻鐔哄枈閸楃偘绨藉┑鈥冲级閸旀瑥顕ｉ幘顔藉亹闁归鐒︾紞妤呮⒒娴ｅ憡鎯堥柛鐕佸亰閹囧幢濞嗘垳绗夐梺鎸庣箓濡稓绮绘ィ鍐╃厱闁斥晛鍠氬▓娆撴倵濮橆厽绶查棁澶嬬節婵犲倸顏╅柛鏂诲€濆Λ浣瑰緞閹邦厾鍙嗗┑鐘绘涧濡瑩骞栭幇鐗堢厱闁哄倹顑欓崕鎰庨崶褝韬い銏＄☉椤繈骞戦幇顒佸創闂傚倷绀侀幖顐︽儗婢跺本宕叉繝闈涙閺嗭附銇勮箛鎾村櫤濠殿垱鎸抽弻娑樷槈濮楀牆濮涙繛瀛樼矋閻楃姴顫忕紒妯肩懝闁逞屽墴閸┾偓妞ゆ帒鍊告禒婊堟煠濞茶鐏︾€规洏鍨藉畷銊︾節娴ｈ櫣鐣鹃梻浣虹帛閸旀牕岣垮▎鎴犵當鐟滃繒妲愰幒妤婃晩閻熸瑥瀚悵鏇㈡⒑闂堟稓澧崇紓宥勭閻ｅ嘲顫滈埀顒佷繆閹间焦鏅滅紓浣癸供濡劑姊婚崒姘偓椋庢濮橆兗缂氶柤濮愬€愰崑鎾绘濞戞氨鍔悗瑙勬磸閸ㄦ椽濡堕敐澶婄闁靛ě灞芥櫍闂傚倷鑳舵灙缂佺粯锚铻為悹鎭掑妽瀹曟煡鏌涢埄鍏︽粍绂嶅⿰鍫熺厵闂侇叏绠戦弸娑㈡煛鐎ｎ亪顎楅棁澶嬬節婵犲倸鏆欓柍閿嬫⒒缁辨帗娼忛妸锕€闉嶉梺鐟板槻閹冲繘藝閻楀牊鍎熸俊顖滅帛濞呭啴姊婚崒娆戝妽闁诡喖鐖煎畷婵嗩吋閸滀焦瀵岄梺鑺ッˇ浠嬪吹閺囥垺鐓欓柟顖涙緲琚氶梺绋款儏鐎氫即寮婚敐澶婄闁惧浚鍋呭畷鍐差渻閵堝棙鐓ユい锔诲灦閳ユ棃宕橀鍢壯囨煕閳╁喛渚涙慨濠傛健濮婅櫣绮欏▎鎯у壉闂佸憡姊瑰ú鐔兼晲閻愭祴鏀介悗锝庘偓顓涙櫊閺屽秹宕崟顐熷亾婵犳艾鐭楅柛鈩冦仜閺€浠嬫煟閹邦厽缍戦柣蹇ョ畱閻ｆ繈鏁愰崨顔间淮闂佽鍠氶崑銈夊蓟閵娧€鍋撻敐鍐ㄥ缂併劌顭峰娲传閸曨剙顦╁銈冨妼濡鍩㈠鍡欑瘈闁告洏鍔屾禍鐐箾閸繄浠㈤柡瀣ㄥ€曢…鑳槼妞ゃ劌锕悰顕€宕卞☉妯肩潉闂佸壊鍋呯换宥呩缚婵犲洦鈷戦柡鍌樺劜濞呭懘鏌涢悤浣镐喊妞ゃ垺姊圭€佃偐鈧稒菤閹风粯绻涙潏鍓у埌闁硅绻濋獮鍡涘醇閵夛妇鍘辨繝鐢靛Т婵亶宕烽鐐茬柧闂傚倷绶氬ḿ褑鍣归梺绋挎湰缁本鏅舵ィ鍐┾拻濞达綀娅ｇ敮娑㈡煕閺冣偓濞叉牞鐏掓繝鐢靛Т濞层倝鎮块鈧弻娑樷槈濡吋鎲奸梺缁樻尵婵兘鎯€椤忓牆绾ч柛顭戝枦閸╃偞绻濋埛鈧崒姘ギ闂佸搫鐭夌紞浣逛繆閻戣棄唯闁挎洍鍋撴繛鍫燁殜濮婃椽宕崟顒佹嫳缂備礁顑嗛崹鍧楀春閵忊剝鍎熼柕濞垮劤閻も偓婵＄偑鍊栫敮鎺楀磹妞嬪孩顫曟慨妞诲亾婵﹦绮粭鐔煎焵椤掆偓宀ｈ儻顦查摶鐐翠繆閵堝懏鍣归柣銈庡枛闇夐柛蹇撳悑缂嶆垹绱掗悩闈涙灈闁诡喗顨呴埥澶娾枍閾忣偄鐏﹂柛鎺戯功閳ь剟娼ч幗婊呭婵傚憡鍊甸柨婵嗛楠炴鐥鈩冪【闂囧绻濇繝鍌氼伀濠⒀冪仛閹便劍绻濋崘鈹夸虎濡ょ姷鍋為崝鏍箚閺冨牊鏅查柛灞句緱濞兼棃姊婚崒娆戭槮闁圭⒈鍋婇幃褍饪伴崼婵堫槶濠殿喗蓱婢у酣宕戦幘缁橆棃婵炴垶鐗曟禒顕€鎮楃憴鍕闁挎洏鍨介妴浣糕枎閹炬潙娈愰梺鍐叉惈閸燁偊鎮欐繝鍌楁斀闁绘ê鐏氶弳鈺佲攽椤旂虎妫庡褎绻堝铏圭矙濞嗘儳鍓遍梺鍦规晶钘壩ｉ幇鏉跨闁归绀侀幃鎴︽⒑缁洖澧查柨鏇楁櫅铻為柛鎰靛枟閳锋垹鐥鐐村櫤闁绘繍浜弻鐔兼偡閻楀牆鏋犻悗娈垮櫘閸嬪﹪鐛Ο鑲╃＜婵☆垳绮鐔兼⒒娴ｈ姤纭堕柛锝忕畵楠炲繘鏁撻敓锟�.闂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘ｅ亾鐎规洦鍨跺畷绋课旀担绯曞亾閸洘鐓曟い鎰Т閸旀岸鏌ｉ幒鎴犱粵闁靛洤瀚伴獮鎺戭吋閸ヨ埖袦濠电姭鎷冪仦鐣屼画缂備胶绮粙鎾寸閿曞倸纾兼慨姗堢到娴滅偓绻濋棃娑卞剰闁藉啰鍠栭弻銊モ槈濡警浠遍梺绋款儐閹瑰洭寮幇顓熷劅闁炽儴灏欓弫鏍⒒娴ｈ銇熼柛妯恒偢椤㈡牗寰勯幇顒冩憰濠电偞鍨堕崺鍐磻閹剧粯鏅查幖瀛樼箘閺佹牠鏌℃担鍝ュⅵ闁诡喗顨呴埢鎾诲垂椤旂晫浜為梻浣告啞椤ㄥ棙绻涙繝鍥ュù锝囩《濡插牊淇婇鐐存暠闁诲骸顭峰娲偡闁箑娈舵繝娈垮櫘閸欏啫顕ｇ粙搴撴瀻闁瑰墽琛ラ幏缁樼箾鏉堝墽鎮奸弸顏堟煙椤旇棄鐏︾紒缁樼箞婵偓闁宠棄鎳撻埀顒佸椤ㄣ儵鎮欑拠褍浼愬銈嗘尭閵堢ǹ鐣烽崼鏇炵厸闁告劦浜濆▓浠嬫⒒閸屾瑧顦﹂柟纰卞亞缁棃寮婚妷銉ь槷闁瑰吋鐣崝宀勬偂濠靛鐓涢柛鎰╁妼閳ь剛鏁诲畷鎴﹀箻閼姐倕绁﹂梺鍓茬厛閸犳牗鎱ㄦ惔鈾€鏀介柍钘夋娴滄繃銇勯妸銉伐闁伙絿鍏樻慨鈧柕鍫濇噽椤斿﹤鈹戞幊閸婃捇鎳楅崼鏇炲偍闁归棿鐒﹂埛鎴︽煕閹炬潙绲诲ù婊€绮欓弻娑氣偓锝庝簻椤忣亪鏌￠崨顓犲煟妞ゃ垺宀搁崺鈧い鎺嗗亾妞ゎ偄绻橀幖鍦喆閸曨偅鐎梻浣瑰缁诲倸螞濞嗘挻鍋熸慨妯垮煐閸婄敻鎮峰▎蹇擃仾缂佸矁娉曠槐鎾愁吋閸曨収妲銈嗘穿缂嶄礁鐣峰⿰鍕闁荤喐澹嗛敍蹇涙⒒娓氣偓濞佳囥偑閸偂绻嗛柛銉㈡櫇閻捇鏌涢幘妤€鎳愰敍婵嬫⒑缁嬫寧婀伴柣鐔村姂椤㈡瑦寰勯幇顓犲幈闁诲函缍嗛崑鍛暦瀹€鍕厸鐎光偓鐎ｎ剛袦濡ょ姷鍋涢澶愬箖濞嗘挸骞㈡俊顖濇娴煎矂姊虹拠鈥虫灍妞ゃ劌锕妴浣割潩鐠鸿櫣鍔﹀銈嗗笒鐎氼剟鎷戦悢鍏肩叆婵犻潧妫欐刊鍏肩箾鐏忔牗娅婇柡宀嬬秮楠炴﹢宕樺顔煎Ψ闂備浇顕х换鎰涘▎鎴炲床婵炴垯鍨洪弲鏌ユ煕濞戝崬鏋熼柟顔界懇濮婃椽骞愭惔銏狀槱婵炲瓨绮犳禍顏堝箖娴兼惌鏁婇柣锝呯灱閹虫繈姊洪柅鐐茶嫰婢у鈧鍣崑濠囩嵁濡偐纾兼俊顖滅帛椤忕喖姊绘担鑺ョ《闁革綇绠撻獮蹇涙晸閿燂拷,闂傚倸鍊搁崐鎼佸磹妞嬪海鐭嗗〒姘ｅ亾妤犵偛顦甸弫鎾绘偐閸愯弓鐢绘俊鐐€栭悧婊堝磻濞戙垹鍨傞柛宀€鍋為悡鏇熴亜椤撶喎鐏ュù婊呭仦閵囧嫰鍩￠崘銊ュ箣闂佸搫鏈惄顖炪€侀弴銏″亹闁肩⒈鍏涢幃锝夋⒑鐠囨煡顎楅柣蹇斿哺閹繝鏁撻悩鑼舵憰闂侀潧艌閺呮粓宕戦崱娑欑厱閻忕偛澧介埥澶嬨亜韫囥儲瀚�闂傚倸鍊搁崐宄懊归崶顒夋晪鐟滃繘鍩€椤掍胶鈻撻柡鍛Т閻ｅ嘲螣閼姐倗鐦堝┑顔斤供閸樻悂骞愰崘顔解拺闁告稑锕ユ径鍕煕鐎ｎ偅宕岄柟铏崌瀹曠ǹ螖娴ｅ搫寮伴梻濠庡亜濞村嫮寰婇懞銉ь洸闁哄稁鐏愰悷鎵冲牚闁告洦鍘鹃悡鈧梺鍓х帛閻楃娀寮婚妸銉㈡斀闁糕剝锚濞咃綁姊洪崫鍕棤闁稿鍊濆濠氬Ω閵夈垺顫嶉梺鎯ф禋閸嬪嫰顢旈敓锟�濠电姷鏁告慨鐑藉极閹间礁纾绘繛鎴欏灪閸嬨倝鏌曟繛褍鍟悘濠囨倵閸忓浜鹃梺鍛婃处閸撴瑦绂嶉柆宥嗏拺闁告稑锕ｇ欢閬嶆煕閻樺啿鍝洪柕鍡楁嚇瀵濡烽敂鎯у箥闂備胶绮崹鍫曟晝閳轰讲鏋旈柡鍐ㄥ€荤壕濂告煃瑜滈崜鐔风暦閸楃偐妲堟繛鍡樺灥楠炴绻濈喊妯活潑闁搞劎鏁诲畷鎴﹀箛椤旇姤娈板┑鐐村灟閸ㄦ椽鎮￠悢鍝ョ瘈闁割煈鍋呯亸浼存倵濮樼偓瀚�.