快速增强Exemplar-Based集群不完整的脑电图信号

文摘

癫痫的诊断和治疗是机器学习和大脑科学一个重要方向。本文新提出了一种快速增强exemplar-based集群(进行)不完整的EEG信号的方法。算法首先压缩潜在的范例中,减少了成对相似性矩阵。通过处理第一阶段中最完整的数据,然后进行扩展了一些不完整的数据成列表范例。将建造新的压缩相似性矩阵,这个矩阵的规模大大减少。最后,增强新目标函数进行优化 - - - - - -扩展方法。另一方面,由于两两之间的关系,进行也提高了该算法的泛化。相比其他exemplar-based模型,提出了聚类算法的性能是全面验证了实验在两个数据集。

1。介绍

癫痫是一种常见的神经系统疾病,它的特征是突然大脑功能障碍。虽然有许多其他神经成像模式识别的大脑活动,脑电图信号具有较高的时间分辨率是毫秒级,收购设备廉价、便携、非侵入性。如今,大多数癫痫的诊断是基于临床经验和脑电图(EEG)信号的分析。与人工诊断方法相比,机器学习方法耗时少,更加一致(1- - - - - -6]。具体地说,许多机器学习方法,如支持向量学习(7,8),Takagi-Sugeno-Kang(啧啧)模糊系统(9,10),和朴素贝叶斯11应用了。

我们知道大脑活动是一个非线性、不稳定的复杂网络系统,脑电图信号我们通常是复杂的。也就是说,有些EEG信号完整而其他人可能错过一些特性,即不完整。因此,癫痫基于机器学习模型的识别将根据经验与临床诊断相比更有前途。此外,脑电图信号高维的特点和特性转化限制大多数现有的聚类模型的性能,如k - means (11)和模糊c均值(fcm) (12]。k - means和fcm聚类模型需要提前预设数量的集群。更具体地说,k - means模型的性能依赖于数据的初始化,而fcm模型需要很高的可解释性。因此,我们关注exemplar-based集群模式13本文提出的弗雷)。exemplar-based聚类模型具有自动获取集群数量,效率高,不依赖于数据的初始化。

总之,我们考虑EEG信号的场景组成的最完整的数据和一些不完整的数据,如图1。基于以前的工作对癫痫的识别信号,我们提出一种新颖的快速增强exemplar-based集群(进行)模型不完整的脑电图信号。如图1从现有exemplar-based,不同的聚类模型,进行压缩范例列表和减少了成对相似性矩阵,然后进行优化目标模型的增强 - - - - - -扩张行动框架。此外,本文的贡献可以突出显示如下:(1)我们扩展现有exemplar-based聚类算法在快速压缩版本的范例列表在这项研究的潜力。进行压缩的原型通过处理第一阶段中最完整的数据,扩展了一些不完整的数据列表范例。因此,进行降低的复杂性。(2)随着大多数现有exemplar-based聚类模型,进行基于成对相似性矩阵的数据。因此,压缩后,进行构造一个新的减少相似度矩阵,提高了算法的泛化。(3)此外,本文还考虑削减的图(14)基于优化执行比愚蠢的信念传播(LBP) (15)基础结构。所以,提出进行算法优化目标模型的增强 - - - - - -扩张行动框架(16,17]。(4)真实数据集的实验结果合成和指示承诺提出进行算法的效率。

本文的其余部分列出如下。节2,我们介绍一些静态exemplar-based聚类模型。部分3论述了提出进行算法一步一步。节4我们分析实验结果,并进行的比较和其他现有方法。部分5总结整个论文。

2。背景

因为脑电图信号特征提取方法和exemplar-based聚类模型是两个重要的支撑理论进行模型在这项研究中,我们将简要介绍几种特征提取方法和exemplar-based聚类模型在这一节中。

2.1。特征提取方法

原始的脑电图信号维数高的特点,特性转化和非线性。它将计算非常昂贵的从原始EEG信号中提取特征;如今,许多已经提出的特征提取方法处理这个问题。总而言之,有三种类别,即。,t我me-domain features, frequency-domain features, and time-frequency features.

更具体地说,在时域分析中,统计数据的组件特性的原始脑电图信号将被分析18]。在频域分析、功率谱分析、短时傅里叶变换(STFT) [19,20.)是常用的。同时在时频分析中,时间和频域提取非平稳的脑电图信号。小波和其他改进版本(21,22)广泛应用于脑电图信号处理。本文我们利用KPCA提取特征。

2.2。Exemplar-Based聚类模型

Exemplar-based集群模型选择集群中心,即原型,从现有的实际数据。我们关注exemplar-based本文聚类模型并简要介绍亲和力传播(美联社)(13)和增强 - - - - - -扩张举措(EEM) [17在这一节中。为不同的场景和几个扩展版本如表所示1。exemplar-based集群模型定义的目标因数等于能量函数的最小化问题的马尔可夫随机场(MRF)。现有的两个优化应对策略是利用进化成美联社和EEM相应的框架。此外,呆头呆脑的信念传播(LBP) (23在美联社)使用,而图削减技术(15)用于额,分别。

2.2.1。亲和力传播

美联社基于数据点之间的消息传递,及其目标函数定义如下: 在哪里 在哪里 是一个输入数据集和N的总数吗D维数据点。这个框架的输出,元素对于每一个被称为范例 。

据美联社报道,每个点接收可用性信息 并将责任 消息同时,定义如下: 在哪里年代是数据点的相似矩阵的定义是 。与此同时, 在哪里在这个框架命名为偏好。此外,其价值应该是独立的,可以设置为一个常数。

美联社不需要预先调整集群的数量和性能是稳定的。考虑这些优势,提出了很多的扩展版本AP (24,25]。具体地说,美联社定义衰减因子来调整迭代速度;改编电影(24提出了确定这衰落因子自适应。此外,提出了几种扩展的版本AP方法处理大型数据和链接的约束。例如,IAPKM IAPNA, IAPC [26,27采用增量策略和semisupervised美联社和SSAP [28)集中在实例级约束。美联社的两级快速版本(FAP) [29日)也提出了改进效率。然而,尽管美联社已经获得成功在各种应用程序中,当我们试图直接应用AP不完整的EEG信号,性能不理想。

2.2.2。增强 - - - - - -扩张举措

2014年,郑和陈17)利用增强 - - - - - -扩张行动框架优化exemplar-based聚类模型的目标函数和相应的提出了EEM聚类模型。符合上面的数学符号,似乎被定义的目标函数如下: 在哪里

的(17), - - - - - -扩张移动算法已被证明是有效的优化目标函数方程(5)。具体地说,当 ,方程(7验证)。此外,根据图论的快 - - - - - -扩张算法,扩展范围是有限的一个范例。打破这个极限,额模型范围扩大到整个范例当优化并定义第二个范例对于每个点如下: 在哪里 数据集其中范例是吗和 代表其他范本除了 。

的聚类模型是一个先进的成就甚麽exemplar-based聚类模型和已被证明是有效的和有效的许多场景(16,17,30.]。IEEM [30.)提出了处理链接嵌入约束项约束的目标函数。对于动态数据流,Bi和王16DSC)提出了增量EEM版本流程数据块的块。然而,对于不完整的EEG信号,这些方法不会识别癫痫。

3所示。快速增强Exemplar-Based聚类模型

在本节中,提出了进行模型表示,从理论上详细分析了。我们第一次压缩范例列表和减少成对相似性矩阵,然后由增强目标模型进行了优化 - - - - - -扩张行动框架。

3.1。框架

如引言部分中所述,我们关注的不完整的脑电图信号由最完整的数据和一些不完整的数据。改善的效率EEM聚类模型对这些不完整的EEG信号,提出了进行框架包括两个阶段,即压缩阶段和优化阶段。如图2压缩,压缩阶段潜在的范例列表和优化阶段决定了潜在的范例列表的最佳范本。因此,目标函数可以定义如下: 在哪里 是输入数据集组成的最完整的数据 和一些不完整的数据 。数据被定义为的总数 ,在哪里和分别是完整和不完整的数据的数量。记住,我们只考虑的场景在这项研究中。第二项的方程(9范例列表)担保的有效性;它的定义是相似的在方程(2)。最后, 代表了范例中设置的问题。

在压缩阶段,潜在范例列表的数量将减少exemplar-based选择算法,即EEM方法在本研究中。具体而言,我们应用EEM模型最完整的数据来获取这些数据的潜在的范本。进行也把一些不完整的数据到这个潜在的范例列表,然后构造压缩相似矩阵。因此,在压缩之后,只有两两之间的相似性数据和潜在的原型将被保留下来。考虑到进行的方法是建立在成对相似性矩阵,下面的聚类过程会被应用在这个压缩相似矩阵。此外,相似矩阵的规模减少来 ,在哪里和分别数据的数量和潜在的范本。

在优化阶段,只有数据之间的相似关系和潜在的范本。压缩后的新的目标函数类似于其他exemplar-based聚类模型,如方程(1)和(5),所以我们考虑削减图表和枸杞多糖。然而,图削减基础优化框架优于枸杞多糖结构(31日]。所以,提出进行利用 - - - - - -扩张转移方法优化新的目标函数。此外,还有甚麽,也进行膨胀扩张空间从一个单一的数据移动到第二个最佳范例。

3.2。压缩阶段

在压缩阶段,完成数据的目标函数可以定义如下: 在哪里 是完整的D维数据和是这些数据的数量。是最完整的潜在范例列表数据,和之间的元素对于每一个被称为潜在的范例 。其他exemplar-based聚类模型的优化框架,像看起来一样,可以用来解决方程(10)。在本文中,我们选择削减图算法而不是消息传递算法压缩潜在的范例。因此,潜在的范例为完整的数据列表可以确定,许多潜在的原型被定义为 。

潜在的范例列表后压缩阶段 在哪里范例是一些不完整的数据集,这实际上是不完整的数据本身。也就是说, 。

在这个阶段,我们减少了许多潜在的范本来 。的分析(13,17,30.),这一阶段的时间复杂度 。相比之下,时间复杂度 ,如果我们应用exemplar-based集群模型直接考虑这一事实 ,这个压缩算法的时间复杂度是可以接受的。

因此,压缩后的新范例列表的基础上,我们可以构建新的相似性矩阵 ;元素与距离有关,即 。相似矩阵的规模减少来 ,在哪里代表了许多潜在的范本。

3.3。优化阶段

压缩后,我们定义的新的目标函数如下: 在哪里压缩后是新的相似矩阵构造。

在本节中,我们建立一个优化的框架方程(12)。第二项的方程(12)设置为担保的有效性列表范例;为了利用图削减方法为基础,这一项应该成对[17]。所以,被修改为 。此外,类似于方程(5),我们定义如下:

事实证明,的定义 ,方程(12)可以优化提高 - - - - - -展开法(30.]。提高框架的效率,这种方法扩大扩大移动到第二个最佳范例。

在优化之前,我们解释一些符号。首先,我们定义这些数据与范例和当前潜在的范例。然后,增强 - - - - - -扩张行动方法认为第二个最佳范例,它被定义为 在哪里 是潜在的范例除了列表吗 。

显然,这种优化方法应该考虑两种情况,即在范例列表,如图3和4。具体而言,图3说明了情况是一个范例,而图4显示时的情况不是一个范例。记住,只有当是一个潜在的范例,的工作原理。我们利用“能量减少”的概念,因为这种方法最初是用于优化马尔可夫随机场(MRF)能量函数。

在情况如图3,要么改变它的范例或者没有什么改变。因此,能量减少将被定义为 在哪里是能量减少什么时候改变它的范例和被定义为

另一方面,如图4,一个新的范例应该考虑。是否接受新的范例是决定的能量减少 ,接下来将讨论。首先,我们假设一个新的范例被接受。事实上,以下过程类似于图中所示3。特别,其余数据将改变它的范例或 。数据集群 ,理论分析证明只有当范例改变其范例,将改变其范例 。在这种情况下,能源减少定义如下:

否则,一些数据在集群可能会改变他们的范例 ;我们定义这些数据 ,和相应的能量减少定义在以下方程:

然后,能量减少定义如下:

总之,新的目标函数方程(12)是优化,最佳范例EEG信号生成的列表。

3.4。时间复杂度和描述

相似关系之间的欧几里得距离可以测量数据,定义为 在这项研究中。该算法进行包括两个阶段,即压缩阶段和优化阶段。压缩后,相似矩阵的规模减少来 ,所以优化阶段的时间复杂度 。因此,进行相当有前途的复杂性。

在上述理论分析的基础上,提出了不完整的数据进行可以概括为算法1。

4所示。实验研究

算法进行全面评估,我们进行了几个实验基于合成和真实的数据集。我们还把我们的新模型与基本exemplar-based聚类模型,也就是说,美联社和额;这些实验结果显示,我们在本节选择四个性能指标。在我们的实验中,所有的算法都使用2010 a实现Matlab与64位微软的Windows PC 10,英特尔(R) (TM)核心i7 - 4712 mq和8 GB内存。

4.1。数据准备

我们选择聚合(32),如图5波恩,脑电图信号数据集在这一节中。波恩数据集(9,10德国波恩大学的,(http://epileptologie-bonn.de/cms/upload/workgroup/lehnertz/eegdata.html)。脑电图数据集包含五组(A到E,每组包含100单通道脑电图段23.6秒的时间。所有的数据集的抽样率是173.6赫兹。图6显示五个健康和癫痫EEG信号,表2列表详细描述这些信号。表3显示了这些数据集的简要描述。构建不完整的数据的场景中,我们随机选择数据,完成数据80%,剩下的20%不完整的数据。我们利用KPCA提取特征从脑电图信号在这一节中。

4.2。性能指标

在这里,我们给的定义三个性能指标采用能量,敝中断和准确性。的描述(12,16,30.,33,34),我们称这些涉及到模型的输出结果作为集群和真正的标签类。

4.2.1。准备能源

因为所有的提到的聚类算法进行了优化,分别由相同类型的能量函数,我们可以比较他们的精力值,定义如下: 在哪里表示k范例,是我th数据kth集群, 之间的欧几里得距离吗和可视为一个测量的能量。

4.2.2。敝中断

敝中断已被广泛用于评估聚类质量,和它的价值可以由以下公式计算: 在哪里集群如何类,数据点的数量吗我th集群,数据的数量吗jth类,N数据点的总数。

4.2.3。精度

精度是一个更直接的测量来反映聚类算法的有效性,这被定义为 在哪里是真正的数据和标签是获得聚类标签。 ,如果 ; ,否则。函数地图每个集群获得真正的类,优化映射函数可以在匈牙利算法。

敝中断和Acc范围的值从0到1,越接近1,更有效的聚类算法。值得提及的是,我们把%以下相关表中显示更好的精度。性能指标的能量,值越小,更好的聚类算法。

4.3。实验结果和讨论

涉及的参数FAP,美联社,EEM符合(13,17,29日]。首选项 将中间值数据之间的相似之处。我们运行每个算法在相同的参数下10分;平均结果如表所示4。此外,上述3方面的详细比较,敝中断,准确性,和能量,如图7- - - - - -12和表4,分别。

通过分析数据7- - - - - -11和表4在细节中,我们可以得出以下几点:(1)该算法进行集群数据完整的数据为80%和20%的不完整的数据,并在大多数情况下,性能非常令人信服。具体来说,聚合和癫痫EEG信号,进行执行最好,敝中断,准确性,和精力。(2)计算时间,与额相比,进行花费更少的时间。因此,压缩阶段的协助下,进行的时间复杂度有所降低,效率也提高了。并进行等效计算时间与FAP。比较其他标准进行FAP,值得花更多的时间。(3)建议进行不需要更多的参数除了偏好,而FAP的性能很大程度上依赖k,决定了最近的范本。因此,在本节中,相关数据集进行会获得满意的聚类结果。

5。结论

癫痫的诊断和治疗一直是一个重要的方向对机器学习和大脑科学。本文新提出了一种快速exemplar-based聚类方法对不完整的脑电图信号。进行方法包括两个阶段,即压缩和优化。提出了聚类算法的性能是全面验证了实验在两个数据集。

尽管大多数癫痫的识别方法,基于EEG信号,研究人员还必须学习其他神经成像模式,如皮层脑电图(ECoG)功能红外光学成像(fNIR),功能性磁共振成像(fMRI),正电子发射断层扫描(PET)和脑磁图描记术(MEG)。考虑到大脑活动是一个非线性的、网络化的、不稳定的复杂的系统,我们将专注于这些影像形态的多模式聚类模型。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究在2018年自然科学基金支持下的江苏高等教育机构批准号18 kjb5200001,江苏省自然科学基金批准号下BK20161268,人文和社会科学的基础下教育部批准号18 yjczh229。

引用

1. j·h·高h .苗族l . Liu Kai,和k .赵”自动定量验证基于服务的系统设计:可视化转换工具的角度来看,“软件工程和知识工程的国际期刊,28卷,不。10日,1369 - 1397年,2018页。视图:出版商的网站|谷歌学术搜索
2. h·高、w·黄和x,“应用概率模型检测在智能交通系统中路径规划使用移动轨迹及其统计数据,”智能自动化和软计算,25卷,不。第三条ID 5478 c559, 2019。视图:出版商的网站|谷歌学术搜索
3. h .高,黄w . x, y段,和y阴,“向服务选择工作流重新配置:一个基于接口的计算解决方案,“未来一代计算机系统卷,87年,第311 - 298页,2018年。视图:出版商的网站|谷歌学术搜索
4. 段h .高,黄w . y . et al .,“成本驱动服务组合在一个不确定的环境下,研究”互联网技术杂志》,20卷,不。3、755 - 769年,2019页。视图:谷歌学术搜索
5. l . Wang k c . l . Wong h, h . Liu和p .史,“非侵入式计算成像三维心脏电生理学的梗塞,”IEEE生物医学工程,卷。58岁的没有。4、1033 - 1043年,2011页。视图:出版商的网站|谷歌学术搜索
6. y夏,h·张,徐l . et al .,“自动心律失常分类系统与可穿戴的心电图,”IEEE访问》第六卷,第16538 - 16529页,2018年。视图:出版商的网站|谷歌学术搜索
7. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:谷歌学术搜索
8. 彭y和b . l . Lu,“基于免疫克隆算法的特征选择癫痫EEG信号分类,”学报2012年11日信息科学国际会议上,信号处理及其应用(ISSPA)2012年7月,蒙特利尔,魁北克,加拿大。视图:出版商的网站|谷歌学术搜索
9. 江y·d·吴z,邓et al .,“癫痫分类使用转移学习,从脑电图信号semi-supervised学习和TSK模糊系统,”IEEE神经系统和康复工程,25卷,不。12日,第2284 - 2270页,2017年。视图:出版商的网站|谷歌学术搜索
10. 江z, F.-L。钟,王,“识别多级癫痫EEG信号的基于知识和标签空间归纳转移,”IEEE神经系统和康复工程,27卷,不。4、630 - 642年,2019页。视图:出版商的网站|谷歌学术搜索
11. z Iscan、z . Dokur和t . Demiralp”分类脑电图信号的时间和频率特性相结合,“专家系统与应用程序,38卷,不。8,10499 - 10505年,2011页。视图:出版商的网站|谷歌学术搜索
12. 江y, f -。钟,s . Wang z邓,j . Wang和P钱,“协作从多个加权模糊聚类视图,”IEEE控制论,45卷,不。4、688 - 701年,2015页。视图:出版商的网站|谷歌学术搜索
13. b·j·弗雷和d . Dueck集群数据点之间通过传递消息。”科学,卷315,不。5814年,第976 - 972页,2017年。视图:出版商的网站|谷歌学术搜索
14. 诉柯尔莫哥洛夫和c·洛特,”比较的能量最小化算法高度连接图,”第九届欧洲计算机视觉学报》(大会)格拉茨,卷。3952年,奥地利,2006年5月。视图:谷歌学术搜索
15. m . f .她和w·t·弗里曼的比较图削减与信念为立体传播,使用相同的磁流变液参数”《第九IEEE计算机视觉国际会议不错,页900 - 906年,法国,2003年10月。视图:出版商的网站|谷歌学术搜索
16. a Bi和s . Wang“渐进式增强α扩张对大数据:概率规则化的角度来看,“国际期刊的机器学习和控制论,8卷,不。5,1615 - 1631年,2016页。视图:出版商的网站|谷歌学术搜索
17. y郑陈平,“基于增强集群α扩张的举动。”IEEE工程知识和数据,25卷,不。10日,2206 - 2216年,2013页。视图:出版商的网站|谷歌学术搜索
18. b·r·格林福尔,w . Marnane g . Lightbody Korotchikova,和g . Boylan”比较定量脑电图特征进行新生儿癫痫检测”临床神经生理学,卷119,不。6,1248 - 1261年,2008页。视图:出版商的网站|谷歌学术搜索
19. c·w·n·f·c·w·Fadzal w . Mansor l . y . Khuan和a . Zabidi“短时傅里叶变换分析EEG信号从写作”《2012年IEEE 8日国际讨论会对信号处理及其应用2012年3月,马来西亚马六甲。视图:出版商的网站|谷歌学术搜索
20. e·a·维瓦尔第和a .低音部”,频域分析睡眠脑电图的可视化检测和自动状态,”IEEE工程学报2006年国际会议在医学和生物学的社会美国,纽约,纽约,2006年9月。视图:出版商的网站|谷歌学术搜索
21. d . Hu w·李,陈x”运动图像的特征提取基于eeg信号小波包分解,”学报2011年IEEE / ICME复杂的医学工程国际会议哈尔滨,页694 - 697年,中国,2011年5月。视图:出版商的网站|谷歌学术搜索
22. >,h .川端康成和z .问:刘,“使用快速小波变换,脑电图分析”SMC学报》2000会议论文集:2000 IEEE国际会议系统,人与控制论美国纳什维尔,TN, 2000年10月。视图:出版商的网站|谷歌学术搜索
23. k·墨菲,y . Weiss, m .乔丹,“愚蠢的信念传播近似推理:一个实证研究,”美国15日会议上的不确定性人工智能美国贝尔维尤,佤邦,2013年8月。视图:谷歌学术搜索
24. k . WangJ。张,李,张x,和t .郭“传播聚类自适应亲和力,”2008年,https://arxiv.org/abs/0805.1096。视图:谷歌学术搜索
25. j . Vlasblom和s . j . Wodak马尔可夫聚类与亲和力传播分区的蛋白质交互图,“10卷,没有。1,第100 - 99页,2009。视图:出版商的网站|谷歌学术搜索
26. x Mishra, r·关l . Wang z裴,梁和y,“增量亲和力传播文本聚类算法及其应用,”《2009国际神经网络联合会议,页2914 - 2919年,亚特兰大,乔治亚州,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
27. l .太阳和c .郭“增量亲和力传播集群基于消息传递”,IEEE工程知识和数据,26卷,不。11日,第2744 - 2731页,2014年。视图:出版商的网站|谷歌学术搜索
28. 即Givoni和b·弗雷Semi-supervised亲和力传播实例级限制,”《机器学习Research-Proceedings轨道5卷,第168 - 161页,2009年。视图:谷歌学术搜索
29. l .太阳、郭c, c . Liu和h .熊”快速亲和力传播集群基于不完整的相似矩阵,”知识和信息系统,51卷,不。3、941 - 963年,2017页。视图:出版商的网站|谷歌学术搜索
30. a Bi,钟,s . Wang y江,黄和c,”贝叶斯增强α与松散连接约束扩展移动集群”,Neurocomputing卷,194年,第300 - 288页,2016年。视图:出版商的网站|谷歌学术搜索
31. s·a·迈尔逊n . Mishra r . Motwani l·奥卡拉汉,“聚类数据流:理论与实践》IEEE工程知识和数据,15卷,不。3、515 - 528年,2003页。视图:出版商的网站|谷歌学术搜索
32. a . Gionis h . Mannila, p . Tsaparas“集群聚合”ACM交易数据的知识发现,1卷,不。1、p。4、2007。视图:出版商的网站|谷歌学术搜索
33. 江y, z邓,F.-L。钟et al .,“识别癫痫EEG信号的使用一种新颖的多视图TSK模糊系统,”IEEE模糊系统,25卷,不。1,3,2017页。视图:出版商的网站|谷歌学术搜索
34. 江y, F.-L。钟,h . Ishibuchi z邓,王,“多任务TSK模糊系统建模通过挖掘任务间常见的隐藏的结构,“IEEE控制论,45卷,不。3、548 - 561年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020,Bi et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。