許婷

摘要：在無處不在的物聯(lián)網(wǎng)和人工智能快速發(fā)展的時(shí)代，尤其是AI技術(shù)在醫(yī)療產(chǎn)品領(lǐng)域占比逐步擴(kuò)大化，如何根據(jù)糖尿病患者健康狀況使用智能化醫(yī)療電子產(chǎn)品進(jìn)行快速、有效、智能地預(yù)測(cè)血糖數(shù)值未來走勢(shì)及時(shí)發(fā)現(xiàn)病危狀況，這是當(dāng)前傳感器AI需要攻克的一大難題。因此，文章提出了一種基于Edge-AI技術(shù)的無創(chuàng)血糖健康智能預(yù)測(cè)系統(tǒng)。它通過將AI與邊緣計(jì)算的無縫結(jié)合，使得人類血糖數(shù)據(jù)的預(yù)測(cè)功能更強(qiáng)、使用更方便、安全可靠性也更高效。這種智能便捷式的健康檢測(cè)裝置，其快速檢測(cè)裝置包括唾液采集裝置、葡萄糖快速檢測(cè)裝置；其唾液采集裝置包括唾液采集口、過濾網(wǎng)、存儲(chǔ)腔、出口腔、唾液檢測(cè)口；其葡萄糖快速檢測(cè)裝置包括處理器、唾液葡萄糖傳感器、顯示屏、外部存儲(chǔ)器、按鍵模塊。此智監(jiān)測(cè)系統(tǒng)能夠根據(jù)糖尿病患者健康狀況進(jìn)行快速、有效、智能地預(yù)測(cè)血糖數(shù)值未來走勢(shì)及時(shí)發(fā)現(xiàn)病危狀況。為醫(yī)療衛(wèi)生的健康預(yù)測(cè)方面提供了強(qiáng)有力的技術(shù)支撐。

關(guān)鍵詞：智能預(yù)測(cè)；邊緣設(shè)備；血糖值；檢測(cè)裝置

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）32-0106-03

1 概述

隨著高科技應(yīng)用智能化產(chǎn)品的用戶數(shù)量不斷攀升，尤其是AI技術(shù)在醫(yī)療產(chǎn)品領(lǐng)域占比逐步擴(kuò)大化。已經(jīng)應(yīng)用于實(shí)際中血糖檢測(cè)儀分別有普通家用血壓儀、離子色譜血糖儀、電化學(xué)血糖儀等，而所用的智能化醫(yī)療電子產(chǎn)品存在著缺陷，只利用當(dāng)前檢測(cè)得到的數(shù)據(jù)來進(jìn)行健康狀況的查看，無法根據(jù)當(dāng)前數(shù)據(jù)來精準(zhǔn)智能預(yù)測(cè)人類血糖的未來健康數(shù)據(jù)的趨勢(shì)特征。針對(duì)當(dāng)今面向未來“無處不在智能”的需求，特別是降低處理延遲，降低系統(tǒng)的處理負(fù)載，解決數(shù)據(jù)傳輸?shù)难舆t問題，需要將智能顯示裝置和邊緣設(shè)備與無線接入點(diǎn)（AP）和基站（BS）的邊緣服務(wù)器之間的密切合作，提出的邊緣計(jì)算和人工智能融合的Edge-AI新理論與新技術(shù)， 成為當(dāng)前攻克預(yù)測(cè)有效健康數(shù)據(jù)的關(guān)鍵要素。針對(duì)這個(gè)問題，本文提出了一種基于Edge-AI技術(shù)的無創(chuàng)血糖健康智能預(yù)測(cè)系統(tǒng)。它通過將AI與邊緣計(jì)算的無縫結(jié)合，使得人類血糖數(shù)據(jù)的預(yù)測(cè)功能更強(qiáng)、使用更方便、安全可靠性也更高。仿真實(shí)驗(yàn)結(jié)果表明，本文算法在根據(jù)當(dāng)前采樣數(shù)據(jù)值預(yù)測(cè)血糖走勢(shì)時(shí)，有明顯效果。

2 國(guó)內(nèi)外研究現(xiàn)狀

由于目前糖尿病患者的數(shù)量日益增多，血糖檢測(cè)及預(yù)測(cè)越來越受到各國(guó)醫(yī)療界關(guān)注的熱點(diǎn)。隨著人工智能時(shí)代的到來，以及智能電子產(chǎn)品的風(fēng)靡普及，國(guó)內(nèi)外學(xué)者在此研究領(lǐng)域都進(jìn)行了創(chuàng)新以及改進(jìn)，國(guó)內(nèi)外研究現(xiàn)狀和發(fā)展趨勢(shì)，其研究現(xiàn)狀分析具體如下內(nèi)容所示。

2.1 數(shù)據(jù)變化的穩(wěn)定性

國(guó)外研究者Kamruzzaman[1]采用基于最小二乘法AR模型在血糖預(yù)測(cè)中的研究，該研究采用動(dòng)態(tài)血糖檢測(cè)系統(tǒng)對(duì)患者進(jìn)行24小時(shí)監(jiān)測(cè)，并記錄血糖波動(dòng)的相關(guān)數(shù)據(jù)變化，但只能僅限于根據(jù)血糖數(shù)據(jù)的變化趨勢(shì)提前預(yù)測(cè)下一節(jié)點(diǎn)的血糖值，進(jìn)而讓血糖變得不平穩(wěn)，血糖可能不在安全控制的范圍內(nèi)，因此會(huì)降低該功能的性能。

2.2 數(shù)據(jù)驅(qū)動(dòng)的誤差行

國(guó)外研究者M(jìn). H. Lee、M. M. Kim.提出了一種采用數(shù)據(jù)驅(qū)動(dòng)的血糖預(yù)測(cè)方法，采用現(xiàn)行回歸模型，實(shí)際血糖值并不滿足，這樣算法算出來的預(yù)測(cè)值就不是最優(yōu)的數(shù)值了，同時(shí)被假設(shè)的那部分信息也被忽略了，檢測(cè)人體所有生理參數(shù)包括血糖在內(nèi)的歷史動(dòng)態(tài)數(shù)據(jù)，并計(jì)算誤差行，只是簡(jiǎn)單地用模型預(yù)測(cè)下，方法較粗糙，導(dǎo)致了信息的浪費(fèi)，不適用于實(shí)際生活中。

2.3 異常數(shù)據(jù)的精度性

國(guó)內(nèi)研究者李孟澤、季忠等人[2]設(shè)計(jì)研制出一種基于非線性自回歸神經(jīng)網(wǎng)絡(luò)和雙波長(zhǎng)的無創(chuàng)血糖檢測(cè)方法，使用克拉克誤差網(wǎng)格分析，存在異常數(shù)據(jù)對(duì)模型的不良影響，使得分析結(jié)果未達(dá)到使用的預(yù)測(cè)精度，其預(yù)測(cè)算法存在預(yù)測(cè)精度和預(yù)測(cè)延遲的兩個(gè)問題，算法不能同時(shí)滿足這兩點(diǎn)，沒有一個(gè)普遍的實(shí)用性算法來解決存在的問題。

綜上所述可知， 關(guān)于血糖快速智能預(yù)測(cè)的系統(tǒng)已經(jīng)成為當(dāng)今研究熱點(diǎn)，但是針對(duì)預(yù)測(cè)的精準(zhǔn)度、實(shí)時(shí)性、穩(wěn)定性、便捷性等存在一定的局限性?，F(xiàn)如今關(guān)于該預(yù)測(cè)系統(tǒng)的技術(shù)方面都沒有很好地利用到人工智能、機(jī)器學(xué)習(xí)以及高效的算法等方面改進(jìn)系統(tǒng)的性能。單片機(jī)越來越強(qiáng)大的性能和越來越低的功耗使得復(fù)雜算法在邊緣的部署成為現(xiàn)實(shí)，另一方面，是算法的發(fā)展在合理的準(zhǔn)確度損失下需求的算力越來越小。單片機(jī)AI通過將人工智能模型的推理和訓(xùn)練過程推到邊緣節(jié)點(diǎn)，因此采用Edge-AI技術(shù)可提高該類系統(tǒng)算法預(yù)測(cè)的高效率。

3 基于Edge-AI的無創(chuàng)血糖預(yù)測(cè)技術(shù)

3.1 研究開發(fā)背景

大多數(shù)計(jì)算密集型任務(wù)都在邊緣設(shè)備之外執(zhí)行，邊緣設(shè)備最初是為了過濾數(shù)據(jù)并將其傳輸?shù)皆贫硕鴦?chuàng)建的，本文在邊緣設(shè)備和云之間創(chuàng)建了一些代理層。其中數(shù)據(jù)、計(jì)算、存儲(chǔ)和應(yīng)用程序分布在數(shù)據(jù)源和云之間的邏輯高效位置，該層由一組靠近數(shù)據(jù)源的計(jì)算節(jié)點(diǎn)創(chuàng)建。這種架構(gòu)提高了隱私和安全性，并降低了從邊緣傳輸數(shù)據(jù)的成本。此外，由于減少了計(jì)算節(jié)點(diǎn)和數(shù)據(jù)源之間距離，數(shù)據(jù)所有者可實(shí)現(xiàn)更低的處理延遲。EI數(shù)據(jù)流如圖1所示，邊緣生成的數(shù)據(jù)來自不同來源，如當(dāng)前采集的血糖值等，分為三個(gè)數(shù)據(jù)流：

1）首先是上傳數(shù)據(jù)到云端，基于訓(xùn)練關(guān)于多源數(shù)據(jù)。模型訓(xùn)練完成后，云端會(huì)根據(jù)邊緣數(shù)據(jù)進(jìn)行推理，并將結(jié)果發(fā)送到邊緣。這種數(shù)據(jù)流廣泛用于傳統(tǒng)的機(jī)器智能。

2）其次是直接在邊緣執(zhí)行推理。邊緣生成的數(shù)據(jù)將作為從云端下載的邊緣模型的輸入。邊緣將根據(jù)輸入進(jìn)行推理并輸出結(jié)果。這是當(dāng)前的 EI 數(shù)據(jù)流。

3）第三是在本地進(jìn)行邊緣培訓(xùn)。通過利用遷移學(xué)習(xí)，這些數(shù)據(jù)將用于在邊緣重新訓(xùn)練模型。重新訓(xùn)練后，邊緣將構(gòu)建個(gè)性化模型，該模型對(duì)邊緣生成的數(shù)據(jù)具有更好的性能。這將是 EI 的未來數(shù)據(jù)流。

3.2 系統(tǒng)模型

1）系統(tǒng)框架

本項(xiàng)目緊緊圍繞運(yùn)用Edge-AI技術(shù)來進(jìn)行血糖預(yù)測(cè)這一研究，通過對(duì)表面等離子波共振技術(shù)與嵌入式技術(shù)相結(jié)合傳感設(shè)備，如圖2，快速檢測(cè)出當(dāng)前實(shí)時(shí)數(shù)據(jù)，接著進(jìn)行Over-Sampling采集數(shù)據(jù)，依據(jù)當(dāng)前傳感器檢測(cè)的實(shí)時(shí)數(shù)據(jù)進(jìn)行模型評(píng)估與選擇方法，然后通過AlexNet模型求取預(yù)測(cè)變量，接著使用EM算法來求期望，達(dá)到局部最優(yōu)解。利用無監(jiān)督具有學(xué)習(xí)能力的Edge-AI技術(shù)方法，從而進(jìn)行信號(hào)分析、特征提取[3]、健康評(píng)估、血糖預(yù)測(cè)、數(shù)據(jù)可視化，讓系統(tǒng)更加智能快速進(jìn)行預(yù)測(cè)人類未來的血糖數(shù)值的走勢(shì)特征，使得在當(dāng)前時(shí)間段內(nèi)實(shí)現(xiàn)更快速、更便捷、更精準(zhǔn)的預(yù)測(cè)效果。從而達(dá)到能直接預(yù)測(cè)出誤差最小的結(jié)果，從而可快速高靈敏預(yù)測(cè)人體血糖值，最終推算出人體內(nèi)的血糖濃度，從而也能夠高效地解決復(fù)雜血糖值的預(yù)測(cè)問題，為患者能預(yù)測(cè)自己病情狀況提供最有效的技術(shù)。

2）能量模型

由于節(jié)點(diǎn)的能量供應(yīng)有限，并且傳輸數(shù)據(jù)的隊(duì)列也將受到限制。這會(huì)導(dǎo)致重要的數(shù)據(jù)包丟失，降低傳感器網(wǎng)絡(luò)的性能，并導(dǎo)致網(wǎng)絡(luò)的擁塞現(xiàn)象?？紤]到這種情況，因此本文中使用發(fā)送、接受業(yè)務(wù)數(shù)據(jù)流能耗模來描述上述問題。公式（1）是傳輸業(yè)務(wù)數(shù)據(jù)流的能耗，公式（2）是接收業(yè)務(wù)數(shù)據(jù)流的能量消耗。下式公式（1）中發(fā)射電路所耗能記作[Ψelec]，網(wǎng)絡(luò)中閾值記作[r0]。[?t，1l，r=lΨelec+lδafsr2? ? ? ? ? ? ? ? ?（ if rr0 ）? ? ? ? ? ? ? ? ? ? （1）]

[?t，r=lΨelec? ? ? ? ? ? ? ? ? ? ? ? ? ]? ? ? ? ? ? ? ? ? [（2） ]

數(shù)據(jù)位數(shù)記[l]，自由空間模型進(jìn)行放大功率的耗能記[?t，1]，多徑衰減模型行放大功率的耗能記[?t，2]，從文獻(xiàn)[4]設(shè)定參數(shù)傳感器節(jié)點(diǎn)內(nèi)部數(shù)據(jù)表如表1所示。

3.3 設(shè)計(jì)方案

1）檢測(cè)設(shè)備裝置

智能便捷式的唾液葡萄糖傳感檢測(cè)裝置，其特征在于：所述的唾液葡萄糖傳感器采用Y型光纖SPR傳感器包括Y型光纖、光纖SPR探頭，還包括報(bào)警裝置（11），所述的報(bào)警裝置（11）采用聲光報(bào)警器，報(bào)警裝置（11）的輸入端與處理器（6）的輸出端連接。所述的唾液檢測(cè)口外部有絲口螺紋，唾液葡萄糖傳感器（7）外部設(shè)置有絲口螺，唾液葡萄糖傳感器（7）通過絲口螺桿和絲口螺與唾液檢測(cè)口連接。

2）關(guān)鍵技術(shù)路線

該系統(tǒng)對(duì)慢性病患者的生命體征時(shí)刻進(jìn)行監(jiān)測(cè)，使用傳感器Edge -TPU采集病患的數(shù)據(jù)，利用Edge邊緣網(wǎng)關(guān)加工分析，使用云構(gòu)建和訓(xùn)練機(jī)器學(xué)習(xí)模型，生成對(duì)抗網(wǎng)絡(luò)GAN，進(jìn)行對(duì)比監(jiān)測(cè)發(fā)現(xiàn)異常并警報(bào)處理，使設(shè)備能夠?qū)碜云鋫鞲衅鞯臄?shù)據(jù)進(jìn)行實(shí)時(shí)操作，上傳到云平臺(tái)管理。

傳感器Edge- TPU采集數(shù)據(jù)：數(shù)據(jù)產(chǎn)生于終端、生產(chǎn)數(shù)據(jù)并執(zhí)行決策。Edge -TPU用在邊緣運(yùn)行TensorFlow-Lite機(jī)器學(xué)習(xí)模型，在邊緣部署高質(zhì)量機(jī)器學(xué)習(xí)推理，以提供在傳感器或網(wǎng)關(guān)設(shè)備中與標(biāo)準(zhǔn)芯片共同處理AI工作。針對(duì)TensorFLow機(jī)器學(xué)習(xí)模型優(yōu)化，就不需要等待遠(yuǎn)程服務(wù)器回應(yīng)，直接在設(shè)備完成。

Edge-AI邊緣網(wǎng)關(guān)加工分析：對(duì)原始數(shù)據(jù)進(jìn)行實(shí)時(shí)加工分析，小規(guī)模局部數(shù)據(jù)輕量處理，小數(shù)據(jù)存儲(chǔ)，數(shù)據(jù)采集與實(shí)時(shí)控制，快速進(jìn)行決策。使用機(jī)器學(xué)習(xí)來發(fā)現(xiàn)異常，建立正常行為的基線，網(wǎng)關(guān)本地完成AI分析計(jì)算，將結(jié)果匯總于云端或通過云端可以監(jiān)視異常情況并發(fā)出警報(bào)。

云邊協(xié)同模式：中心數(shù)據(jù)管理平臺(tái)，大規(guī)模整體數(shù)據(jù)分析，深度學(xué)習(xí)訓(xùn)練，大數(shù)據(jù)存儲(chǔ)，對(duì)分布云節(jié)點(diǎn)進(jìn)行管理?？蓪?shù)據(jù)處理和機(jī)器學(xué)習(xí)功能擴(kuò)展到邊緣設(shè)備，使設(shè)備能夠?qū)碜云鋫鞲衅鞯臄?shù)據(jù)進(jìn)行實(shí)時(shí)操作，并在本地進(jìn)行結(jié)果預(yù)測(cè)，形成“云管理，端計(jì)算”端云一體。

4 實(shí)驗(yàn)與性能對(duì)比

本文采用的傳感網(wǎng)絡(luò)模擬仿真的應(yīng)用平臺(tái)是OMNET++，在相當(dāng)多的探究實(shí)驗(yàn)下得到了多方面的運(yùn)用，其探究實(shí)驗(yàn)過程中使用到的參數(shù)[5]具體設(shè)定為以下所述：實(shí)驗(yàn)中允許最大元組延遲從一組血糖離散值中隨機(jī)選?。?00ms、400ms、2s、3s，內(nèi)存緩存區(qū)大小設(shè)置為100（元組單位），CPU處理周期和緩存區(qū)調(diào)度周期分別設(shè)置為6s、2s，隊(duì)列大小設(shè)定35，占空比初始數(shù)值是0.3，仿真時(shí)間是9s。經(jīng)過測(cè)試，在實(shí)驗(yàn)中性能指標(biāo)的模擬仿真相比，進(jìn)行預(yù)測(cè)血糖趨勢(shì)。

4.1 生命周期

由能量消耗最高的節(jié)點(diǎn)死亡的時(shí)間而結(jié)束，無線傳感器網(wǎng)絡(luò)在運(yùn)行相當(dāng)長(zhǎng)的時(shí)間之后，因網(wǎng)絡(luò)中能量、延遲等因素造成大量節(jié)點(diǎn)過早死亡，使得網(wǎng)絡(luò)陷入停滯癱瘓狀態(tài)而無法進(jìn)行使用的狀態(tài)是網(wǎng)絡(luò)壽命。當(dāng)網(wǎng)絡(luò)死亡后，遠(yuǎn)Sink區(qū)域剩下大量的能量，超過初始能量的90%。在睡眠延遲和能量消耗之間保持平衡是一個(gè)挑戰(zhàn)性的問題。

網(wǎng)絡(luò)延遲具體來說就是一旦無線傳感器網(wǎng)絡(luò)正式運(yùn)行直到任何一節(jié)點(diǎn)死亡，造成此種情況發(fā)生的時(shí)間間隔。它對(duì)無線網(wǎng)絡(luò)的工作量、工作效率、工作時(shí)數(shù)產(chǎn)生嚴(yán)重影響。由于網(wǎng)絡(luò)延遲取勝?zèng)Q于能量消耗最高節(jié)點(diǎn)的壽命，要最小化第一個(gè)節(jié)點(diǎn)的能源消耗速度。

定理1：假設(shè)網(wǎng)絡(luò)中共有[σ]個(gè)節(jié)點(diǎn)，距離Sink為處的[σi]數(shù)據(jù)承擔(dān)量為[?i]，發(fā)送一個(gè)數(shù)據(jù)包的能量消耗為[γi]，最小化網(wǎng)絡(luò)延遲可通過公式（3）計(jì)算。

[Ι=min [Eimax1≤i≤（γit?it+γir?is+ξilpl+ξisen）]? ? ? ? ? ?（3）]

圖3給出了節(jié)點(diǎn)通信半徑和網(wǎng)絡(luò)半徑對(duì)網(wǎng)絡(luò)延遲的影響。使用定理1可得出處于不同占空比數(shù)值，通過下述四組實(shí)驗(yàn)結(jié)果下，可以得出網(wǎng)絡(luò)延遲最低處是在占空比數(shù)值為0.4時(shí)，節(jié)點(diǎn)通信半徑r=110，傳感器的網(wǎng)絡(luò)半徑為R=300時(shí)，此時(shí)的網(wǎng)絡(luò)延遲是最小的，也就是說當(dāng)網(wǎng)絡(luò)中節(jié)點(diǎn)的占空比調(diào)整得比較合理時(shí)，節(jié)點(diǎn)的通信半徑對(duì)網(wǎng)絡(luò)延遲有一定影響，降低網(wǎng)絡(luò)延遲，能快速準(zhǔn)確預(yù)測(cè)血糖值趨勢(shì)。

4.2 實(shí)驗(yàn)結(jié)論

本章基于OMNET++平臺(tái)的仿真實(shí)驗(yàn)平臺(tái)，通過大量的理論分析對(duì)方案進(jìn)行評(píng)估，獲得實(shí)驗(yàn)與性能對(duì)比分析結(jié)果。從網(wǎng)絡(luò)接收的系統(tǒng)延遲時(shí)間網(wǎng)絡(luò)的延遲等方面性能數(shù)據(jù)做了相關(guān)的仿真實(shí)驗(yàn)驗(yàn)證，各個(gè)方面的網(wǎng)絡(luò)性能進(jìn)行實(shí)驗(yàn)探究對(duì)比后，發(fā)現(xiàn)當(dāng)占空比[Ηiset]=0.25，可提高網(wǎng)絡(luò)能耗可利用率19%，降低網(wǎng)絡(luò)延遲，同時(shí)還能保證預(yù)測(cè)血糖數(shù)據(jù)不低于以往研究。

5 結(jié)束語(yǔ)

本研究適用于智能醫(yī)療保健中云邊協(xié)同提供邊緣智能服務(wù)，通過產(chǎn)學(xué)研協(xié)同創(chuàng)新智能醫(yī)療服務(wù)云平臺(tái)，使得醫(yī)療、高?？蒲袌F(tuán)隊(duì)之間展開合作，使醫(yī)療市場(chǎng)應(yīng)用資源和高校、科研機(jī)構(gòu)知識(shí)人才資源形成協(xié)同效應(yīng)，為醫(yī)學(xué)行業(yè)帶來持續(xù)創(chuàng)新能力。平臺(tái)的搭建在降低醫(yī)療行業(yè)運(yùn)行成本的同時(shí)，又能提高高?？蒲袌F(tuán)隊(duì)的成果轉(zhuǎn)化率，促進(jìn)產(chǎn)學(xué)研協(xié)同創(chuàng)新發(fā)展。此技術(shù)提供邊緣智能的連接與計(jì)算服務(wù)，滿足行業(yè)在敏捷連接、實(shí)時(shí)業(yè)務(wù)、數(shù)據(jù)處理、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求，助力醫(yī)療產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型升級(jí)。

參考文獻(xiàn)：

[1] Kamruzzaman M M，Alrashdi Ibrahim，Alqazzaz Ali.Edge-AI在智慧城市醫(yī)療物聯(lián)網(wǎng)中的新機(jī)遇、挑戰(zhàn)和應(yīng)用[J/OL].醫(yī)療工程雜志，2022（2022） .doi：10.1155/2022/2950699.

[2] 李孟澤，季忠，程錦繡，等.基于非線性自回歸神經(jīng)網(wǎng)絡(luò)和雙波長(zhǎng)的無創(chuàng)血糖檢測(cè)方法實(shí)現(xiàn)[J].生物醫(yī)學(xué)工程學(xué)雜志，2021，38（2）：342-350.

[3] 楊宇祥，吳彬，林海軍，等.無創(chuàng)血糖檢測(cè)技術(shù)研究進(jìn)展[J].分析測(cè)試學(xué)報(bào)，2022，41（4）：578-586.

[4] 方旭超，張培茗，饒?zhí)m，等.連續(xù)血糖檢測(cè)技術(shù)研究進(jìn)展[J].傳感器與微系統(tǒng)，2019，38（8）：1-4，8.

[5] 葉東海，程錦繡，季忠.基于粒子群和反向傳播神經(jīng)網(wǎng)絡(luò)的近紅外光無創(chuàng)血糖檢測(cè)方法研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2022，39（1）：158-165.

【通聯(lián)編輯：謝媛媛】