本发明涉及电子及体育领域，尤其涉及一种球员踢球的运动状态分析的方法及终端。
背景技术：
足球是全球最受欢迎的运动之一，就专业的足球比赛直播而言，比赛中球员运动信息会及时的显示在荧幕上。目前，可用于足球比赛中分析足球运动中球员踢球状态(例如，带球、射门、长传、短传、铲球等)的一项技术是基于图像和视频处理和分析的技术。图像和视频处理及分析技术需要在球场的特定位置安置视像头，终端设备将实时采集的图像和视频数据利用图像和视频的相关技术，分析出运动员的踢球状态。然而，由于这一套系统的费用非常高，因此只在专业的球场才有应用。综上可知，现有的球员踢球的运动状态分析的技术方案的成本高。
技术实现要素：
提供一种球员踢球的运动状态分析的方法，所述球员踢球的运动状态分析的方法通过惯性传感器监测球员的数据，并依据数据判断该球员踢球的状态。因此，该方法具有成本低的优点。
一方面，提供一种球员踢球的运动状态分析方法，所述方法包括如下步骤：
获取球员身体特定部位的角速度数据、加速度数据以及地磁场数据中的任一种或多种组合；
将所述角速度数据、加速度数据以及地磁场数据中的任一种或多种组合分别输入训练好的球员踢球识别模型；
球员踢球状态识别模型依据角速度数据、加速度数据以及地磁场数据中的任一种或多种组合，使用球员踢球状态识别模型中各个踢球状态子模型计算该数据与踢球状态子模型所对应踢球状态的相似度度量；
球员的踢球状态即为相似度度量最高的那一个踢球状态子模型所对应的踢球状态。
可选的，所述识别模型具体包括：
隐马尔可夫模型、支持向量机模型、高斯混合模型、神经网络模型，深度神经网络递归神经网络，条件随机场。
可选的，相似度度量包括：
多维数据空间中的空间距离、概率等。
可选的，当所述识别模型为隐马尔可夫模型时，训练好的各个踢球状态子模型为隐马尔可夫模型具体，包括：
将已知各个踢球状态的角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合输入到待训练的隐马尔可夫模型内训练得到各个踢球状态下的隐马尔可夫模型的状态转移概率、每个状态下观测值的输出概率和初始状态的概率；
可选的，所述训练好的各个踢球状态下的隐马尔可夫模型中的每个状态下观测值的输出概率，具体包括：
将所述角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合分别输入深度神经网络计算得到所述训练好的各个踢球状态下的隐马尔可夫模型中的每个状态下观测值的输出概率
第二方面，提供一种球员踢球的运动状态分析装置，所述装置包括：
获取单元，用于获取球员身体特定部位的角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合；
输入单元，用于将所述角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合分别输入训练好的踢球状态子模型；
计算单元，用于各个踢球状态子模型依据角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合计算球员踢球状态与踢球状态子模型中对应状态的相似度度量；
判断单元，用于选择球员踢球状态与各个踢球状态子模型所对应踢球状态相似度度量最高的踢球状态为球员的踢球状态。
可选的，所述识别模型具体包括：
隐马尔可夫模型、支持向量机模型、高斯混合模型、神经网络模型，深度神经网络递归神经网络，条件随机场。
可选的，相似度度量包括：
多维数据空间中的空间距离、概率等。
可选的，当所述识别模型为隐马尔可夫模型时，训练好的各个踢球状态子模型为隐马尔可夫模型具体，包括：
将已知各个踢球状态的角速度数据、加速度数据和地磁场数据中的任一种或多种的组合输入到待训练的隐马尔可夫模型内训练得到各个踢球状态下的隐马尔可夫模型的状态转移概率、每个状态下观测值的输出概率和初始状态的概率；
可选的，所述训练好的各个踢球状态下的隐马尔可夫模型中的每个状态下观测值的输出概率，具体包括：
将所述角速度数据、加速度数据以及地磁场数据中的任一种或多种的组合分别输入深度神经网络计算得到所述训练好的各个踢球状态下的隐马尔可夫模型中的每个状态下观测值的输出概率。
根据各实施方式提供的技术方案通过训练多个隐马尔可夫模型来实现运动状态的区分，由于该设备可以设置在便携式设备内，所以其能够有效的降低成本，通过实验数据证明，通过此方式辨识的运动状态的准确度可以达到90％以上，所以其具有识别精度高，成本低的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明第一较佳实施方式提供的球员踢球状态分析方法的流程图；
图2为本发明第一较佳实施方式的提供的隐马尔可夫模型的识别算法框图的示意图；
图3为本发明第二较佳实施方式提供的球员踢球状态分析方法的流程图；
图4为本发明第二较佳实施方式提供的深度神经网络的识别算法框图的示意图；
图5为本发明第四较佳实施方式提供的球员踢球状态分析装置的结构示意图；
图6为本发明提供的智能终端的结构示意图。
图7为本申请实施例提供的另一种用户设备结构示意图。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
在上下文中所称“计算机设备”，也称为“电脑”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的存续指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
参阅图1，图1为本发明第一较佳实施方式提供的球员踢球的运动状态分析(简称：踢球状态)的方法,所谓的球员踢足球的运动状态包括带球、射门、长传、短传等，该方法由智能终端执行，该方法如图1所示，包括如下步骤：
步骤S101、获取球员的角速度数据、加速度数据、地磁场数据中的任一种或多种组合；
上述步骤S101可以由惯性传感器来获取，该惯性传感器可以根据球员的时间需要固定在相应的位置，例如，在本发明第一较佳实施方式的一个优选实施例中，上述惯性传感器可以固定设置在球鞋中，当然在本发明具体实施方式内(包括但不限于：第一较佳实施方式、优选实施例等)也可以通过其他装置固定脚踝处或者护腿板上，当然还可以设置在其他的不影响运动员运动的设备内，例如设置在运动员的手环或者手表内等等。
需要说明的是，上述角速度数据可以通过陀螺仪传感器来获取，上述加速度数据可以通过加速计传感器来获取，上述地磁场数据可以通过磁力计传感器来获取。当然在实际应用中，也可以采用其他形式的传感器来获取上述三种数据。本发明第一较佳实施方式并不限制上述三种数据的获取方式。此外，本发明第一较佳实施方式也不限定上述三种数据的组合方式，即可以是任意二种数据组合，任意三种数据组合，当然也可以是任意一种数据。
步骤S102、将该角速度数据、加速度数据和地磁场数据中的任一种或多种的组合分别输入训练好的踢球状态的识别模型(例如隐马尔可夫模型)；
下面以隐马尔可夫模型(英文全称：Hidden Markov Model，英文简称：HMM)为例来说明识别模型的工作原理：
基于HMM的踢球状态的识别算法框图如图2所示。HMM有两个特点：1)数据的时序表被描述为状态转移；2)数据的值被描述为每个状态下的输出模型，例如高斯混合模型。针对每个踢球状态的数据，我们都训练一个HMM。对于本发明第一较佳实施方式来说，其需要为每个踢球运动状态训练一个HMM。对于基本动作的识别，我们通过比较每个HMM的对运动数据的拟合度，来判断踢球状态。针对本发明第一较佳实施方式，即通过每个踢球运动状态的HMM计算一个概率值，最大的概率值所对应的踢球状态即为识别的球员踢球的状态。
HMM的学习步骤如下：
数据预处理：数据预处理的目的是简化数据和去除干扰的数据。数据预处理包括量化，去冗余，去噪，分割、加窗等。这里的数据是指属于同一运动状态的数据，例如，如果是带球状态的HMM，则需要输入的数据为带球状态的角速度数据、加速度数据和地磁场数据中的任一种或多种组合。
特征提取：数据特征的提取是从原始数据中提取能够有效反应运动状态的数据。数据特征提取在基于HMM的运动状态识别中是非常关键的步骤。
模型参数学习：HMM主要包括三个参数，分别是初始状态的概率，状态转移的概率，和每个状态下观测值的输出概率。根据数据的特征，我们需要选择若干个HMM的状态来描述运动数据的变化；在每个HMM状态下，HMM的输出值符合高斯混合模型。那所谓的模型参数学习是指学习HMM的三个参数，即初始状态的概率，状态转移的概率，和在每个状态下观测值的输出概率。在模型参数学习过程中，我们利用大量的已知的运动数据并通过最大期望(英文全称：Expectation–Maximization，英文简称：EM)算法来学习以上三个参数。
踢球状态的的识别是在已学习的HMM中，寻找与运动数据最拟合的HMM。在识别之前，我们同样需要对运动数据进行预处理和特征提取。识别算法是计算产生该运动数据概率最大的HMM，而该HMM所对应的踢球状态即为识别所得的踢球状态。
步骤S103、踢球状态的识别模型依据角速度数据、加速度数据和地磁场数据中的任一种或多种组合计算各个踢球状态的概率；
步骤S104、在各个踢球状态概率中，选取最大的概率所对应的踢球状态作为识别的球员的踢球状态。本发明第一较佳实施方式通过训练多喝识别(例如HMM)模型来实现踢球状态的区分，由于该设备可以设置在便携式设备内，所以其能够有效的降低成本，通过实验数据证明。通过此方式辨识的运动状态的准确度可以达到90％以上，所以其具有识别精度高，成本低的优点。
参阅图3，图3为本发明第二较佳实施方式提供的球员踢球状态分析的方法,该方法由智能终端执行，该方法如图3所示，包括如下步骤：
步骤S301、获取球员的角速度数据、加速度数据和地磁场数据中的任一种或多种组合；
上述步骤S301可以由惯性传感器来获取，该惯性传感器可以根据球员的时间需要固定在相应的位置，例如，在本发明第一较佳实施方式的一个优选实施例中，上述惯性传感器可以固定设置在球鞋中。
需要说明的是，上述角速度数据可以通过陀螺仪传感器来获取，上述加速度数据可以通过加速计传感器来获取，上述地磁场数据可以通过磁力计传感器来获取。当然在实际应用中，也可以采用其他形式的传感器来获取上述三种数据。本发明第一较佳实施方式并不限制上述三种数据的获取方式。
步骤S302、将该角速度数据、加速度数据和地磁场数据中的任一种或多种组合输入训练好的深度神经网络(英文全称：Deep Neural Network，英文简称：DNN)得到替换概率，用该替换概率替换各个踢球状态下的HMM中的每个状态下观测值的输出概率得到替换后的各个踢球状态下的HMM；
图4给出了基于DNN和HMM的基本动作的识别框架图。图2和图4有两个不同点。第一，图2中的观测值特征提取在图4中被DNN所代替。第二，图4中每个状态下观测值概率是由HMM学习所得，而在图4中该概率是由DNN模型学习所得。
基于DNN和HMM的踢球状态的识别算法的核心思想同样是将基本动作的特征描述为不同参数的DNN和HMM。我们使用各个不同参数的DNN和HMM的组合来描述各个踢球状态。因此，我们通过识别不同的DNN和HMM组合来区分球员的踢球运动状态。
基于DNN和HMM的算法在学习包括两个部分，DNN参数学习和HMM参数学习，并且DNN参数学习和HMM参数学习是一个相互影响的。DNN-HMM算法学习过程如下：
1.利用运动数据预学习一个高斯混合HMM；
2.利用运动数据预学习一个DBN-DNN模型(英文全称：Deep Belief Network；英文简称：DBN)；
3.利用步骤1中学习的高斯混合HMM和步骤2中学习的DBN-DNN模型，初始化DNN-HMM模型；
4.针对每段运动数据，利用DNN-HMM求其在HMM中所对应的状态序列；
5.利用所有运动数据和其对应状态序列，更新DNN-HMM中DNN模型中的参数；
6.针对每段运动数据，利用DNN-HMM求其在HMM中所对应的输出概率；
7.利用所有运动数据和其对的输出概率，更新DNN-HMM中HMM中的初始状态概率和状态转移概率；
8.如果识别率不符合条件，回到步骤4；否则终止。
步骤1的学习高斯混合模型HMM的方法即为本申请所讲的方法。
步骤2的学习DNN模型的方法分为两个部分。第一部分是学习DBN(英文全称：Deep Belief Network；英文简称：DBN)；第二部分是将DBN转化成DBN-DNN模型，即简化为DNN模型。首先，学习DBN的过程是一层一层学习RBM(英文全称：Restricted Boltzmann Machine；英文简称：RBM；中文全称：受限玻尔兹曼机)的过程，且将学习的RBM叠加起来。第一层的RBM输入是多维的原始数据；之后每层RBM的输入由已训练得的RBM的输出作为其输入。在学习完成DBN后，我们用DBN中每层RBM中的权重值来初始化DNN。
步骤3是用高斯混合HMM和DBN-DNN模型来初始化DNN-HMM。
步骤4是求每段运动数据所对应HMM中的状态。该求解过程可以通过维特比算法来完成。
步骤5中利用所有运动数据和其对应状态序列，更新DNN-HMM中DNN模型中的参数。该更新过程利用DNN中的反向传递算法来完成。
步骤6通过正向计算运动数据所对应的HMM的输出概率。
步骤7利用运动数据和对应的输出概率更新DNN-HMM中HMM中的初始状态概率和状态转移概率。该过程即为一轮参数学习。
步骤8通过计算识别率来判断是否要继续学习模型的参数。
基于HMM的踢球状态的识别算法框图如图2所示。HMM有两个特点：1)数据的时序表被描述为状态转移；2)数据的值被描述为每个状态下的输出模型，例如高斯混合模型。针对每个踢球状态的数据，我们都训练一个HMM。对于本发明第一较佳实施方式来说，其需要为每个踢球运动状态训练一个HMM。对于基本动作的识别，我们通过比较每个HMM的对运动数据的拟合度，来判断踢球状态。针对本发明第一较佳实施方式，即通过每个踢球运动状态的HMM计算一个概率值，最大的概率值所对应的踢球状态即为识别的球员踢球的状态。
步骤S303、替换后的各个HMM依据角速度数据、加速度数据和地磁场数据中的任一种或多种的组合计算各个踢球状态的概率；
步骤S304、在各个踢球状态概率中，选取最大的概率所对应的踢球状态作为识别的球员的踢球状态。
本发明第二较佳实施方式通过训练多个HMM和DNN模型来实现运动状态的区分，由于该设备可以设置在便携式设备内，所以其能够有效的降低成本，通过实验数据证明，通过此方式辨识的踢球运动状态的准确度可以达到95％以上，所以其具有识别精度高，成本低的优点。
如图5所示，图5为本发明具体实施方式提供的足球带球状态分析装置500，所述装置包括：
获取单元501，用于获取球员的角速度数据、加速度数据和地磁场数据的任一种或多种组合；
输入单元502，用于将所述角速度数据、加速度数据和地磁场数据的任一种或多种组合分别输入训练好的带球状态下的识别模型和无球状态下的识别模型；
计算单元503，用于踢球状态的识别模型依据角速度数据、加速度数据和地磁场数据的任一种或多种组合计算各个踢球状态的概率；
判断单元504，用于踢球状态的判别。
上述识别模型具体包括：
隐马尔可夫模型(英文全称：Hidden Markov Model，英文简称：HMM)、支持向量机模型(英文全称：Support Vector Machine，英文简称：SVM)、高斯混合模型(英文全称：Gaussian Mixture model，英文简称：GMM)、神经网络模型(英文全称：Neural Network，英文简称：NN)，深度神经网络(英文全称：Deep Neural Network，英文简称：DNN)递归神经网络(英文全称：Recurrent Neural Network，英文简称：RNN)，条件随机场(英文全称：Conditional Random Field，英文简称：CRF)马尔可夫。
可选的，所述训练好的一种踢球状态下的隐马尔可夫模型具体，包括：
将已知该种踢球状态的角速度数据、加速度数据和地磁场数据的任一种或多种组合输入到待训练的隐马尔可夫模型内训练得到这种踢球状态的隐马尔可夫模型的状态转移概率、每个状态下观测值的输出概率和初始状态的概率。
可选的，所述训练好的一种踢球状态下的隐马尔可夫模型中的每个状态下观测值的输出概率，具体包括：
将所述该种踢球状态的角速度数据、加速度数据和地磁场数据的任一种或多种组合分别输入深度神经网络计算得到所述训练好的该种踢球状态的隐马尔可夫模型中的每个状态下观测值的输出概率。
参阅图6，图6为本发明提供的一种智能终端600，该智能终端包括足球带球状态分析装置500。
参阅图7，图7为本申请实施例提供的另一种用户设备100，该用户设备包括但不限于：手机、平板电脑、服务器、基站、移动交换中心等设备，如图7所示，该用户设备包括：用户设备100包括处理器1001、存储器1002、收发器1003和总线1004。收发器1003用于与外部设备之间收发数据。用户设备100中的处理器1001的数量可以是一个或多个。本申请的一些实施例中，处理器1001、存储器1002和收发器1003可通过总线系统或其他方式连接。用户设备100可以用于执行图1所示的方法。关于本实施例涉及的术语的含义以及举例，可以参考图1对应的实施例。此处不再赘述。
其中，存储器1002中存储程序代码。处理器1001用于调用存储器1002中存储的程序代码，用于执行以下操作：
处理器1001，用于获取球员身体特定部位的角速度数据、加速度数据以及地磁场数据中的任一种或多种组合；将所述角速度数据、加速度数据以及地磁场数据中的任一种或多种组合分别输入训练好的识别模型中各个踢球状态子模型；各个踢球状态子模型依据角速度数据、加速度数据以及地磁场数据中的任一种或多种组合计算球员踢球状态与踢球状态子模型对应的踢球状态的相似度度量；所计算的相似度度量最高的踢球状态子模型所对应的踢球状态即为球员的踢球状态。
需要说明的是，这里的处理器1001可以是一个处理元件，也可以是多个处理元件的统称。例如，该处理元件可以是中央处理器(Central Processing Unit，CPU)，也可以是特定集成电路(Application Specific Integrated Circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digital singnal processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)。
存储器1003可以是一个存储装置，也可以是多个存储元件的统称，且用于存储可执行程序代码或应用程序运行装置运行所需要参数、数据等。且存储器1003可以包括随机存储器(RAM)，也可以包括非易失性存储器(non-volatile memory)，例如磁盘存储器，闪存(Flash)等。
总线1004可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
该用户设备还可以包括输入输出装置，连接于总线1004，以通过总线与处理器1001等其它部分连接。该输入输出装置可以为操作人员提供一输入界面，以便操作人员通过该输入界面选择布控项，还可以是其它接口，可通过该接口外接其它设备。
需要说明的是，对于前述的各方法实施方式或实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为根据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述实施方式或实施例均属于优选实施例，所涉及的动作和单元并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。本领域的技术人员可以将本说明书中描述的不同实施例以及不同实施例的特征进行结合或组合。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如，如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(Digital Subscriber Line，DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的，那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的，盘(Disk)和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、软盘和蓝光光碟，其中盘通常磁性的复制数据，而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。