基于k-余弦曲率和WSVM的骨龄识别方法

合集下载

颈椎成熟法评估下颌骨骨龄的研究进展

颈椎成熟法评估下颌骨骨龄的研究进展早期功能矫治及矫形治疗的原理是利用骨生长发育的潜力来促进颌骨生长，在改善颌骨发育差异（特别是骨性Ⅱ类错牙合）方面有重要意义，因而通过骨龄预测下颌骨生长高峰期，以此来确定矫治开始时间是矫治成功的关键因素。

目前用于测评骨龄的生物学指标有牙龄、手腕骨骨龄、颈椎成熟（cervical vertebrae maturation，CVM）法、女性初潮、男性变声、身高变化等，但早期矫治主要关注下颌骨的发育，并且骨龄预测需要判断下颌骨发育高峰起始期才有临床意义。

CVM法即是根据颈椎在不同生长发育阶段形状、大小有规律性的改变来预测下颌骨生长发育时期的方法。

不同颈椎分期能与下颌骨发育高峰起始期、高峰期及高峰末期相对应，临床医生也能以此为依据判断不同的发育阶段，据此采取不同的矫治方案。

此外，颈椎在头颅侧位片中的形态清晰可见，患者不需接受额外的辐射。

但该方法主要依靠医生对颈椎形态的主观判断，判断结果有随机性及可重复性低等不足。

本文将目前CVM法的支持依据、不足及改进方法进行综述，为进一步完善CVM法提供依据，以便为临床诊断和方案制定提供更准确客观的评估方法。

1. CVM 法简介CVM法由Lamparski于1972年提出，并认为该方法与手腕骨法一样可以精确有效地预测骨龄。

Baccetti等将原始CVM法进行改进，将颈椎的形态改变直接与下颌骨的生长发育联系起来，分为6个阶段。

CS1：下颌骨生长高峰期在此阶段2年后出现；CS2：下颌骨生长高峰期在此阶段1年后出现；CS3：下颌骨生长高峰期；CS4：下颌骨生长高峰期在此阶段前1~2年；CS5：下颌骨生长高峰期结束至少1年；CS6：下颌骨生长高峰期结束至少2年。

CVM法的临床运用简便、实用，但存在较多的不确定因素而备受质疑。

首先，对颈椎形态的判定存在主观性，尚无客观判定指标；其次，颈椎形态的改变是连续的，每个阶段持续时间不一，仅仅使用单一的头侧位片用于骨龄预测不一定准确。

基于深度学习的骨龄评估方法研究

基于深度学习的骨龄评估方法研究作者：傅贤君汪婵婵来源：《电脑知识与技术》2021年第12期摘要：传统的骨龄评估方法通常是由骨龄专家根据GP法或计分法对手部X光片进行判读，这种方法具有较大的工作量，长测量周期和主观性强的缺点，而计算机辅助诊断具有快速、准确、可重复的优势。

该文提出了一种基于数字图像处理技术与深度学习技术对手部X 光片进行骨龄计算机辅助诊断的新方法，图像预处理方面综合阈值操作及提取最大连通域方法提取手掌轮廓，并基于Xception的深度卷积神经网络得到骨龄评估回归分析模型，多尺度提取特征，实现骨龄自动化精准评估。

实验表明上述方法能快速准确地对灰度不均匀的手部X线平片进行骨龄检测。

关键词：骨龄检测;数字图像处理;深度学习;回归分析中图分类号：TP391.4 文献标识码：A文章编号：1009-3044（2021）12-0183-031 背景通过骨龄评估能较准确的确定儿童的生物学年龄，及早了解儿童的生长发育情况，同时能对一些儿科内分泌疾病作出早期判断[1]。

骨龄检测还能被更广泛应用于司法判案、运动员实际年龄确定之中。

由于传统的人工判读骨龄方法烦琐费时，同时精确度因评定者而异。

计算机辅助诊断具有快速、准确、可重复的优势，而传统的骨龄评估方法通常是由骨龄专家根据GP 法[2]或计分法[3]对手部X光片进行判读，这种方法具有较大的工作量，长测量周期和主观性强的缺点。

因此，随着计算机技术的不断发展，国内外科研机构都在积极探索利用使用计算机辅助诊断技术实现骨龄检测，并在最近几年取得了很大进展。

目前，国内外已有一些基于X光手部图像的骨龄评估方法。

Thodberg等[4]开发了一款基于主动外观模型的网络远程自动评估软件BoneXpert，由于该系统无须人工干预，目前此软件已在多个国家使用并得到验证。

但该方法容易导致欠分割甚至无法分割。

Spampinato等[5]提出了基于深度学习方法的骨龄检测模型，并在公开数据集上得到了平均差异约0.8年的良好结果。

《基于深度学习的骨龄评估系统的设计与实现》范文

《基于深度学习的骨龄评估系统的设计与实现》篇一一、引言骨龄评估是医学领域中一项重要的技术，广泛应用于儿科、运动医学、内分泌学等多个领域。

传统的骨龄评估方法主要依赖于医生对X光片进行视觉判断，这种方法不仅效率低下，而且受医生经验和主观性的影响较大。

随着深度学习技术的发展，基于深度学习的骨龄评估系统逐渐成为研究热点。

本文将介绍一种基于深度学习的骨龄评估系统的设计与实现。

二、系统设计1. 需求分析骨龄评估系统需要具备高准确性和高效率的特点，同时要考虑到系统的易用性和可扩展性。

系统需要能够对不同年龄段、不同性别、不同部位的X光图像进行有效的骨龄评估。

2. 架构设计系统采用基于深度学习的卷积神经网络（CNN）架构，包括数据预处理、模型训练、评估与输出等模块。

其中，数据预处理模块负责对X光图像进行预处理，包括去噪、归一化等操作；模型训练模块采用CNN进行骨龄特征的学习与提取；评估与输出模块则负责将提取的特征用于骨龄评估，并输出评估结果。

3. 算法选择系统采用ResNet50作为特征提取器，通过迁移学习的方式对骨龄特征进行学习。

同时，采用softmax回归等算法对骨龄进行预测与评估。

三、数据集与预处理1. 数据集系统采用公开的骨龄X光图像数据集进行训练与测试，包括不同年龄段、不同性别、不同部位的X光图像。

同时，为了增加模型的泛化能力，我们还采用了数据增强的方法对数据集进行扩充。

2. 数据预处理数据预处理模块负责对X光图像进行去噪、归一化等操作。

其中，去噪操作可以去除图像中的噪声和干扰信息，提高图像的清晰度；归一化操作则可以将图像的像素值映射到同一范围内，使得模型能够更好地学习到图像中的特征。

四、模型训练与优化1. 模型训练模型训练模块采用CNN进行骨龄特征的学习与提取。

在训练过程中，我们采用了迁移学习的方法，先在大型数据集上对模型进行预训练，然后再在骨龄数据集上进行微调。

同时，我们还采用了交叉验证等方法对模型的性能进行评估。

一种基于Kinect与SVM的人体动作识别算法

文章编号：1007-1423（2019）18-0055-04DOI：10.3969/j.issn.1007-1423.2019.18.011一种基于Kinect与SVM的人体动作识别算法刘芬1，吴志攀2（1.惠州城市职业学院信息学院，惠州516025；2.惠州学院信息科学技术学院，惠州516007）摘要：目前，传统的人机交互已经不能满足人们的需求，一种倾向于更加自然化、便捷化的人机交互方式――人体动作识别，具有重要的研究意义。

提出一种基于Kinect与SVM的人体动作识别算法，先采用Kinect传感器对人体动作进行捕捉生成深度图像，经处理建立三维人体模型，提取出其运动向量的夹角和模比值作为特征值，最后使用SVM对该特征值进行人体动作分类识别。

采用UCF101数据集和MATLAB程序对人体动作识别的整个过程进行验证，该算法具有很高的鲁棒性和识别率。

关键词：人体动作识别；支持向量机；特征提取基金项目：惠州学院本科教学质量与改革工程项目（No.2017-15）0引言目前，在不少领域都出现了人体动作识别的应用，例如视频游戏、虚拟现实、智能监控等方面都运用了人体识别技术，这是因为识别技术的快速发展和人们在该领域中的需求，传统的人机交互已经不能满足人在这方面的要求，这促使着人体动作识别在该方面的研究需要加强深入。

然而，我国目前在人体动作识别这方面还不够成熟，而其他国家已经在这方面有所涉及。

例如，在视频游戏领域，微软公司推出了XBOX游戏机，让玩家享受到了体感游戏的乐趣；在虚拟现实领域，Facebook的Oculus Rift、HTC的HTC Vive、微软的HoloLens全系眼镜，都说明了国外在动作识别方面下了功夫。

人体动作识别具有便利性，使用的工具少、只需要少量传感器和良好的识别算法，能够实现效果良好的人机交互。

文献[1-2]提出了基于Wi-Fi信号、Arduino芯片等的人体动作识别系统设计与实现，但不具有Kinect的便利性；文献[3-7]基于Kinect进行了相关动作识别的研究与应用；文献[8]提出了关节角度识别，为降低维度识别提供了依据；文献[9-13]提出了基于SVM的人体动作识别算法研究，但存在着一定的误识率。

骨龄在评估颅面生长发育中的应用及其影响因素

骨龄在评估颅面生长发育中的应用及其影响因素陈莉莉【摘要】准确的骨龄评估可以评价个体发育所处的阶段，为正畸临床选择矫治时机和预测颅面生长发育潜力提供重要的参考依据。

本文从骨龄评估颅面生长发育的研究现状、影响骨龄评估颅面生长发育准确性的因素、骨龄评估颅面生长发育的改进与发展趋势三个方面展开论述，观点总结如下。

①手腕骨龄，尤其是Fishman 手腕骨龄分期法是一种有机的、相对简单并可靠的骨龄评估方法；颈椎骨龄分期法不用接受额外的X线照射，易于观察下颌生长高峰期，尤其是适应当今影像数字化趋势的颈椎骨龄定量分期法；②骨龄准确性受种族、性别、评定方法本身特点等因素的影响，应找到适合特定患者的骨龄评估方法；③环境因素，尤其是生物钟长期紊乱可导致骨发育异常，影响骨龄评估的准确性，提出通过调节生物钟治疗颅面生长发育异常的新方法，并期望发现评价颅面生长发育的新指标、新标准，提高骨龄评估生长发育的准确性。

%Accurate skeletal age evaluation can assess the stage of individual development,and therefore provide the important refer-ence for orthodontists to choose proper treatment timing and predict the growth potential. This paper explores three aspects,including the research status of the assessment of craniofacial growth and development,the influencing factors of skeletal age evaluation accuracy, and the improvement and development of skelatal age evaluation. The views are summarized as follows:①The hand-wrist skeletal age, especially Fishman Skeletal Maturity Indicators ( SMI) ,is organic, simple and reliable. The method of Cervical Vertebrae Maturation ( CVM) , especially Quantitative Cervical Vertebral Maturation ( QCVM) , has attracted moreand more attention, and there is no need for additional x-ray exposure and it is easy to observe the mandibular growth peak. ②The accuracy of skeletal age evaluation is affected by several factors,such as race, gender and evaluation methods. Therefore, it’ s necessary to find the proper evaluation method for spe-cific patients. ③Environmental factors can lead to abnormal bone development, especially the long-term disorders of biological clock, which influences the accuracy of skeletal age evaluation. The new methods is proposed, regulating the biological clock to modify the ab-normal craniofacial development and improve the assessment accuracy with skeletal age.【期刊名称】《口腔医学》【年(卷),期】2016(036)005【总页数】5页(P385-389)【关键词】骨龄;生长发育;手腕骨龄;颈椎骨龄;生物钟【作者】陈莉莉【作者单位】华中科技大学同济医学院附属协和医院口腔医学中心，湖北武汉430022【正文语种】中文【中图分类】R783.1述评准确评估正畸患者的生长发育状况，对确定最佳矫治时机、明确矫治计划、矫治目标、矫治限度和预后具有重要的临床价值。

人工智能在儿童骨龄影像检测中的应用

FEATURES引言近年来，儿童超重肥胖问题日渐突出，儿童性早熟患病率逐年上升，发育迟缓患病率仍需进一步降低。

中国居民营养与慢性病状况报告（2020年）显示，6~17岁及6岁以下青少年儿童超重肥胖率分别达到19%和10.4%[1]。

这些小儿内分泌问题的发生与遗传、环境因素以及生活方式有密切关系，若不及时治疗，会给患儿体格发育、心理发育、就业、婚姻等带来许多不良影响。

而诊断该类疾病的关键指标之一就是骨龄，但是现有骨龄评估方法在效率、准确上还存在不足，制约了骨龄检测在临床的广泛应用。

随着人工智能技术的快速发展，图像识别相关的人工智能技术在医学影像领域内得到了深度应用，例如糖尿病人工智能在儿童骨龄影像检测中的应用孙梦莎1，丁永红1，颜子夜1,2，苏晓鸣11. 杭州依图医疗技术有限公司，浙江杭州 310012；2. 上海市医学影像与知识图谱人工智能重点实验室，上海 200051[摘要] 目的研究对比证明解决人工判读骨龄存在耗时长、人为主观影响大、结果一致性稳定性差等问题。

方法使用G-P图谱法、TW计分法、中华05等方法对骨龄X光影像进行对照，开展人工智能和人工判读、以及人工智能辅助人工判读的研究，并进行多阅片者间差异性研究。

结果基于TW3标准，250份儿童骨龄片由人工智能系统与医生对比，TW3-AI模型的平均处理时间为1.5±0.2 s，明显短于医生的525.6±55.5 s，准确性与可靠性上TW3-AI模型与专家判读结果的均方根为0.50年，表明两者高度一致；基于G-P标准，745份生长发育异常病例骨龄，医生平均判读耗时约2 min，AI模型仅需要1~2 s，准确性上，AI系统与金标准相差1岁以内的平均比例为84.60%；基于中华05标准，人工组阅片平均耗时明显高于AI 一致性辅助评估。

结论儿童骨龄智能检测系统，可在秒级完成儿童骨龄影像分析并给出骨化中心评级、骨龄等量化结果，从而辅助医生快速进行疾病诊断与疗效评价，为儿童内分泌疾病诊疗提供决策依据。

基于kinect和ros的骨骼轨迹人体姿态识别研究

高技术通讯2020年第30卷第2期：1力~184doi：10.3772/j.issn.1002-0470.2020.02.009基于Kinect和ROS的骨骼轨迹人体姿态识别研究①胡敦利②柯浩然③张维(北方工业大学现场总线及自动化北京市重点实验室北京100144)摘要为了解决不完整人体动作识别的问题，在机器人操作系统(robot operating system,ROS)下提出利用骨骼节点向量的角度累计变化作为特征向量，并采用自适应能量的方法划分视频人体动作。

在人体解剖学的基础上建立投影坐标平面，进行空间位置和骨骼角度的计算。

通过时间金字塔方法对不同时间间隔的骨骼角度数据编码，形成多级特征向量更好地表示人体动作。

在人体受遮挡情况下，使用扩展卡尔曼滤波预测骨骼节点坐标，提高骨骼坐标的准确性。

该方法具有旋转、平移不变性，识别4种不完整人体动作的正确率达到了92.25%。

关键词自适应能量；时间金字塔；扩展卡尔曼滤波；机器人操作系统(ROS)；预测0引言机器视觉广泛应用于智能监控、家居安全、医疗监护、智能机器人以及运动员辅助训练⑴等领域。

但机器视觉的应用不应该只限于简单的视频监控,而应该以视频中的内容为切入点，分析其中的数据,为人们提供更加智能化的服务,例如通过捕捉人的表情、动作等来预测人的行为或者意图。

经过多年的发展,人体姿势识别的方法大体分为模板匹配法U：和状态空间法⑶。

另一方面，在过去几十年的机器视觉和机器智能领域中，通常选取空间特性或者时间特性作为表征人体特征的描述性信息，再对其进行编码分析。

在第1代Kinect发布后，微软剑桥研究院的Shotton等人⑶发表了关于利用骨骼信息进行姿势识别方法的论文，由此引领了一大批学者开始研究基于骨骼信息的人体行为识别。

2014年,微软发布了第2代Kinect,在原有的基础上提高了其性能，由此可以为人体姿态识别提供更加丰富和清晰的数据源。

但在Linux系统和机器人操作系统(robot operating system,ROS)系统下，由于微软对于Linux系统下开发的支持并不好，所以需要使用第三方软件和一些中间件对Kinect V2进行开发。

基于卷积神经网络的骨龄辅助评测技术

2021.04科学技术创新基于卷积神经网络的骨龄辅助评测技术管骏(四川大学视觉合成图形图像技术国防重点学科实验室,四川成都610064)1骨龄评估方法1.1现状目前,国内主流的骨龄预测方式还是主要依赖于人工对于X 光照片的解读,根据骨骼生长的一般规律进行分析,临床医学上用于骨龄评价所依据的方法主要有两种,分别是图谱法和计分法。

而目前国内,中华05计分法相比于其它的骨龄评价方法,具有更高的使用率,计分法分期具有明确的量化概念,相对于其他骨龄评估方法准确度更高,可重复性较强。

但缺点是需提前掌握相关知识并需要进行繁琐的操作。

1.2计数法计数法是人为估计骨龄的一种方法,其通过观察骨化中心随时间在一定年龄出现的数目、测量骨化中心面积以及骨与骨之间的比例,同时观察骨骺的融合时间来进行骨龄的判断,但是这种系统误差较大,又会导致x 射线对人体的照射量大从而导致对人体的损害,现在已很少出现在临床。

1.3图谱法图谱法是将手骨x 射线照片与医学骨龄标准照片进行逐项比对的方法,由Todd 制定了较为完善的骨骼成熟图谱后开始进行流传,主要依据青少年不同年龄手腕部骨化中心和干骺的出现,消失顺序,建立男女骨龄标准的图谱[7],手骨射线图谱包括男子31张标准片,年龄范围0-19岁;女子27张标准片,年龄范围0-18岁。

评价时只需将手骨图片与图谱对照,找出其中最相近者,如果结余两个相邻年龄谱之间,取均值进行估算,即可确定未知片的骨龄。

G -P 图谱法简便明确,在国际上广泛使用。

1.4计分法TW 计分法,它通过将左手腕的20块手腕骨的发育过程进行分级,根据各骨按不同的发育状况分为8-9期,赋予不同的分值,最后将各个评分进行相加得到总分,最后依据各个年龄的骨成熟度得分中位数曲线得出评估结果[4],制定出判定骨龄的计分方法。

在1972年正式制定TW 2标准,TW 2与TW 1的不同之处在于各骨龄等级和性别的计分方面,TW 2方法共有20个感兴趣区,每个感兴趣区包括骨骺、干骺端、骨干3个部分,并根据成熟程度划分成不同的等级。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

李新华赵娟袁振宇王晨吻
（安徽大学电子信息工程学院安徽合肥２３０６０１）
摘
要
引入图像处理技术进行骨龄识别是目前骨龄研究的热点，提出一种基于ｋ一余弦曲率和小波支持向量机（ＷＳＶＭ）的骨龄
识别方法。首先对手腕骨ｘ光图像进行预处理，通过ｋ－余弦曲率算法定位指骨关键点，然后分割指骨特征区域，提取骨骺发育过程中的几何特征作为骨龄的研究参数，最后，根据“中国人手腕骨发育标准——ｃＨＮ法” ，利用ＷＳＶＭ多分类算法对特征骨块按等级进行分类，综合各个骨骼的等级识别骨龄。实验表明，该方法能有效地对特征骨块进行分期，从而对骨龄识别具有较高的识别率和
ｗｅｐｒｅｐｒｏｃｅｓｓｔｈｅＸ— ｒａｙｉｍａｇｅｓｏｆｃａｒｐａｌ，ａｎｄｌｏｃａｔｅｈｅｔｋｅｙｐｏｉｎｔｓｏｆｐｈｌａａｎｇｅｓｂｙｋ－ｃｏｓｉｎｅｃｕｖａｒｔｕｒｅａｌｇｏｒｉｔｈｍ：ＴｈｅｎｗｅｓｅｇｍｅｎｔｔｈｅｐｈｌａａｎｇｅｓｆｅａｔｕｒｅｒｅｇｉｏｎＥＭＲＯＩ，ａｎｄｅｘｔｒａｃｔｔｈｅｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｃｈａｒａｃｔｅｒｉｓｉｎｇｔｈｅｇｒｏｗｔｈｆｏｅｐｉｐｈｙｓｅｓａｓｔｈｅｒｅｓｅａｒｃｈｐｒａａｍｅｔｅｓｒｆｏｂｏｎｅａｇｅ．Ｉｎｔｈｅｅｎｄ，ｗｅｕｓｅＷＳＶＭｍｕｈｉｃｌａｓｓｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｉｒｔｈｍｔｏｃｌａｓｓｉｆｙｔｈｅｆｅａｔｕｒｅｂｏｎｅｂｌｏｃｋｓｉｎｄｉｆｅｒｅｎｔｒａｇｄｅｓａｃｃｏｒｄｉｎｇｔｏｔｈｅ
ｐａｐｅｒｗｅｐｒｏｐｏｓｅａｂｏｎｅａｇｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ，ｗｈｉｃｈｉｓｂａｓｅｄｏｎｋ－ｃｏｓｉｎｅｃｕｒｖａｔｕｒｅａｎｄｗａｖｅｌｅｔｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＷＳＶＭ）．Ｆｉｒｓｔ
第３２卷第８期
２０１５年ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｖｏ１．３２Ｎｏ．８
Ａｕｇ．２０１５
基于ｋ一余弦曲率和ＷＳＶＭ的骨龄识别方法
“ ＳｔａｎｄａｒｄｏｆＣｈｉｎｅｓｅＣａｒｐｌａＤｅｖｅｌｏｐｍｅｎｔ — ＣＨＮ，ａｎｄｒｅｃｏｇｎｉｓｅｔｈｅｂｏｎｅａｇｅｂｙｉｎｔｅｒａｇｔｉｎｇｔｈｅｒａｇｄｅｓｏｆｄｉｆｅｒｅｎｔｂｏｎｅｓ．ＥｘｐｅｉｒｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃａｌｌｅｆｅｃｔｉｖｅｌｙｓｏｔｒｔｈｅｆｅａｔｕｒｅｂｏｎｅｓｉｎｓｔａｇｅｓＳＯｔｈａｔｉｔｈａｓｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙａｎｄｓｔａｂｉｌｉｔｙｏｎｂｏｎｅａｇｅａｓｓｅｓｓｍｅｎｔ．
ＡｂｓｔｒａｃｔＴｏｒｅｃｏｇｎｉｓｅｔｈｅｂｏｎｅａｇｅｂｙｉｎｔｒｏｄｕｃｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｅｃｈｎｏｌｏｇｙｂｅｃｏｍｅｓｔｈｅｆｏｃｕｓｏｆｃｕｒｒｅｎｔｂｏｎｅａｇｅｒｅｓｅａｒｃｈ．Ｉｎｔｈｉｓ
ＬｉＸｉｎｈｕａＺｈａｏＪｕａｎＹｕａｎＺｈｅｎｙｕＷａｎｇＣｈｅｎｙａｎｇ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＡｎｈｕｉＵｎｉｖｅｒｓｉｔｙ，Ｈｅｆｅｉ２３０６０１，Ａｎｈｕｉ，Ｃｈｉｎａ）
稳定性。
关键词
中图分类号
ｋ一余弦曲率ＷＳＶＭ特征提取
ＴＦ３文献标识码Ａ
ＣＨＮ骨龄识别
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００－３８６ｘ．２０１５．０８．０３７
ＡＢｏＮＥＡＧＥＲＥＣｏＧＮＩＴＩｏＮ ⅣＩＥＴＨｏＤＢＡＳＥＤｏＮｋ．ＣｏＳＩＮＥＣＵＲＶＡＴＵＲＥＡＮＤＷＳＶＭ