独立成分分析算法及其在脑电图中的应用
独立成份分析(ICA) 及脑功能磁共振成像(fMRI)PPT课件
研究的主要方向
1. 独立成份分析理论，算法和应用研究。 2. fMRI脑高分辩成像的技术研究。 3. fMRI图像配准技术的研究。 4. fMRI的血流动力学模型的研究。 5. fMRI数据处理方法研究，重点是ICA在fMRI
的应用研究。 6. 基于fMRI的脑功能定位技术及应用研究。
(4) 提出图像ICA分离理论和BFGS算法
Chen, Yao et al Neurocomputing submitted
1) 图像仿 真实验
5）图像ICA在fMRI中的应用 数据模型 分离图像
脑功能 定位
6) Image Registration AlgorithmA Projection Based Image Registration (IEEE trans. On Medical Image. (submit) )
11. Chen Huafu, Zeng Min,Yao Dezhong. Independent Component Analysis in Extracting Characteristic signals in EEG, Proceedings of IEEE-EMBS APBME'2000 Conference189190
20 40 60 80 100 120
20 40 60 80 100 120
1200 1100 1000
900 800
0
1 0.8 0.6 0.4 0.2
0 0
20
40
60
80
20
40
60
80
11. Detecting Brain Activities from fMRI Dataset using MUSIC
独立成分分析的应用
独立成分分析的应用独立成分分析（Independent Component Analysis，ICA）是一种常用的信号处理技术，能够从混合信号中分离出独立的基础信号。
该技术被广泛应用于信号处理、图像处理、语音处理等领域。
一、独立成分分析的原理独立成分分析是一种基于统计学的方法，它的基本原理是对一个多维随机信号进行线性变换，使得变换后的信号中不同的成分相互独立。
当一个多维信号存在多种独立成分时，独立成分分析能够将这些成分分离出来。
二、独立成分分析的应用1. 信号处理在信号处理领域，独立成分分析广泛应用于信号滤波和降噪。
在噪声环境下，信号通常是由多个源信号混合后形成的。
使用独立成分分析能够有效地分离出原始信号并消除干扰信号，提高信号的可靠性和精度。
2. 图像处理在图像处理领域，独立成分分析被用于图像去噪、图像分割、图像增强等方面。
对于复杂的图像，独立成分分析能够对图像进行拆解，并从中提取出不同的成分，这些成分代表了图像的不同特征。
3. 语音处理在语音处理领域，独立成分分析可以将语音信号分离成不同的成分，来提高语音识别的准确率。
此外，独立成分分析还可以用于语音信号的压缩和编码，提高语音传输的效率和可靠性。
4. 生物医学领域在生物医学领域，独立成分分析可以用于脑电图（Electroencephalogram, EEG）和磁共振成像（Magnetic Resonance Imaging, MRI）分析。
在脑电图分析中，独立成分分析可以分离出不同的脑电波成分，来探测不同脑区的活动；在磁共振成像分析中，独立成分分析可以从多个时间序列信号中提取出特征成分，来识别病变区域和病灶。
总之，独立成分分析是一种非常重要的信号处理技术，其应用已经涵盖了信号处理、图像处理、语音处理、生物医学等多个领域。
未来，独立成分分析还将继续发挥重要的作用，探索更多的应用场景。
独立成分分析简介-
独立成分分析简介-独立成分分析（Independent Component Analysis, ICA）是一种用于解决混合信号和数据中独立成分的分离问题的数学方法。
通过ICA，可以将混合信号分解为不相关的独立成分，这对于在信号处理、图像处理、语音识别等领域有着重要的应用。
ICA的基本原理是通过寻找一个线性变换，将原始信号转换为不相关的独立成分。
在这个过程中，ICA假设原始信号是相互独立的，因此可以通过对原始信号进行线性变换来获得不相关的独立成分。
这种方法的一个重要特点是不需要提前知道信号的统计特性，只需要假设独立成分的数量小于原始信号的数量。
在实际应用中，ICA可以用于解决许多问题。
比如在语音信号处理中，ICA可以用于分离混合的说话声音，从而实现多人语音识别。
在图像处理中，ICA可以用于分离混合的图像，从而实现图像的压缩和去噪。
此外，ICA还可以应用于生物医学领域，例如在脑电图（EEG）和功能磁共振成像（fMRI）中，ICA可以用于分离脑电波或脑活动中的不同成分，从而帮助医生更好地诊断疾病。
对于ICA的实现，通常使用一些优化算法，例如极大似然估计、梯度下降等。
这些算法可以帮助找到最佳的线性变换，使得转换后的信号成分尽可能地独立。
同时，由于ICA需要假设信号的独立性，因此对信号的预处理十分重要。
在应用ICA之前，通常需要对信号进行预处理，例如去除噪声、均衡化等，以保证ICA的准确性和稳定性。
除了上述的应用领域外，ICA还可以与其他技术相结合，例如与小波变换、奇异值分解等。
这些方法可以相互补充，从而更好地处理混合信号的分离问题。
总的来说，独立成分分析是一种非常有用的数学方法，可以在许多领域中解决混合信号的分离问题。
通过ICA，可以将混合信号转化为不相关的独立成分，这对于信号处理、图像处理、语音识别等领域有着重要的应用。
而随着研究的不断深入，相信ICA在未来会有更广泛的应用和发展。
独立分量分析的原理与应用.pdf
独立分量分析的原理与应用一、简介独立分量分析（Independent Component Analysis，简称ICA）是一种非线性盲源分离算法，用于从观测信号中提取独立的源信号。
它可以解决多模态信号分解的问题，被广泛应用于信号处理领域。
二、原理ICA的核心思想是基于统计的盲源分离方法。
它假设观测信号是独立源信号经过线性变换之后得到的，通过最大化输出信号的非高斯性来估计源信号，并恢复出源信号。
ICA的数学模型可以表示为：X = AS其中，X是观测信号的矩阵，A是混合矩阵，S是源信号的矩阵。
ICA的求解过程可以分为以下几个步骤：1.对观测信号进行去均值处理，使其均值为0；2.对去均值后的观测信号进行预处理，如白化处理、归一化处理等；3.估计源信号的混合矩阵；4.对混合矩阵进行逆变换，得到分离矩阵；5.对分离矩阵进行重构，得到分离后的源信号。
三、应用领域ICA在许多领域中有广泛的应用。
以下列举了一些主要的应用领域：1.信号处理领域：ICA被用于信号盲分离、降噪、特征提取等任务，在语音、图像、视频等领域有着重要应用。
2.脑电图（EEG）分析：ICA能够对多通道脑电信号进行分离与去除伪迹，可以用于研究脑电信号中的不同频率成分。
3.脑磁图（MEG）分析：ICA可以用于提取MEG信号中的神经活动成分，帮助了解脑活动的时空特征。
4.生物医学领域：ICA可以用于去除生物信号中的混叠成分，提取出关键的生理信号，如心电图、肌电图等。
5.金融数据分析：ICA可以用于提取金融市场中的不相关因素，帮助了解市场的潜在因素和规律。
四、优缺点与改进ICA作为盲源分离方法具有以下优点：•不需要对源信号的先验知识，适用于不同应用领域；•能够从观测信号中提取出独立的源信号，有较好的分离效果；•对信号的非线性关系具有较好的适应性。
然而，ICA也存在一些不足之处：•对输入信号的非高斯性要求较高，当观测信号的非高斯性较低时，ICA的效果可能较差；•对混合矩阵的估计存在不确定性，可能存在多个等效的解；•对噪声敏感，当观测信号中存在较高水平的噪声时，ICA的分离效果可能受到影响。
独立成分分析的基本原理-Ⅱ
独立成分分析的基本原理-Ⅱ独立成分分析（Independent Component Analysis，ICA）是一种用于从多个混合信号中提取出独立成分的信号处理技术。
它在很多领域都有广泛的应用，包括语音处理、图像处理、脑电图分析等。
本文将介绍独立成分分析的基本原理和一些应用。
独立成分分析的基本原理是基于盲源分离的思想。
所谓盲源分离是指在没有先验知识的情况下，通过对混合信号的观测数据进行分析，将混合信号分解成相互独立的成分。
这种思想最早是在通信领域中被提出的，用于解决多用户同时传输数据时的信号分离问题。
后来，这种方法被扩展到了其他领域，成为了一种通用的信号处理技术。
在进行独立成分分析时，我们假设观测到的混合信号是由多个独立成分线性组合而成的。
这个假设在很多情况下是合理的，比如在语音信号中，不同说话者的声音是相互独立的；在图像信号中，不同物体的边缘和纹理也是相互独立的。
基于这个假设，我们可以通过一些数学方法，从观测到的混合信号中提取出独立成分。
独立成分分析的一种常用方法是基于统计的方法。
在这种方法中，我们假设每个独立成分的概率分布是已知的，并且是相互独立的。
然后，通过最大化某种统计量的方法，可以得到这些独立成分的估计值。
这种方法的优点是理论基础比较清晰，且对信号的分布假设要求不高。
但是，它也有一些局限性，比如对信号的噪声敏感，需要较多的样本数据等。
除了基于统计的方法，还有一些其他的方法可以用于独立成分分析。
比如基于信息论的方法，基于神经网络的方法等。
这些方法各有优劣，适用于不同的应用场景。
在实际应用中，通常需要根据具体情况选择合适的方法。
独立成分分析在很多领域都有广泛的应用。
在语音处理中，它可以用于语音信号的分离和去噪，提高语音识别的准确性。
在图像处理中，可以用于图像的分割和去噪，提高图像的质量。
在脑电图分析中，可以用于提取脑电信号中的不同成分，帮助诊断一些疾病。
总之，独立成分分析是一种重要的信号处理技术，它的基本原理是基于盲源分离的思想，通过对混合信号的观测数据进行分析，将混合信号分解成相互独立的成分。
独立成分分析在医学诊断中的应用(Ⅱ)
独立成分分析在医学诊断中的应用(Ⅱ)独立成分分析（Independent Component Analysis, ICA）是一种多变量统计分析方法，通过对多个信号进行变换和分解，将混合在一起的信号分离成独立的成分。
在医学诊断中，ICA被广泛应用于脑电图（EEG）和功能磁共振成像（fMRI）等领域，可以帮助医生们更准确地诊断疾病、了解人体的生理过程。
本文将就独立成分分析在医学诊断中的应用进行探讨。
首先，让我们来了解一下独立成分分析的基本原理。
独立成分分析的核心思想是在原始信号的基础上，找到一个线性变换矩阵，使得变换后的信号成分之间彼此独立。
这个过程可以被描述为矩阵乘法，即原始信号矩阵乘以一个变换矩阵，得到独立成分矩阵。
在医学领域中，这意味着将混合在一起的生理信号（如脑电信号、血氧信号等）分离成相互独立的成分，从而更好地理解每个成分的生理意义，以便更精准地进行疾病诊断和治疗。
在脑电图（EEG）领域，ICA被广泛用于识别不同脑区的活动。
脑电信号通常包含来自多个脑区的混合信号，通过应用独立成分分析，可以将这些混合信号分离成不同的成分，每个成分对应于来自不同脑区的神经活动。
这种分离使得医生们能够更清晰地观察到每个脑区的活动模式，有助于诊断脑部疾病和了解脑部功能。
另外，在功能磁共振成像（fMRI）领域，ICA也被广泛应用。
fMRI可以测量人脑在不同任务或静息状态下的血氧水平变化，通过分析这些信号，可以揭示不同脑区在不同任务下的活动模式。
但由于血氧信号受到许多因素的影响，例如呼吸、心跳等，不同脑区的信号往往会混合在一起。
通过应用独立成分分析，可以将这些混合信号分离成独立的成分，更准确地揭示不同脑区的活动模式，有助于诊断和研究脑部疾病。
除了在脑电图和功能磁共振成像中的应用，独立成分分析还被应用于其他医学领域。
例如，在心电图（ECG）领域，ICA可以用于分离心脏传导系统的不同成分，有助于诊断心脏疾病。
在生物医学工程领域，ICA还被应用于分离胃肠道的电活动信号，有助于诊断消化系统疾病。
独立成分分析的基本原理-十
独立成分分析的基本原理-十独立成分分析（Independent Component Analysis, ICA）是一种用于信号处理和数据分析的统计方法。
它的基本原理是将复杂的混合信号分解为独立的成分，从而可以更好地理解和分析数据。
本文将就独立成分分析的基本原理进行探讨。
首先，让我们了解一下独立成分分析的背景。
在实际应用中，我们经常会遇到混合信号的情况，即多个信号叠加在一起，很难分别进行分析。
比如，在脑电图（EEG）信号处理中，不同区域的大脑活动会被混合在一起，需要对其进行解混和分析。
而独立成分分析正是可以用来解决这类问题的方法。
独立成分分析的基本原理是假设观测到的混合信号可以表示为独立成分的线性组合。
这意味着我们可以将混合信号表示为一个矩阵乘法：X = AS，其中X是我们观测到的混合信号矩阵，A是混合矩阵，S是独立成分矩阵。
我们的目标就是从观测到的混合信号X中分离出独立成分S。
为了实现这一目标，独立成分分析采用了统计方法。
它利用了独立性这一统计特性，假设不同成分之间是相互独立的。
通过最大化成分之间的独立性，可以将混合信号分解为独立的成分。
在实际应用中，独立成分分析通常通过最大化信息熵、最小化互信息等方法来实现。
这些方法可以使得分离出的成分尽可能地独立。
这也是独立成分分析与主成分分析（PCA）等方法的区别之一，PCA是最大化成分之间的方差，而ICA是最大化成分之间的独立性。
除了在信号处理领域，独立成分分析还在许多其他领域得到了广泛应用。
比如，在金融数据分析中，可以利用独立成分分析来解除股票收益率之间的相关性，从而更好地进行投资组合优化。
在医学图像处理中，可以利用独立成分分析来分离出不同组织的成分，从而更好地诊断疾病。
总之，独立成分分析是一种重要的统计方法，它可以用来分离出混合信号中的独立成分，从而更好地理解和分析数据。
通过最大化成分之间的独立性，可以实现信号的解混和分析。
希望本文的介绍可以帮助读者更好地理解独立成分分析的基本原理。
独立成分分析与主成分分析的区别
独立成分分析与主成分分析的区别独立成分分析（Independent Component Analysis, ICA）与主成分分析（Principal Component Analysis, PCA）是两种常用的多元统计分析方法。
它们在信号处理、图像处理、生物医学工程等领域都有着广泛的应用。
本文将分别介绍这两种方法的原理和应用，以及它们之间的区别和联系。
独立成分分析是一种用于从混合信号中分离出源信号的方法。
在很多实际问题中，我们常常会遇到混合信号的情况，例如在语音信号处理中，多个说话者的声音会叠加在一起，需要将它们分离出来；在脑电图信号处理中，大脑各个部分的电信号也会混合在一起，需要将它们分离出来。
ICA的基本思想是假设混合信号是由多个相互独立的源信号线性叠加而成的，然后通过一定的计算方法，将混合信号分解成独立的源信号。
ICA的应用非常广泛，除了上面提到的语音信号处理和脑电图信号处理，还可以用于金融数据分析、生物医学成像等领域。
主成分分析是一种用于降维和特征提取的方法。
在很多实际问题中，我们会遇到高维数据的情况，例如在图像处理中，每幅图像都可以看作是一个高维向量，其中每个元素代表图像的一个像素值；在生物医学工程中，每个病人的生理指标也可以看作是一个高维向量。
高维数据不仅计算复杂度高，而且很难直观地理解和分析。
PCA的基本思想是找到一组新的坐标系，使得在这个坐标系下，数据的方差最大。
换句话说，就是找到一组新的特征，使得用这些特征表示数据时，能够尽可能地保留原始数据的信息。
PCA的应用非常广泛，除了上面提到的图像处理和生物医学工程，还可以用于数据降维、模式识别等领域。
虽然ICA和PCA在方法和应用上有着明显的区别，但它们之间其实也存在一定的联系。
一方面，它们都是用于多元统计分析的方法，都是通过对数据的变换，找到数据内在的结构和规律；另一方面，它们在一些场合下还可以相互补充。
例如，在语音信号处理中，可以先使用PCA对信号进行降维，然后再使用ICA对降维后的信号进行分离。
- 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)。
文章 编号 ：０ ６～ ３ ８ ２ １ ） １— ２ ７一ｏ １０ ９ ４ （０ ０ １ ０ ｌ ４
计
算
机
仿
真
２０ １ ０ 年１月 １
独 立成 分 分 析 算 法及 其在 脑 电图 中的应 用
龚丹 丹 刘 国庆 ，
（ ．南京工业大学 电子 与信息工程学院 ， １ 江苏 南京 ２ ００ ；．南京 工业大学理学 院， １０ ９ ２ 江苏 南京 ２ ００ ） １０ ９ 摘要 ： 研究脑电图成像 的数据处理 问题时 ， 独立成分分析（Ｃ 是一种新 的信号处理统计方法 ，被广泛用于各个领域 。脑电 Ｉ Ａ） 图就是 ， 利用独 立成分分 析从混合信号 中还原 出源信号 ， 通过 目标 函数 ， 如极大似然估计 ， 信息最大化和互信息最小 化等 ， 对 源信号的概率密度 函数 （ ＤＦ 进行估计 。在基 于互信息最小化算法 的基础上 ， 出一 种新的独立 成分分析 算法 ， Ｐ ） 提 算法 中的 核心参数是由信号本 身来确定 的， 能使所估计的 Ｐ Ｆ更加准确 ， Ｄ 从而提高分离的性 能。最后 ， 用新 的 ＩＡ算法来实现脑电图 Ｃ （ Ｅ 信号 的盲源分离 ， Ｅ Ｇ） 结果表明 ， 算法 可以快速有效 的分离其源信号 ， 且准确性优 于 Ｂｓｏ ｏｃｌ ｏ提出的非参量 ＩＡ模型。 Ｃ 关键词 ： 独立成分分析 ； 互信息熵 ； 概率密度函数 ； 脑电图
中图 分 类 号 ：Ｎ １ ． Ｔ ９ １７ 文献标识码 ： Ａ
Ｎｅ Ｉ ｗ ＣＡ ｇｏ ｉｈ ｎｄ ｔ ｅ Ａｐ ｉ ａ ｉ ｎ ｉ ｅ ｔ ｏ ｎｃ ｐ ｌ ｇ ａ ｇ ｌ Ａｌ ｒ ｔ ｍ ａ ｈ ｐｌｃ ｔｏ ｎ Ｅｌｃ ｒ ｅ ｅ ｈａ ｏ ｒ ｍ Ｓｉ ｎａ ｓ
ｓｇ ａ ｓｍ ｏｅ ａ ｃ ｒ ｔ ｉｎ ｌ ｒ ｃ ｕ ａｅ，ａ ｄ ｔ ｅ ｍｐ ｏ ｅ ｔ ｅ ｒ ｔ ｎ ｐ ｒｏ ｍａ ｃ ｎ ｈ ｎ ｉ ｒ ｖ ｈｅ ｓｐａ ａｉ ｅｆ ｒ ｎ ｅ． Ｉ ｈ ｎ ｏ ｎ ｔ ｅ ｅ ｄ，ｔｅ ｂｌｎ ｏ ｒ ｅ ｅ ｒ ｔｏ ｆｒ ａ ｈ ｉ ｄ ｓ ｕ ｃ ｓｓ ｐａ ａｉｎ ｏ ｅ ｌ
ｎ ｌ ｆＥ ｕ ｃ ｌ ｎ ｆ ｃｉｅｙ ａ ｄ ｔ ｅ ａ ｃ ｒｃ ｓ ｈ ｇ ｅ ｈ ｎ Ｎｏ ａｓ ｏ ＥＧ ｑ ｉｋ ｙ ａ ｄ ｅｆ ｔ ｌ ｎ ｈ ｃ ｕ ａ ｙ ｉ ｉｈ ｒ ｔ ａ ｎ— Ｐ ｒ ｍｅｒｃ Ｉ Ａ ａｇ ｒ ｈ ｐ ｏ ｏ ｅ ｙ ｅ ｖ ａ ａ ｔ Ｃ ｌｏ ｉ ｍ ｒｐ ｓ ｄ ｂ ｉ ｔ
ｅ ｃ ｏｎｅｈｌｇ ｍ （ Ｅ ｌ ｔ ｅｃｐ ａ ｒ ｅｒ ｏ ａ Ｅ Ｇ）ｓ ｎｌ ｉ ｒ ｌｅ ．Ｔ ｅｒｓｌｓｏ ｓｈ ｔｈ ｅ ｌ ｒｈ ａ ｐ ｒ ｅ ｈ ｕｃ ｇ ｉ ａｓ ｓｅ ｉ ｄ ｈ ｕｔｈ ｗ ａ ｔｅｎｗ ａ ｏｉ ｍ ｃｎｓ ａａ ｅｓ ｒ ｓ — ｇ ａ ｚ ｅ ｔ ｇ ｔ ｅ ｔｔ ｏ ｅ ｉ
２ ｅ ａ ｍ ｎ＇ ｆ ｃ ｎ ｅ Ｎ ｎｉｇＵ ｉｅ ｉ ｆ ｅｈ ｏ ｇ ， ａｊ ｇＪ ｎ ｓ １０ ９ ｈｎ ） ．Ｄ ｐ ｒ ｅ ｔ ｉ ｃ ， ａｊ ｎｖｒ ｔ ｏ ｔ ｎ ｌ ｔ ？ｏ ． Ｓｅ ｎ ｓｙ ｃ ｏ ｙ Ｎ ｎｉ ｉ ｇｕ２ ０ ０ ，Ｃ ｉａ ｎ ａ Ａ Ｓ ＲＡ Ｔ： ｄ ｐ ｎ ｅ ｔ ｏ ｐ ｎ ｎ ｎ ｌ ｉ Ｉ Ａ）ｉ ａｎ ｗ ｍ ｔｏ ｆ ｉｎ ｌ ｔｔ ｔ ａ ｐｏ ｅｓ ｇａ ｄｗ ｄ ｌ ｕ ｅ Ｂ Ｔ Ｃ Ｉ ｅ ｅ ｄ ｎ ｍ ｏ ｅ ｔ ａ ｓ ｎ ｃ ａ ｙ ｓ（ Ｃ ｓ ｅ ｅｈ ｄｏ ｇ ａ ｓ ｉ ｉ ｌ ｒｃ ｓ ｎ ｎ ｉ ｙ ｓｄ ｓ ａ ｓｃ ｉ ｅ ｉ ｍ ｎ ｅ ｓ Ｔ ｅ ａａ ｏ ｒｅｓ ｎ ｌ ｆ ｍ ｍ ｘ ｄ ｓ ｎ ｌ ｂ Ｃ ｎ ａ ｙｆ ｌ ． ｏ ｓｐ ｒｔ ｓｕｃ ｉ ａ ｏ ｉ ｉ ａｓ ｙＩ Ａ，ｐｏ ａ ｉ ｔ ｄ ｎｉ ｕ ｃｉ Ｐ Ｆ ｆ ｏ ｒｅ ｉｄ ｅ ｇ ｓｒ ｅ ｇ ｒｂ ｂｌｙ ｅ ｓ ｙｆｎ ｔ ｎ（ Ｄ ）ｏ ｕｃ ｉ ｔ ｏ ｓ ｓ ｎ ｌ ｔｒｕ ｈ ｓｍ ｂｅ ｔ ｕ ｃ ｏ ｓ ｕ ｈ ａ ｍ ｘｍ ｍ ｌ ｅ ｈ ｏ ｓ ｍ ｔ ｎ ｎｏ ｔ ｎｍａｉ ｉ ｔ ｎａ ｄ ｍ ｔａ ｉ ａｓ ｈｏ ｇ ｏ ｅｏ ｊｃ ｆｎ ｔ ｎ ，ｓｃ ｓ ａ ｉ ｕ ｋ ｌ ｏ ｄｅ ｔ ａ ｏ ，ｉ ｒ ｉ ｘｍ ｚ ｉ ｎ ｕｕ ｌ ｇ ｉ ｉ ｉ ｉ ｉ ｆ ｍａ ｏ ａｏ
ＧＯＮＧ ｇ
（ ．Ｄ ｐ ｒ ｅｔ ｆ ｌ ｔ ｎｃａｄｉ ｏｍ ｔ ｎＥ ｇ ｅｒ ｇ ａｊ ｇＵ ｉ ｒｉ ｆ ｅｈ ｏ ｇ ， ａｊ ｇＪ ｎｓ １０ ９ Ｃ ｉａ １ ｅ ａｔ ｎ？ｏ ｅ ｒ ｉ ｎ ｆｒ ａｉ ｎｉ ｅｉ ，Ｎ ｎ ｎ ｎ ｅｓｙｏ ｔ ｎｌ ｙ Ｎ ｎｉ ｉ ｇｕ２ ０ ０ ， ｈ ； ｍ Ｅ ｃｏ ｎ ｏ ｎ ｎ ｉ ｖ ｔ ｃ ｏ ｎ ａ ｎ
ｉｆ ｒ ｔ ｎ ｍｉ ｉ ｚ ｔ ｎ，ｓ ｏ ｌ ｅ ｅ ｔ ｔｄ ｏ ａ ｎ ｗ Ｉ ｌ ｏ ｉ ｍ ａ ｅ ｎ ｍｕ ｕ ｌｉｆ ｒ ｔ ｎ ｍｉｉ ｚ ｔ ｎ ｉ ｎ ｏ ｍａｉ ｎｍｉａｉ ｏ ｏ ｈ ｕ ｄ ｂ ｓ ｍａｅ ．Ｓ ｅ ＣＡ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｔａ ｎ ｏ ｍａｉ ｎ ｍｉａｉ ｓ ｉ ｔ ｏ ｏ ｇ ｎ ｒ ｔ ｄ ｎ ｈ ｅ ｎ ｌｐ ｒ ｍｅ ｅｓ ｉ ｈ ｌ ｏｉ ｍ ａ ｅ ｄ ｔｒ ｎ ｄ ｂ ｉｎ ｌ ｔ ｅ ｅ ｖ ｓ ｔ ａ ｋ ｈ ＤＦ ｏ ｅ ｅａ ｅ ，ａ ｄ ｔ ｅ ｋ ｒ ｅ ａ ａ ｔｒ ｎ ｔｅ ａ ｇ ｒｔ ｒ ｅｅ ｍｉ ｅ ｙ ｓｇ ａｓ ｈ ｍｓ ｌｅ ．Ｉ ｃ ｎ ｍａ ｅ ｔ ｅ Ｐ ｆ ｈ