学习装置、学习方法以及测定装置与流程

1.本发明涉及学习装置、学习方法以及测定装置。


背景技术：

2.近年来，开发了使用机器学习技术进行判别、推定等的技术。例如，在专利文献1中，公开了与用于预测时间序列数据的未来值的学习相关的技术。根据该技术，能够预测按时间序列取得的数据在未来的任意时刻表示怎样的值。
3.专利文献1：日本特开2001-325582号公报
4.但是，在专利文献1所记载的技术中，作为学习中的训练数据，使用在目标预测时间的未来值。在该情况下，难以进行反映未来值以后的时间序列数据的推移等特征的学习。


技术实现要素：

5.因此，本发明是鉴于上述问题而完成的，本发明的目的在于提供一种能够更有效地学习时间序列数据中的特征点之间的关系的技术。
6.为了解决上述课题，根据本发明的一个观点，提供一种学习装置，上述学习装置具备学习部，上述学习部将第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，来学习对象特征点所涉及的输出，上述第一传感器数据通过第一方式取得，且具有与沿着时间的推进而可周期性地观察到的重复区间对应的时间长度，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在从上述第一传感器数据所涉及的上述时间长度的开始时刻起经过了规定时间的时刻所取得的数据，上述对象特征点为在上述重复区间中作为观察的对象，上述规定时间基于从上述重复区间的开始时刻直到预计上述对象特征点出现的时刻为止的时间长度而设定。
7.另外，为了解决上述课题，根据本发明的其他观点，提供一种学习方法，上述学习方法包括：将第一传感器数据作为学习数据，上述第一传感器数据通过第一方式取得，且具有与沿着时间的推进而可周期性地观察到的重复区间对应的时间长度，使用基于第二传感器数据的训练数据，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在从上述第一传感器数据所涉及的上述时间长度的开始时刻起经过了规定时间的时刻所取得的数据，对在上述重复区间中作为观察的对象的对象特征点所涉及的输出进行学习，其中，上述规定时间基于从上述重复区间的开始时刻直到预计上述对象特征点出现的时刻为止的时间长度而设定。
8.另外，为了解决上述课题，根据本发明的其他观点，提供一种测定装置，上述测定装置具备测定部，上述测定部将通过第一方式取得的第一传感器数据作为输入，进行在第一传感器数据中作为观察的对象的对象特征点所涉及的测定，上述测定部使用学习完毕模型，而进行上述对象特征点所涉及的测定，上述学习完毕模型通过将具有与沿着时间的推进而可周期性地观察到的重复区间对应的时间长度的上述第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，学习了上述重复区间中的上述对象特征点所涉及的
输出而得到，上述第二传感器数据是通过噪声的影响比上述第一方式小的第二方式，在从上述第一传感器数据所涉及的上述时间长度的开始时刻起经过了规定时间的时刻所取得的数据，上述规定时间基于从上述重复区间的开始时刻直到预计上述对象特征点出现的时刻为止的时间长度而设定。
9.如以上说明的那样，根据本发明，提供能够更有效地学习时间序列数据中的特征点之间的关系的技术。
附图说明
10.图1是表示本发明的一个实施方式所涉及的学习装置10的功能结构例的图。
11.图2是表示该实施方式所涉及的测定装置20的功能结构例的图。
12.图3是表示一个周期中的一般的心电波形的例子的图。
13.图4是表示本发明的一个实施方式所涉及的学习数据与训练数据的对应例的图。
14.图5是表示基于该实施方式所涉及的测定部220的对象特征点的测定图像的图。
15.图6是表示基于该实施方式所涉及的测定部220的对象特征点的测定图像的图。
16.图7是表示使用了该实施方式所涉及的学习完毕模型的r波的检测精度的图。
17.图8是表示该实施方式所涉及的学习阶段的流程的流程图。
18.图9是表示该实施方式所涉及的测定阶段的流程的流程图。
具体实施方式
19.以下，参照附图对本发明的优选实施方式详细地进行说明。此外，在本说明书及附图中，对实质上具有相同的功能结构的构成要素标注相同的附图标记，由此省略重复说明。
20.＜构成例＞
21.(学习装置10)
22.本实施方式所涉及的学习装置10可以是进行将通过不同的两个方式在时间轴上同步取得的同一种传感器数据作为输入的有监督学习的装置。这里，有监督学习是指将输入数据(学习数据)和针对该输入数据的正解数据(训练数据)的组提供给计算机，使计算机学习两者的对应的方法。图1是表示本实施方式所涉及的学习装置10的功能结构例的图。如图1所示，本实施方式所涉及的学习装置10可以具备学习部110以及存储部120。
23.本实施方式所涉及的学习部110的特征之一在于，将第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，来学习对象特征点所涉及的输出，第一传感器数据通过第一方式取得且具有与可以沿着时间的推进而可周期性地观察到的重复区间对应的时间长度，第二传感器数据是通过噪声的影响比第一方式小的第二方式，在从第一传感器数据所涉及的上述时间长度的开始时刻起经过了规定时间的时刻所取得的数据，对象特征点为在上述重复区间中作为观察的对象。另外，上述的规定时间可以基于从重复区间的开始时刻直到预计对象特征点出现的时刻为止的时间长度而设定。根据该结构，能够学习上述对象特征点以后的数据推移等特征，构建更高精度的学习完毕模型。
24.本实施方式所涉及的学习部110可以使用能够实现有监督学习的任意的机器学习方法来进行上述那样的学习。学习部110例如使用神经网络、svm(support vector machine：支持向量机)等算法进行学习。
25.学习部110的功能例如由gpu(graphics processing unit：图形处理器)等处理器实现。关于本实施方式所涉及的学习部110所具有功能的详细内容，另外详细地进行说明。
26.本实施方式所涉及的存储部120存储学习装置10的动作所涉及的各种信息。存储部120例如存储用于学习部110的学习的第一传感器数据及第二传感器数据、各种参数等。
27.以上，对本实施方式所涉及的学习装置10的功能结构例进行了叙述。此外，使用图1说明的上述结构只是一个例子，本实施方式所涉及的学习装置10的结构并不限定于该例。本实施方式所涉及的学习装置10例如也可以还具备接受操作者进行的操作的操作部、用于输出各种数据的输出部等。本实施方式所涉及的学习装置10的结构能够根据规格、运用而灵活地变形。
28.接着，对本实施方式所涉及的测定装置20的功能结构例进行叙述。本实施方式所涉及的测定装置20可以是使用学习装置10构建的学习完毕模型，实施对象特征点所涉及的测定的装置，对象特征点为在沿着时间的推进而取得的传感器数据中作为观察的对象。图2是表示本实施方式所涉及的测定装置20的功能结构例的图。如图2所示，本实施方式所涉及的测定装置20可以具备取得部210以及测定部220。
29.本实施方式所涉及的取得部210是用于沿着时间的推进而取得第一传感器数据的结构。因此，本实施方式所涉及的取得部210具备与所取得的第一传感器数据的特性相应的各种传感器。
30.本实施方式所涉及的测定部220将取得部210所取得的第一传感器数据作为输入，进行在第一中心数据中作为观察的对象的对象特征点所涉及的测定。此时，本实施方式所涉及的测定部220使用通过基于学习部110的学习而构建的学习完毕模型来进行对象特征点所涉及的输出。即，本实施方式所涉及的测定部220的特征之一在于，使用学习完毕模型，而进行对象特征点所涉及的测定，该学习完毕模型通过将具有与沿着时间的推进而可周期性地观察到的重复区间对应的时间长度的第一传感器数据作为学习数据，使用基于第二传感器数据的训练数据，学习了上述重复区间中的对象特征点所涉及的输出而得到，上述第二传感器数据是在从第一传感器数据所涉及的时间长度的开始时刻起经过了规定时间的时刻所取得的数据。
31.根据上述结构，能够在从第一传感器数据有效地排除了噪声的影响的基础上，高精度地进行对象特征点所涉及的测定。此外，本实施方式所涉及的测定部220的功能由各种处理器实现。
32.以上，对本实施方式所涉及的测定装置20的功能结构例进行了叙述。此外，使用图2说明的上述结构只是一个例子，本实施方式所涉及的测定装置20的功能结构并不限定于该例。本实施方式所涉及的测定装置20也可以还具备操作部或输出部、进行测定出的对象特征点所涉及的分析的分析部、基于分析结果进行各种通知的通知部等。本实施方式所涉及的测定装置20的结构能够根据作为测定对象的对象特征点的特性、活用用途等灵活地变形。
33.＜详细内容＞
34.接下来，举出具体例对本实施方式所涉及的传感器数据进行说明。近年来，开发了取得各种类别的传感器数据的装置。另外，即使在取得同一种传感器数据的情况下，有时也存在多个方式。上述那样的传感器数据包含表示被试验者的生命体征的生命数据。这里，作
为生命数据的一个例子，假设取得由于被试验者的心脏的活动而产生的电压的变化作为心电波形的情况。
35.作为取得心电波形的方式，可列举在被试验者的皮肤直接佩戴多个电极，通过该多个电极记录电压的变化，例如3点感应法、标准12感应法等方式。根据该方式，能够获得噪声的影响小的高精度的心电波形。另一方面，该方式大多限制被试验者的行为，另外，由于在皮肤直接佩戴电极，因此有时使被试验者感到麻烦。
36.另外，作为取得心电波形的其他方式，可列举在被预计与被试验者接触的多个部位设置电极，记录在被试验者与多个该电极接触时获得的电压的变化的方式。这样的方式例如在想要取得进行装置的操作的被试验者的心电波形的情况等下使用。作为一个例子，公知有在预计驾驶车辆等移动体的驾驶员在驾驶中接触的方向盘或驾驶座的座位等配置电极，取得该驾驶员的心电图的技术。根据该技术，由于不需要将电极直接贴附于驾驶员的皮肤，因此能够不使驾驶员意识到地取得心电波形。另一方面，在该情况下，由于伴随驾驶行为的驾驶员的身体运动、车辆的振动等而容易产生噪声，存在取得的心电波形的精度降低的可能性。
37.这样，用于取得传感器数据的多个方式分别具有优点，而也存在所取得的传感器数据的精度产生差异的情况。因此，需要一种有效地利用某种方式所具有的优点，并且同时提高传感器数据的取得精度的技术。
38.为了解决上述问题，本实施方式所涉及的学习部110将通过第一方式获得的第一传感器数据作为学习数据，并使用基于第二传感器数据的训练数据进行学习，第二传感器数据是通过噪声的影响比第一方式小的第二方式，在时间轴上与第一传感器数据同步地取得的数据。由此，能够在从第一传感器数据有效地排除了噪声的影响的基础上，高精度地进行对象特征点所涉及的测定。
39.另一方面，此时，在使用与第一传感器数据所具有的时间长度的末尾对应的第二传感器数据，或在末尾以后取得的第二传感器数据作为训练数据的情况下，难以使学习部110学习该训练数据以后的数据推移等的信息。
40.鉴于上述问题，本实施方式所涉及的学习部110可以将具有与沿着时间的推进而可周期性地观察到的重复区间对应的时间长度的第一传感器数据作为学习数据。另外，本实施方式所涉及的学习部110可以使用基于在从上述时间长度的开始时刻起经过了规定时间的时刻所取得的第二传感器数据的训练数据进行学习。这里，上述规定时间可以基于从重复区间的开始时刻直到预计对象特征点出现的时刻为止的时间长度而设定。由此，能够进行使用了训练数据前后的信息的学习，从而能够构建更高精度的学习完毕模型。
41.进而，上述的重复区间也可以包含在出现上与对象特征点具有时间轴上的规则性的至少一个其他特征点。在该情况下，通过学习重复区间中的对象特征点与其他特征点在时间轴上的规则性，从而能够构建能够以更高精度进行对象特征点所涉及的测定的学习完毕模型。
42.以下，以本实施方式所涉及的第一传感器数据以及第二传感器数据分别是记录了被试验者的心脏的活动的心电波形的情况为一个例子进行说明。即，本实施方式所涉及的第一传感器数据可以是通过第一方式从被试验者取得的第一心电波形。另外，第二传感器数据可以是通过第二方式从该被试验者取得的第二心电波形。
43.另外，在该情况下，上述的第一方式可以是使用被预计与被试验者接触的至少两个电极取得心电波形的方式，上述的第二方式可以是使用直接佩戴于被试验者的皮肤的至少三个电极来取得心电波形的方式(例如，3点感应法)。
44.例如，在被试验者是驾驶车辆等移动体的驾驶员的情况下，在上述的第一方式中使用的两个电极可以设置于被试验者就座的座位和被试验者操作的被操作装置(例如，方向盘)。
45.根据上述那样的结构，能够保持不会使驾驶员感到麻烦等第二方式所具有的优点，并且取得排除了因驾驶员的身体运动或车辆的振动等而产生的噪声的高精度的数据。
46.这里，对一般的心电波形中的特征点(特征波形)进行说明。图3是表示一个周期中的一般的心电波形的例子的图。此外，在图3中，横轴表示时间的经过，纵轴表示电压的变化。如图3所示，在一般的心电波形中，可以观察表示特征的形状的多个特征波形。作为特征波形的一个例子，可列举p波、q波、r波、s波、qrs波(由q波、r波以及s波形成)t波、以及u波等。另外，上述的各特征波形具有在时间轴上按上述列举的顺序出现的规则性。
47.其中，例如，r波作为心率变动(波动)的指标是重要的特征波形。某一周期中的r波与下一周期中的r波的间隔(rri：r-r interval)用于计算心率的周期。另外，还公知rri由于压力或疲劳而产生波动，在检测被试验者的身体负担或心理负担时也是有效的生理指标。另外，例如，一个周期中的q波与t波的间隔亦即qti(q-t interval)表示从心室的兴奋开始到兴奋消退为止的时间，是对心率失常的检测等重要的生理指标。
48.这样，在心电波形的一个周期中包含对生理指标的取得有用的多个特征波形。由此，在本实施方式所涉及的学习中，可以将一个周期整体设定为重复区间，将与想要取得的任意生理指标相应的特征波形作为对象特征点。
49.另一方面，在心电波形的一个周期中存在对生理指标的取得有用的特征波形集中的区间。如图3所示，p波、q波、r波、s波以及t波可以在大约700ms前后的时间长度中连续地被观察到。因此，在本实施方式所涉及的学习中，可以将从p波的开始时刻到t波的结束时刻为止的区间设定为重复区间。由此，能够更高精度地学习重复区间内的p波、q波、r波、s波以及t波之间的时间轴上的规则性。
50.另外，例如，在上述的重复区间中，r波可以在从p波的开始时刻起大约250ms前后的时刻被观察到。由此，在将r波作为对象特征点的情况下，本实施方式所涉及的学习部110使用基于第二传感器数据的训练数据，而学习r波所涉及的输出，第二传感器数据是在从第一传感器数据所涉及的时间长度(700ms)的开始时刻起，经过了从p波的开始时刻到预计r波出现的时间长度(250ms)的时刻所取得的数据。
51.图4是表示本实施方式所涉及的学习数据与训练数据的对应例的图。图4的上部表示从被试验者取得的第一传感器数据(第一心脏波形)。另外，图4的下部表示从该被试验者在与第一传感器数据相同的期间取得的第二传感器数据(第二心脏波形)。
52.在该情况下，例如，学习部110可以将在与从p波的开始时刻到t波的结束时刻为止的700ms的区间对应的时间长度d1中取得的第一传感器数据作为第一序列的学习数据，另外，将在从时间长度d1的开始时刻起经过了250ms的时刻的时刻t1处取得的第二传感器数据作为训练数据，而进行学习。
53.同样，学习部110可以将在时间长度d2中取得的第一传感器数据作为第二序列的
学习数据，另外，将在从时间长度d2的开始时刻起经过了250ms的时刻的时刻t2处取得的第二传感器数据作为训练数据，而进行学习。
54.另外，同样，学习部110可以将在时间长度d3中取得的第一传感器数据作为第三序列的学习数据，另外，将在从时间长度d3的开始时刻起经过了250ms的时刻的时刻t3处取得的第二传感器数据作为训练数据，而进行学习。
55.根据上述那样的数据集，能够有效地学习r波与重复期间内所包含的其他特征波形之间的时间轴上的规则性。另外，本实施方式所涉及的测定部220能够使用通过使用了上述那样的数据集的学习而构建的学习完毕模型，高精度地进行r波所涉及的测定。图5是表示基于本实施方式所涉及的测定部220的对象特征点的测定图像的图。
56.如图5所示，本实施方式所涉及的测定部220通过向使用图4所例示的数据集而构建的学习完毕模型输入第一传感器数据(第一心脏波形)，从而能够输出从第一传感器数据除去了噪声而得的第三传感器数据(第三心脏波形)。由此，即使在由于噪声而难以从第一传感器数据直接测定r波的情况下，也能够基于第三传感器数据，高精度地进行r波的测定。
57.另外，在上述，叙述了学习部110使用第二传感器数据其本身(例如，第二心脏波形的电压值)作为训练数据进行了学习的情况，但本实施方式所涉及的学习部110也可以将表示第二传感器数据中的对象特征点的存在概率的存在概率数据作为训练数据，学习第一传感器数据中的对象特征点的存在概率所涉及的输出。
58.例如，在图4所示的一个例子的情况下，学习部110对在时间长度d1中取得的第一传感器数据(学习数据)，进行以基于在时刻t1处取得的第二传感器数据而生成的r波的存在概率数据为训练数据的学习。在存在概率数据以0(不存在)或者1(存在)这两个值表示r波的存在概率的情况下，由于在时刻t1存在r波，因此时刻t1处的r波的存在概率数据为1。另一方面，在时刻t2及时刻t3不存在r波。因此，时刻t2及时刻t3处的r波的存在概率数据为0。
59.在将上述那样的存在概率数据作为训练数据进行了学习的情况下，如图6所示，本实施方式所涉及的测定部220通过向学习完毕模型输入第一传感器数据(第一心脏波形)，从而能够直接输出r波的存在概率数据。这样，在本实施方式所涉及的学习中，可以使用与想要使测定部220输出的数据形式相应的训练数据。此外，在上述，例示了存在概率数据采取0或1这2个值的情况，但本实施方式所涉及的存在概率数据也可以采取3个值以上。
60.这里，示出了针对使用了通过本实施方式所涉及的学习而构建的学习完毕模型的r波的检测精度进行验证的结果。图7是表示使用了本实施方式所涉及的学习完毕模型的r波的检测精度的图。此外，图7表示使用了在将学习数据(第一传感器数据)的时间长度设为500ms、600ms、700ms、800ms的情况下分别构建的学习完毕模型的r波的检测精度。此外，在任一情况下，都使用基于在从学习数据所涉及的时间长度的开始时刻起经过了250ms的时刻所取得的第二传感器数据的训练数据来进行学习。
61.其结果，如图7所示，在进行使用了700ms的学习数据的学习的情况下构建的学习完毕模型能够以最高精度检测r波。该验证结果表示通过遵循对象特征点和其他特征点在时间轴上的规则性而设定学习数据的时间长度，从而能够进行更有效的学习。
62.另一方面，700ms这样的时间长度的设定只是一个例子。假设学习数据的最佳时间长度基于用作学习数据的第一传感器数据的统计特征而变化。例如，在某一条件下取得的
第一传感器数据中，从p波的开始时刻到t波的结束时刻为止的时间长度的平均为650ms的情况下，学习数据的时间长度也可以设定为650ms。此外，训练数据的时间长度也是同样的。例如，在所取得的第一传感器数据及第二传感器数据中，在从p波的开始时刻到r波为止的时间长度的平均为300ms的情况下，也可以使用基于在从学习数据所涉及的时间长度的开始时刻起经过了300ms的时刻取得的第二传感器数据的训练数据。
63.＜学习阶段以及测定阶段的流程＞
64.接下来，对使用本实施方式所涉及的学习装置10进行学习的学习阶段、以及使用测定装置20进行测定的测定阶段的流程进行说明。图8是表示本实施方式所涉及的学习阶段的流程的流程图。
65.如图8所示，在本实施方式所涉及的学习阶段中，首先，进行第一传感器数据以及第二传感器数据的取得(s102)。此时，第一传感器数据以及第二传感器数据可以与时间戳等信息一起取得，以便能够在时间轴上同步。另外，第一传感器数据以及第二传感器数据也可以由与学习装置10不同的装置取得。所取得的第一传感器数据以及第二传感器数据存储于学习装置10的存储部120。
66.接下来，根据需要进行第一传感器数据以及第二传感器数据的加工(s104)。例如，作为训练数据，在使用对象特征点所涉及的存在概率数据的情况下，在步骤s104中，可以进行将在步骤s102中取得的第二传感器数据转换为存在概率数据的处理。另外，也可以进行用于降低第一传感器数据、第二传感器数据所包含的噪声的各种滤波处理等。此外，上述那样的加工也可以通过与学习装置10不同的装置来执行。
67.接下来，学习部110将具有与重复区间对应的时间长度的第一传感器数据作为学习数据，并使用基于在从上述时间长度的开始时刻起经过了规定时间的时刻取得的第二传感器数据的训练数据，而进行学习(s106)。此时，学习部110可以使用第二传感器数据其本身(或者实施了滤波处理的第二传感器数据)作为训练数据，也可以使用在步骤s104中生成的存在概率数据作为训练数据。
68.以上，对本实施方式所涉及的学习阶段的流程进行了说明。接着，对本实施方式所涉及的测定阶段的流程进行说明。图9是表示本实施方式所涉及的测定阶段的流程的流程图。
69.如图9所示，在本实施方式所涉及的测定阶段中，首先，取得部210通过第一方式取得第一传感器数据(s202)。取得部210例如可以通过配置于车辆的方向盘和座位的多个电极来取得驾驶员的心电波形作为第一传感器数据。
70.接下来，测定部220将在步骤s202中取得的第一传感器数据输入到学习完毕模型，进行第一传感器数据所包含的对象特征点所涉及的测定(s204)。在学习阶段中将第二传感器数据作为训练数据进行了学习的情况下，测定部220输出从第一传感器数据除去了噪声而得的第三传感器数据，进行对象特征点的测定。另一方面，在学习阶段中将存在概率数据作为训练数据进行学习的情况下，测定部220输出表示对象特征点的存在概率的存在概率数据，进行对象特征点的测定。
71.接下来，根据需要，执行基于在步骤s204中测定出的对象特征点的各种动作(s206)。例如，在对象特征点为r波的情况下，上述动作可以是基于rri的通知等。上述动作也可以通过与测定装置20不同的装置来执行。
72.＜补充＞
73.以上，参照附图对本发明的优选实施方式详细地进行了说明，但本发明并不限定于该例。如果是本领域技术人员，则能够在权利要求书中记载的技术思想的范畴内想到各种变更例或修正例，这些当然也应理解为属于本发明的技术范围。
74.例如，在上述实施方式中，以学习部110学习被试验者的心脏的活动所涉及的测定的情况为主要的例子进行了叙述。另一方面，基于学习部110的学习的对象并不限定于上述那样的生命数据的测定。学习部110例如也能够测定表示任意装置的运转状况的各种数据。
75.另外，在上述实施方式中，作为取得心电波形的第一方式，举出了在预计被试验者接触的部位配置电极的方式为例，作为第二方式，举出了将电极直接佩戴于被试验者的皮肤的方式为例。另一方面，本技术中的第一方式及第二方式也可以是受噪声影响的程度存在差异的任意的不同方式。例如，在取得心率的情况下，第一方式也可以是使用多普勒传感器的非接触方式。在该情况下，第二方式也可以是噪声的影响比该非接触方式小的任意方式。例如，上述情况下的第二方式可以是将电极佩戴于上述被试验者的皮肤的接触方式。这样，本技术中的第一方式并不限定于上述实施方式中例示的方式，可以适当地选择。进而，在使用预计与被试验者接触的至少两个电极取得心电波形的接触方式与使用多普勒传感器等的非接触方式相比噪声的影响小的情况下，也能够将该非接触方式设为第一方式，将该接触方式设为第二方式。
76.另外，在本发明书中说明的各装置进行的一系列的处理也可以使用软件、硬件、以及软件和硬件的组合中的任一个来实现。构成软件的程序例如预先存储于设置在各装置的内部或外部的记录介质(非临时介质：non-transitory media)。而且，各程序例如在由计算机执行时被读入ram，并由cpu等处理器执行。上述记录介质例如是磁盘、光盘、磁光盘、闪存等。另外，上述的计算机程序也可以不使用记录介质，而例如经由网络进行分发。
77.附图标记说明
78.10
…
学习装置；110
…
学习部；120
…
存储部；20
…
测定装置；210
…
取得部；220
…
测定部。